基于GA的SVM网络威胁频率预测方法
| 目录 | 第1-7页 |
| 图目录 | 第7-8页 |
| 表目录 | 第8-9页 |
| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第11-20页 |
| §1.1 研究背景 | 第11-13页 |
| ·网络安全的需求 | 第11-12页 |
| ·定量风险评估的需求 | 第12-13页 |
| §1.2 现状分析 | 第13-17页 |
| ·风险评估现状分析 | 第13-14页 |
| ·安全风险概率预测方法现状 | 第14-17页 |
| §1.3 本文主要研究工作和创新点 | 第17-18页 |
| §1.4 论文组织结构 | 第18-20页 |
| 第二章 SVM理论背景及时间序列预测方法研究 | 第20-37页 |
| §2.1 机器学习和统计学习理论 | 第20-22页 |
| ·机器学习 | 第20-21页 |
| ·统计学习 | 第21-22页 |
| §2.2 SVM | 第22-33页 |
| ·基于SVM的分类(SVC) | 第23-30页 |
| ·基于SVM的回归(SVR) | 第30-33页 |
| §2.3 时间序列预测方法 | 第33-35页 |
| §2.4 本文方案 | 第35-36页 |
| §2.5 本章小结 | 第36-37页 |
| 第三章 基于GA的SVM时间序列预测模型 | 第37-47页 |
| §3.1 SVM时间序列预测原理和误差评价方法 | 第37-38页 |
| §3.2 基于GA的SVM时间序列模型 | 第38-43页 |
| ·GA原理介绍 | 第38-39页 |
| ·基于GA的SVM模型选择 | 第39-40页 |
| ·算法流程 | 第40-41页 |
| ·实现过程 | 第41-43页 |
| §3.3 模型验证 | 第43-46页 |
| ·结果比较 | 第43-45页 |
| ·结果分析 | 第45-46页 |
| §3.4 与神经网络和交叉验证的SVM方法比较 | 第46页 |
| §3.5 本章小结 | 第46-47页 |
| 第四章 基于GA的SVM网络威胁频率预测 | 第47-57页 |
| §4.1 前言 | 第47页 |
| §4.2 基于GA的SVM网络威胁频率预测 | 第47-51页 |
| ·数据结构 | 第48页 |
| ·网络威胁频率预测 | 第48-51页 |
| §4.3 预测结果对比分析 | 第51页 |
| §4.4 SVM关键技术应用 | 第51-55页 |
| ·数据规格化 | 第51-54页 |
| ·顺序前进法 | 第54-55页 |
| §4.5 本章小结 | 第55-57页 |
| 第五章 结束语 | 第57-59页 |
| §5.1 本文工作总结 | 第57页 |
| §5.2 下一步工作 | 第57-59页 |
| 致谢 | 第59-60页 |
| 附录A:攻读硕士期间发表的论文 | 第60-61页 |
| 参考文献 | 第61-64页 |
