试析向量一种采用粗糙集—遗传算法改善SVM网络入侵检测怎么

论文导读：
摘要：科学技术的不断进步，为网络的迅猛进展提供良好的环境，同时网络安全运转成为进展的瓶颈。入侵检测作为保障网络安全的一种有效手段，其性能的完善对网络安全有重要作用。入侵检测实质是分类，在统计学、机器学习、神经网络从及专家体系中，数据分类已经被深入探讨广泛运用。支持向量机（Support Vector Machine, SVM）是由Vapnik在1992年提出的一种机器学习办法。SVM是建立在VC维论述和最小化结构化风险基础上的一种新的数据分类办法，在处理高维数据、非线性数据方面体现出了良好的分类特性，由此，受到了普遍的关注并且成为机器学习中分类算法的典型代表。高维度和多属性是数据的自然属性，同时对分类器的速度和精度有很大的影响。为了提升支持向量机的分类性能和泛化能力，本论文主要探讨了基于粗糙集和遗传算法改善的支持向量机，结合标准数据库kdd99中的分类数据集进行了论述分析与实验探讨，鉴于粗糙集和遗传算法的优势，设计了基于粗糙集和遗传算法的支持向量机的分类模型，对分类的性能进行了分析探讨，取得了很好的分类效果。本论文的主要工作与成果有从下几个方面：首先，分析了当前网络入侵检测所采取的相关技术，重点对支持向量机的分类技术的进展形势进行了阐述。经过分析，支持向量机分类时，对训练数据有着的高维性和多属性不足处理办法，多数状况未考虑或考虑欠佳，对分类性能造成一定影响，尤其是在分类时间和分类精度上。然后，简介了粗糙集和遗传算法的相关论述基础知识。根据粗糙集和遗传算法的特征，发现粗糙集在降维方面表现了极大的优势；而遗传算法则在处理多属性不足上效果较佳。在此基础上提出了基于粗糙集和遗传算法改善的支持向量机分类办法。其次，探讨了基于粗糙集和遗传算法改善的支持向量机的办法。首先用粗糙集进行降维，以而去除无效的数据加速训练速度；接着用遗传算法进行属性约简，达到去除无关属性的效果，也加速了训练速度，同时分类精度也得到了提升，由此分类的性能得到极大的提升。最后，将此算法运用在标准kdd99的部分数据集中，实验分析说明该算法对网络入侵在检测速度和精度上有提升。关键词：粗糙集论文遗传算法论文支持向量机论文网络入侵检测论文
本论文由www.7ctime.com,需要可从关系人员哦。摘要3-5
Abstract5-10
1 绪论10-14

1.1 探讨背景10-11

1.2 入侵检测的进展与探讨近况分析11-12

1.3 探讨目的及作用12

1.4 主要探讨内容12

1.5 内容结构安排12-14

2 粗糙集和遗传算法论述14-24

2.1 粗糙集论述基础14-19

2.

1.1 粗糙集论述概述14-15

2.

1.2 粗糙集知识表达体系15

2.

1.3 粗糙集论述基本概念15-16

2.

1.4 粗糙集约简论述16-19

2.2 遗传算法论述基础19-22

2.1 遗传算法论述概述19-20

2.2 遗传算法基本概念极为功能20-21

2.3 遗传算法的基本原理21-22

2.3 粗糙集与遗传算法融合22-23

2.4 本章小结23-24

3 支持向量机（SVM）24-31

3.1 支持向量机的论述基础24-29

3.

1.1 支持向量机概述24

3.

1.2 线性状况[~43,44,45,46]24-27

3.

1.3 非线性状况[~46]27-29

3.2 改善支持向量机性能的训练和分类算法论述29-30
3.

2.1 训练算法论述29-30

3.

2.2 分类算法论述30

3.3 本章小结30-31
4 基于粗糙集和遗传算法改善的支持向量机31-39

4.1 基于支持向量机的入侵检测办法和不足分析31-33

4.

1.1 基于支持向量机的入侵检测办法31-33

4.

1.2 基于支持向量机的入侵检测不足分析33

4.2 融合粗糙集和遗传算法的算法模型33-38
4.

2.1 粗糙集算法模型34-35

4.

2.2 遗传算法模型35-36

4.

2.3 粗糙集和遗传算法的融合模型36-38

4.3 本章小结38-39
5 基于改善支持向量机的网络入侵检测探讨39-50

5.1 基于改善支持向量机的网络入侵检测模型39-40

5.2 模型的实验历程探讨40-49

5.

2.1 建立模型实验环境40-41

5.2论文导读：.2模型数据分析41-445.2.3模型数据预处理44-455.2.4模型数据归一化45-465.2.5模型数据降维46-475.2.6仿真实验47-495.2.7实验结果分析495.3本章小结49-506总结和展望50-526.1总结506.2展望50-52致谢52-54参考文献54-58攻读硕士期间发表的学术论文58上一页12
.2 模型数据分析41-44
5.

2.3 模型数据预处理44-45

5.

2.4 模型数据归一化45-46

5.

2.5 模型数据降维46-47

5.

2.6 仿真实验47-49

5.

2.7 实验结果分析49

5.3 本章小结49-50
6 总结和展望50-52

6.1 总结50

6.2 展望50-52

致谢52-54
参考文献54-58
攻读硕士期间发表的学术论文58