论文目录 | |
摘要 | 第1-5页 |
abstract | 第5-8页 |
第一章 绪论 | 第8-12页 |
1.1 研究背景与意义 | 第8页 |
1.2 国内外研究现状 | 第8-9页 |
1.3 本文主要研究内容 | 第9-10页 |
1.4 论文组织结构 | 第10-12页 |
第二章 支持向量机理论在入侵检测系统中的研究 | 第12-25页 |
2.1 入侵检测系统概念 | 第12-16页 |
2.1.1 入侵检测系统的框架 | 第12-13页 |
2.1.2 入侵检测的分类 | 第13-14页 |
2.1.3 基于SVM的入侵检测方法 | 第14-16页 |
2.2 支持向量机的基本理论 | 第16-19页 |
2.2.1 学习问题的表示 | 第16-17页 |
2.2.2 经验风险最小化原则 | 第17页 |
2.2.3 VC维 | 第17-18页 |
2.2.4 推广性的界 | 第18页 |
2.2.5 结构风险最小化原则 | 第18-19页 |
2.3 线性可分和非线性可分支持向量分类机 | 第19-24页 |
2.3.1 最大间隔原则 | 第19-20页 |
2.3.2 对偶问题及其与原始问题的关系 | 第20-21页 |
2.3.3 线性可分的支持向量机分类算法 | 第21-22页 |
2.3.4 非线性SVM概述 | 第22-23页 |
2.3.5 核函数及选择 | 第23-24页 |
2.3.6 非线性SVM分类算法 | 第24页 |
2.4 本章小结 | 第24-25页 |
第三章 R-SVM降维和超球约减相结合的特征选择算法 | 第25-38页 |
3.1 网络入侵检测的数据集 | 第25-29页 |
3.1.1 KDD99数据集 | 第25-29页 |
3.1.2 数据集规范化 | 第29页 |
3.2 使用递归支持向量机(R-SVM)对数据集进行降维 | 第29-33页 |
3.2.1 递归支持向量机理论 | 第30-31页 |
3.2.2 实验结果分析 | 第31-33页 |
3.3 使用超球算法约减数据集 | 第33-37页 |
3.3.1 超球约减算法理论 | 第33-34页 |
3.3.2 超球约减算法的参数选择 | 第34-36页 |
3.3.3 实验结果分析 | 第36-37页 |
3.4 本章小结 | 第37-38页 |
第四章 基于R-SVM降维和超球约减的改进SVM增量学习算法 | 第38-51页 |
4.1 概述 | 第38页 |
4.2 支持向量集的概念及特点 | 第38-39页 |
4.3 SVM增量学习过程分析 | 第39-42页 |
4.3.1 增量学习对支持向量集变化的影响 | 第40-42页 |
4.4 现有的SVM增量学习算法 | 第42-46页 |
4.4.1 BatchSVM | 第42页 |
4.4.2 基于KKT条件的增量学习算法 | 第42-46页 |
4.5 基于超球约减和差错推动策略的改进SVM增量式学习算法 | 第46-50页 |
4.5.1 超球向量与差错推动策略 | 第47页 |
4.5.2 对原nSV集的处理 | 第47-48页 |
4.5.3 差错推动策略 | 第48-49页 |
4.5.4 本文算法描述 | 第49-50页 |
4.6 本章小结 | 第50-51页 |
第五章 实验和结果分析 | 第51-57页 |
5.1 实验使用的软硬件环境 | 第51页 |
5.2 实验结果的评价标准 | 第51-52页 |
5.3 基于R-SVM降维和超球约减相结合的SVM实验 | 第52-53页 |
5.4 基于R-SVM降维和超球约减相结合的改进SVM增量算法实验 | 第53-56页 |
5.5 本章小结 | 第56-57页 |
第六章 总结与展望 | 第57-58页 |
参考文献 | 第58-61页 |
附录1 攻读硕士学位期间申请的专利 | 第61-62页 |
致谢 | 第62页 |