| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 研究状况 | 第15-17页 |
| 1.3 本文工作 | 第17-19页 |
| 1.3.1 研究内容 | 第17页 |
| 1.3.2 论文结构安排 | 第17-19页 |
| 第2章 入侵检测技术简介 | 第19-30页 |
| 2.1 入侵检测技术的发展 | 第19-20页 |
| 2.2 入侵检测模型 | 第20-22页 |
| 2.2.1 Denning入侵检测模型 | 第20-22页 |
| 2.2.2 CFID入侵检测模型 | 第22页 |
| 2.3 入侵检测分类 | 第22-28页 |
| 2.4 入侵检测存在的问题及发展方向 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 核极限学习机理论概述 | 第30-37页 |
| 3.1 核学习方法 | 第30-31页 |
| 3.1.1 核学习原理及性质 | 第30页 |
| 3.1.2 核学习理论的发展 | 第30-31页 |
| 3.2 核极限学习机理论(KELM) | 第31-36页 |
| 3.2.1 单隐含层前馈神经网络 (SLFN) | 第31-32页 |
| 3.2.2 极限学习机(ELM) | 第32-33页 |
| 3.2.3 核极限学习机(KELM) | 第33-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第4章 粒子群优化算法 | 第37-45页 |
| 4.1 粒子群优化(PSO)的原理 | 第37-39页 |
| 4.2 粒子群算法分析 | 第39-41页 |
| 4.3 粒子群算法的改进(IPSO) | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 基于核极限学习机和粒子群优化的入侵检测研究 | 第45-55页 |
| 5.1 基于核极限学习机与粒子群优化算法的入侵检测模型 | 第45-51页 |
| 5.1.1 构造多核核函数(MK) | 第46-47页 |
| 5.1.2 数据聚类处理 | 第47-49页 |
| 5.1.3 多核极限学习机的参数优化 | 第49-51页 |
| 5.2 IPMeans-PKELM算法的设计与实现 | 第51-54页 |
| 5.3 本章小结 | 第54-55页 |
| 第6章 仿真实验与结果分析 | 第55-69页 |
| 6.1 检测系统评价标准 | 第55-56页 |
| 6.2 仿真实验 | 第56-67页 |
| 6.2.1 实验环境 | 第56页 |
| 6.2.2 实验数据采集 | 第56-59页 |
| 6.2.3 数据预处理 | 第59-60页 |
| 6.2.4 IPMeans-PKELM的实验与结果分析 | 第60-67页 |
| 6.3 本章小结 | 第67-69页 |
| 结论与展望 | 第69-71页 |
| 论文总结 | 第69-70页 |
| 工作展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士期间发表的论文 | 第75-76页 |
| 致谢 | 第76-77页 |
| 详细摘要 | 第77-81页 |
