特征提取与集成学习算法的研究及应用
| 致谢 | 第1-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-14页 |
| 插图和附表清单 | 第14-16页 |
| 缩写清单 | 第16-17页 |
| 1 引言 | 第17-31页 |
| ·课题的背景及应用 | 第17-18页 |
| ·文献综述 | 第18-26页 |
| ·集成学习研究现状 | 第18-23页 |
| ·集成学习算法存在的问题 | 第23-25页 |
| ·集成学习与特征提取 | 第25-26页 |
| ·特征提取存在的问题 | 第26页 |
| ·论文的主要研究工作 | 第26-28页 |
| ·论文的创新之处 | 第28-29页 |
| ·论文的组织结构 | 第29-31页 |
| 2 基于最大间隔超平面的增强特征提取算法 | 第31-50页 |
| ·问题提出 | 第31页 |
| ·相关研究 | 第31-32页 |
| ·特征提取问题与算法 | 第32-36页 |
| ·KPCA特征提取算法 | 第33页 |
| ·MLP特征提取算法 | 第33-34页 |
| ·多维尺度算法 | 第34页 |
| ·ISOMAP算法 | 第34-35页 |
| ·最大方差展开算法 | 第35页 |
| ·扩散映射框架 | 第35页 |
| ·局部线性嵌入 | 第35-36页 |
| ·增强的特征提取方法 | 第36-39页 |
| ·仿真实验 | 第39-49页 |
| ·实验一 | 第39-43页 |
| ·实验二 | 第43-49页 |
| ·仿真实验 | 第49-50页 |
| 3 强健特征提取算法 | 第50-62页 |
| ·问题的提出 | 第50页 |
| ·相关研究 | 第50-52页 |
| ·强健特征提取方法 | 第52-55页 |
| ·仿真实验 | 第55-61页 |
| ·本章小结 | 第61-62页 |
| 4 基于数据特点的改进SVM集成学习算法 | 第62-77页 |
| ·问题提出 | 第62页 |
| ·相关研究 | 第62-63页 |
| ·支持向量机SVM | 第63-66页 |
| ·支持向量 | 第63-64页 |
| ·内核函数的几何特性 | 第64-66页 |
| ·SVM的间隔分布 | 第66-69页 |
| ·改进的SVM算法 | 第69-70页 |
| ·仿真实验 | 第70-75页 |
| ·本章小结 | 第75-77页 |
| 5 基于数据特点的增强聚类集成学习算法 | 第77-88页 |
| ·问题提出 | 第77页 |
| ·相关研究 | 第77-78页 |
| ·聚类集成问题 | 第78-79页 |
| ·ECECD算法 | 第79-82页 |
| ·基聚类器生成 | 第79页 |
| ·基聚类器选择 | 第79-81页 |
| ·共识函数 | 第81-82页 |
| ·ECECD算法步骤 | 第82页 |
| ·仿真实验 | 第82-87页 |
| ·本章小结 | 第87-88页 |
| 6 特征提取与集成学习算法在入侵检测中的应用 | 第88-101页 |
| ·问题的提出 | 第88页 |
| ·相关研究 | 第88-90页 |
| ·整合分类器 | 第90-93页 |
| ·决策轮廓矩阵 | 第90页 |
| ·静态整合器 | 第90-91页 |
| ·动态整合器 | 第91-92页 |
| ·独立特征子集整合器 | 第92-93页 |
| ·集成IDS模型 | 第93-96页 |
| ·入侵检测实验 | 第96-100页 |
| ·数据预处理 | 第96页 |
| ·实验结果 | 第96-100页 |
| ·本章小结 | 第100-101页 |
| 7 结论与展望 | 第101-105页 |
| ·结论 | 第101-103页 |
| ·展望 | 第103-105页 |
| 参考文献 | 第105-118页 |
| 作者简历及在学研究成果 | 第118-121页 |
| 学位论文数据集 | 第121页 |
