基于迁移学习的P2P流量识别研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究目的及意义 | 第10-11页 |
| 1.2 课题研究内容 | 第11-12页 |
| 1.3 论文结构安排 | 第12-14页 |
| 第二章 迁移学习及P2P流量识别技术 | 第14-26页 |
| 2.1 P2P流量识别技术 | 第14-20页 |
| 2.1.1 P2P基本原理 | 第14-15页 |
| 2.1.2 P2P流量识别技术 | 第15-17页 |
| 2.1.3 识别技术中的机器学习方法 | 第17-20页 |
| 2.2 迁移学习 | 第20-23页 |
| 2.2.1 迁移学习基本原理 | 第20-21页 |
| 2.2.2 迁移学习的方法和分类 | 第21-22页 |
| 2.2.3 迁移学习的应用 | 第22-23页 |
| 2.3 本章小结 | 第23-26页 |
| 第三章 基于提升的迁移学习方法改进算法 | 第26-40页 |
| 3.1 基于提升的迁移学习算法 | 第26-34页 |
| 3.1.1 基于提升的机器学习算法 | 第26-28页 |
| 3.1.2 基于提升的迁移学习算法 | 第28-31页 |
| 3.1.3 数据集与特征选取 | 第31-32页 |
| 3.1.4 算法性能与仿真 | 第32-34页 |
| 3.2 基于提升算法的改进算法 | 第34-39页 |
| 3.2.1 基于错误率的改进算法 | 第34-37页 |
| 3.2.2 改进算法性能与仿真 | 第37-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第四章 基于近邻法的迁移学习方法及改进算法 | 第40-54页 |
| 4.1 基于K近邻的迁移学习算法 | 第40-46页 |
| 4.1.1 近邻法的基本原理 | 第40-43页 |
| 4.1.2 基于K近邻的迁移学习算法 | 第43-44页 |
| 4.1.3 算法性能与仿真 | 第44-46页 |
| 4.2 基于奇异值分解的改进K近邻算法 | 第46-52页 |
| 4.2.1 奇异值及相关定理 | 第46-48页 |
| 4.2.2 利用奇异值分解改进K近邻法 | 第48-50页 |
| 4.2.3 改进算法性能与仿真 | 第50-52页 |
| 4.3 本章小结 | 第52-54页 |
| 第五章 基于迁移学习的P2P流量识别系统的实现 | 第54-58页 |
| 5.1 基于Java的迁移学习系统 | 第54-56页 |
| 5.2 使用流程及仿真验证 | 第56-57页 |
| 5.3 本章小结 | 第57-58页 |
| 第六章 总结及展望 | 第58-60页 |
| 6.1 论文工作总结 | 第58-59页 |
| 6.2 后续工作展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62-64页 |
| 作者攻读学位期间发表的学术论文目录 | 第64页 |
