| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究背景与意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·本文主要研究内容和组织结构 | 第12-14页 |
| ·本章小结 | 第14-15页 |
| 第二章 异常数据挖掘概述 | 第15-23页 |
| ·异常数据的定义 | 第15页 |
| ·异常数据挖掘的方法 | 第15-21页 |
| ·基于分布的方法 | 第17页 |
| ·基于距离的方法 | 第17-18页 |
| ·基于密度的方法 | 第18-19页 |
| ·基于聚类的方法 | 第19-20页 |
| ·基于分类的方法 | 第20-21页 |
| ·异常数据挖掘的应用 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 一种基于聚类和快速计算的异常数据挖掘算法 | 第23-37页 |
| ·引言 | 第23页 |
| ·LOF 算法 | 第23-26页 |
| ·DBSCAN 算法 | 第26-27页 |
| ·lncLOF 算法 | 第27-29页 |
| ·基于聚类和快速计算的异常数据挖掘算法 | 第29-32页 |
| ·对原数据集进行聚类和计算局部异常因子 | 第29-30页 |
| ·对新增数据对象进行聚类 | 第30-31页 |
| ·对受影响的数据对象计算局部异常因子 | 第31-32页 |
| ·算法分析和实验结果 | 第32-34页 |
| ·算法执行时间分析 | 第32-33页 |
| ·异常数据挖掘精度分析 | 第33页 |
| ·实验结果 | 第33-34页 |
| ·本章小结 | 第34-37页 |
| 第四章 自动确定聚类数算法及其在网络入侵检测中的应用 | 第37-51页 |
| ·引言 | 第37页 |
| ·k-means 算法 | 第37-38页 |
| ·差分进化算法 | 第38-39页 |
| ·自动确定聚类数算法 | 第39-43页 |
| ·初始种群的生成 | 第40页 |
| ·聚类数目 k 和聚类中心的优化 | 第40-43页 |
| ·自动确定聚类数的算法在网络入侵检测中的应用 | 第43-44页 |
| ·异常数据检测算法 | 第43-44页 |
| ·异常检测模型 | 第44页 |
| ·实验与实验结果 | 第44-49页 |
| ·实验数据描述 | 第44-45页 |
| ·数据预处理 | 第45-46页 |
| ·实验结果与分析 | 第46-49页 |
| ·本章小结 | 第49-51页 |
| 第五章 基于萤火虫优化支持向量机参数的变压器异常故障诊断 | 第51-67页 |
| ·引言 | 第51页 |
| ·支持向量机 | 第51-55页 |
| ·线性支持向量机 | 第51-54页 |
| ·非线性支持向量机 | 第54-55页 |
| ·萤火虫优化算法 | 第55-56页 |
| ·算法描述 | 第55-56页 |
| ·基于萤火虫优化支持向量机的参数选择 | 第56-58页 |
| ·基于萤火虫优化支持向量机参数的变压器异常故障诊断 | 第58-60页 |
| ·基于二叉树的变压器异常故障诊断模型 | 第58-59页 |
| ·变压器异常故障诊断步骤 | 第59-60页 |
| ·实验结果分析及比较 | 第60-65页 |
| ·基于萤火虫优化支持向量机参数的故障诊断结果 | 第60-62页 |
| ·基于萤火虫优化支持向量机与 IEC 三比值法故障诊断结果比较 | 第62-63页 |
| ·基于萤火虫优化支持向量机与 BP 神经网络的故障诊断结果比较 | 第63-65页 |
| ·本章小结 | 第65-67页 |
| 第六章 主要结论与展望 | 第67-69页 |
| ·主要结论 | 第67页 |
| ·展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第73页 |
