基于极限学习机的异常模式识别

中文摘要	第3-4页
Abstract	第4-5页
第一章 绪论	第9-20页
1.1 研究背景、难点及应用价值	第9-10页
1.1.1 研究背景	第9页
1.1.2 应用价值	第9-10页
1.2 国内外研究现状	第10-16页
1.2.1 统计学方法	第10-11页
1.2.2 支持向量机	第11-13页
1.2.3 人工神经网络	第13-14页
1.2.4 决策树	第14-15页
1.2.5 混合方法	第15-16页
1.3 异常模式识别的难点	第16-17页
1.4 本文的主要工作	第17-18页
1.5 本文组织结构	第18-20页
第二章 算法总体框架	第20-32页
2.1 串行分类架构算法框架	第20-25页
2.1.1 数据预处理	第21-22页
2.1.2 训练二分类器	第22-24页
2.1.3 串行分类架构的识别过程	第24-25页
2.2 并行分类架构算法框架	第25-28页
2.2.1 并行分类架构的识别过程	第27-28页
2.3 ELM训练算法及流程	第28-30页
2.4 本章小结	第30-32页
第三章 基于串行分类架构的网络攻击识别	第32-51页
3.1 引言	第32页
3.2 串行分类架构的训练算法	第32-35页
3.2.1 非数值属性的转换	第34页
3.2.2 属性的归一化	第34页
3.2.3 将多分类训练数据集转化为二分类数据集	第34页
3.2.4 确定训练参数	第34页
3.2.5 使用确定的参数训练二分类器	第34-35页
3.2.6 串行架构中二分类器的排序	第35页
3.3 实验条件介绍	第35-37页
3.3.1 数据集介绍	第35-37页
3.3.2 运行环境介绍	第37页
3.4 数据预处理的实施与实验结果	第37-40页
3.4.1 非数值属性的转换	第37-39页
3.4.2 属性的归一化	第39-40页
3.5 训练二分类器的实施与实验结果	第40-47页
3.5.1 数据集转换	第40-41页
3.5.2 确定训练参数	第41-47页
3.5.3 二分类器的训练结果	第47页
3.6 实施与实验结果	第47-50页
3.6.1 本实验的串行分类架构	第47-48页
3.6.2 实验结果及比较	第48-50页
3.7 本章小结	第50-51页
第四章 基于并行分类架构的网络攻击识别	第51-63页
4.1 引言	第51页
4.2 实验条件介绍	第51-54页
4.2.1 数据集介绍	第51-54页
4.2.2 运行环境介绍	第54页
4.3 训练二分类器的实施与实验结果	第54-56页
4.3.1 确定训练参数	第55页
4.3.2 训练二分类器	第55-56页
4.4 实施与实验结果	第56-61页
4.4.1 本实验的并行分类架构	第56-57页
4.4.2 实验结果及比较	第57-61页
4.5 本章小结	第61-63页
第五章 并行分类架构的乳腺癌检测	第63-71页
5.1 引言	第63页
5.2 实验条件介绍	第63-66页
5.2.1 数据集介绍	第63-65页
5.2.2 运行环境介绍	第65-66页
5.3 数据的预处理的实施与实验结果	第66-67页
5.3.1 属性的归一化	第66-67页
5.4 二分类器的训练的实施与实验结果	第67-68页
5.4.1 数据集转换	第67-68页
5.4.2 训练二分类器	第68页
5.5 实施与实验结果	第68-70页
5.5.1 本实验的并行分类架构	第69页
5.5.2 实验结果及比较	第69-70页
5.6 本章小结	第70-71页
第六章 总结与展望	第71-73页
参考文献	第73-77页
致谢	第77-78页
个人简历	第78-79页
在读期间已发表和录用的论文	第79页