| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 入侵检测方法研究现状 | 第11-12页 |
| 1.2.2 特征维度消减和SVM参数优化研究现状 | 第12-13页 |
| 1.3 本文主要的研究内容及组织结构 | 第13-15页 |
| 第二章 基本理论及算法 | 第15-25页 |
| 2.1 基本理论 | 第15-18页 |
| 2.1.1 群体智能算法概述 | 第15-16页 |
| 2.1.2 分类学习算法概述 | 第16-18页 |
| 2.2 支持向量机概述 | 第18-24页 |
| 2.2.1 支持向量机的基本思想 | 第18-23页 |
| 2.2.2 支持向量机与核函数 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 基于改进烟花算法的SVM的特征选择和参数优化 | 第25-40页 |
| 3.1 烟花算法 | 第25-28页 |
| 3.1.1 算法描述 | 第25-28页 |
| 3.1.2 算法特点及应用领域 | 第28页 |
| 3.2 基于二进制烟花算法的SVM的特征选择和参数优化 | 第28-32页 |
| 3.2.1 爆炸算子 | 第29-30页 |
| 3.2.2 变异算子 | 第30-31页 |
| 3.2.3 选择策略 | 第31页 |
| 3.2.4 适应度函数 | 第31-32页 |
| 3.2.5 算法流程 | 第32页 |
| 3.3 实验仿真 | 第32-39页 |
| 3.3.1 实验设置与测试数据集 | 第32-33页 |
| 3.3.2 实验结果与分析 | 第33-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于改进烟花算法和SVM融合的入侵检测系统 | 第40-54页 |
| 4.1 入侵检测 | 第40-41页 |
| 4.2 基于改进烟花算法和SVM融合的入侵检测模型 | 第41-46页 |
| 4.2.1 入侵检测模型 | 第41-42页 |
| 4.2.2 入侵实验数据集来源 | 第42-44页 |
| 4.2.3 数据预处理 | 第44-46页 |
| 4.2.4 模型性能评价标准 | 第46页 |
| 4.3 实验参数设置与实验结果 | 第46-53页 |
| 4.3.1 实验参数设置 | 第46-47页 |
| 4.3.2 实验一: 本文算法与SVM算法对比 | 第47-49页 |
| 4.3.3 实验二: 本文算法与相似算法对比 | 第49-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 论文工作总结 | 第54页 |
| 5.2 未来工作展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-63页 |
| 攻读硕士期间发表的学术论文 | 第63-64页 |
| 攻读硕士期间参加的科研项目 | 第64页 |
