| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-16页 |
| ·课题研究的背景 | 第9-10页 |
| ·课题研究领域现状分析 | 第10-14页 |
| ·本文研究的内容 | 第14-15页 |
| ·本文的组织结构 | 第15-16页 |
| 第二章 BP 神经网络分析 | 第16-27页 |
| ·人工神经网络 | 第16-18页 |
| ·人工神经网络模型 | 第16-17页 |
| ·人工神经网络的特点 | 第17页 |
| ·人工神经网络的主要研究方向 | 第17-18页 |
| ·BP 神经网络 | 第18-25页 |
| ·BP 神经元 | 第18-19页 |
| ·BP 神经网络原理 | 第19-22页 |
| ·BP 网络的性能分析 | 第22-24页 |
| ·BP 网络算法的改进分析 | 第24-25页 |
| ·小结 | 第25-27页 |
| 第三章 粒子群优化算法的研究与改进 | 第27-46页 |
| ·理论基础 | 第27-30页 |
| ·粒子群优化算法 | 第30-33页 |
| ·算法起源 | 第30-31页 |
| ·粒子群优化算法原理 | 第31-32页 |
| ·粒子群优化算法的特点 | 第32-33页 |
| ·粒子群优化算法的发展 | 第33-40页 |
| ·本文提出的改进的粒子群(AMPSO)算法 | 第40-45页 |
| ·AMPSO 算法 | 第40-41页 |
| ·AMPSO 算法实现 | 第41-42页 |
| ·仿真实验与结果分析 | 第42-45页 |
| ·小结 | 第45-46页 |
| 第四章 基于 AMPSO 算法的 BP 网络训练算法设计 | 第46-55页 |
| ·基于 AMPSO 的 BP 网络设计 | 第46-52页 |
| ·粒子群结点定义 | 第46-50页 |
| ·PSO 自适应变异实现 | 第50-51页 |
| ·基于 AMPSO 的 BP 网络 | 第51-52页 |
| ·基于 AMPSO 的 BP 网络训练算法流程 | 第52-53页 |
| ·性能分析 | 第53-54页 |
| ·小结 | 第54-55页 |
| 第五章 BP 网络在入侵检测中的应用及仿真实验 | 第55-68页 |
| ·入侵检测技术 | 第56-58页 |
| ·KDD99 数据集概述 | 第58-61页 |
| ·仿真实验 | 第61-67页 |
| ·实验环境 | 第61页 |
| ·数据选取及处理 | 第61页 |
| ·参数设置 | 第61-63页 |
| ·仿真比较 | 第63-65页 |
| ·结果分析 | 第65-67页 |
| ·小结 | 第67-68页 |
| 第六章 总结及展望 | 第68-71页 |
| ·结论 | 第68-69页 |
| ·主要工作和创新点 | 第69-70页 |
| ·进一步的研究工作 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74-75页 |
| 附录（攻读学位期间发表论文目录） | 第75页 |