子空间分类算法研究及应用
| 中文摘要 | 第1-3页 |
| Abstract | 第3-5页 |
| 中文文摘 | 第5-8页 |
| 目录 | 第8-11页 |
| 绪论 | 第11-15页 |
| 第一节 研究背景及意义 | 第11-12页 |
| 第二节 国内外研究现状 | 第12页 |
| 第三节 研究内容及组织 | 第12-15页 |
| 第一章 子空间分类及其应用 | 第15-21页 |
| 第一节 分类方法 | 第15-16页 |
| 第二节 高维数据的分类分析 | 第16-18页 |
| ·高维数据对分类方法影响 | 第16-17页 |
| ·维度约简 | 第17-18页 |
| ·特征选择 | 第17页 |
| ·特征变换 | 第17-18页 |
| ·子空间分类必要性 | 第18页 |
| 第三节 子空间分类方法的应用 | 第18-21页 |
| ·文本分类 | 第18-19页 |
| ·恶意代码检测 | 第19-21页 |
| 第二章 多代表点的子空间分类算法 | 第21-33页 |
| 第一节 基于代表点的分类方法 | 第21-22页 |
| 第二节 多代表点模型 | 第22-24页 |
| 第三节 多代表点的子空间分类模型 | 第24-28页 |
| ·分类模型 | 第24-25页 |
| ·模型的学习算法 | 第25-28页 |
| 第四节 实验分析 | 第28-32页 |
| ·实验设置 | 第28-30页 |
| ·实验结果与分析 | 第30-32页 |
| 第五节 本章小结 | 第32-33页 |
| 第三章 基于投影原型的文本分类 | 第33-51页 |
| 第一节 基于原型的文本分类 | 第33-35页 |
| ·文本分类问题 | 第33-34页 |
| ·传统原型分类器 | 第34-35页 |
| 第二节 多代表点依赖的投影 | 第35-39页 |
| ·投影技术 | 第35-38页 |
| ·投影原型 | 第38-39页 |
| 第三节 基于投影原型的分类算法 | 第39-45页 |
| ·分类方法 | 第40页 |
| ·投影原型学习算法 | 第40-44页 |
| ·代表点学习算法 | 第41-44页 |
| ·训练算法 | 第44页 |
| ·算法分析 | 第44-45页 |
| 第四节 实验分析 | 第45-50页 |
| ·数据准备 | 第45-46页 |
| ·实验设置 | 第46-47页 |
| ·实验结果与分析 | 第47-50页 |
| ·分类精度 | 第47-49页 |
| ·效率 | 第49-50页 |
| 第五节 本章小结 | 第50-51页 |
| 第四章 子空间分类方法在恶意代码检测中的应用 | 第51-69页 |
| 第一节 恶意代码检测中的应用概述 | 第51-56页 |
| ·应用架构 | 第51-52页 |
| ·检测恶意代码的分类系统 | 第52-56页 |
| ·数据准备及预处理 | 第53-54页 |
| ·特征选择 | 第54-56页 |
| ·分类器的建模与测试 | 第56页 |
| 第二节 迷惑恶意代码的特征选择 | 第56-63页 |
| ·层次化特征选择 | 第57-61页 |
| ·引导层 | 第57-59页 |
| ·个体层 | 第59-60页 |
| ·家族层 | 第60-61页 |
| ·全局层 | 第61页 |
| ·参数学习 | 第61-63页 |
| 第三节 模型评估 | 第63-68页 |
| ·特征选择结果 | 第64-65页 |
| ·分类结果 | 第65-66页 |
| ·模型泛化能力 | 第66-67页 |
| ·模型参数评估 | 第67页 |
| ·模型检测效率 | 第67-68页 |
| 第四节 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 第一节 总结 | 第69-70页 |
| 第二节 展望 | 第70-71页 |
| 附录1 | 第71-73页 |
| 附录2 | 第73-75页 |
| 附录3 | 第75-77页 |
| 附录4 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 攻读学位期间承担的科研任务与主要成果 | 第85-87页 |
| 致谢 | 第87-89页 |
| 个人简历 | 第89-90页 |
