理工類(lèi)開(kāi)題報(bào)告范文

　　在現(xiàn)實(shí)生活中，我們使用報(bào)告的情況越來(lái)越多，其在寫(xiě)作上有一定的技巧。你所見(jiàn)過(guò)的報(bào)告是什么樣的呢？下面是小編為大家整理的理工類(lèi)開(kāi)題報(bào)告范文，歡迎大家借鑒與參考，希望對(duì)大家有所幫助。

　　一、論文的研究?jī)?nèi)容

　　論文的研究?jī)?nèi)容包括兩個(gè)方面：一是研究新的高效的聚類(lèi)算法;一是把已有的聚類(lèi)算法或論文提出的新算法和入侵檢測(cè)技術(shù)相結(jié)合，從而提出一個(gè)好的入侵檢測(cè)模型。具體的研究?jī)?nèi)容包括以下幾個(gè)點(diǎn)：

　　第一、針對(duì)聚類(lèi)算法的研究問(wèn)題：

　　1、如何提高算法的可擴(kuò)展性

　　許多聚類(lèi)算法在小于200個(gè)數(shù)據(jù)對(duì)象的小數(shù)據(jù)集上是高效率的，但是無(wú)法處理一個(gè)大規(guī)模數(shù)據(jù)庫(kù)里的海量對(duì)象。現(xiàn)有的聚類(lèi)算法只有極少數(shù)適合處理大數(shù)據(jù)集，而且只能處理數(shù)值型數(shù)據(jù)對(duì)象，無(wú)法分析具有類(lèi)屬性的數(shù)據(jù)對(duì)象。

　　2、如何處理離群點(diǎn)

　　在實(shí)際應(yīng)用中，估計(jì)數(shù)據(jù)集中的離群點(diǎn)可能是非常困難的，很多算法通常丟棄增長(zhǎng)緩慢的簇，這樣的簇趨向于代表離群點(diǎn)。然而在某些應(yīng)用中，用戶(hù)可能對(duì)相對(duì)較小的簇比較感興趣，比如入侵檢測(cè)中，這些小的簇可能代表異常行為，那么我們需要考慮在對(duì)算法影響更小的前提下，如何更好的處理這些離群點(diǎn)。

　　3、研究適合具有類(lèi)屬性數(shù)據(jù)的聚類(lèi)算法的有效性

　　對(duì)聚類(lèi)分析而言，有效性問(wèn)題通常可以轉(zhuǎn)換為最佳類(lèi)別數(shù)k的決策。而目前有關(guān)聚類(lèi)算法的有效性分析，大都集中在對(duì)數(shù)值數(shù)據(jù)的聚類(lèi)方式分析上。對(duì)于具有類(lèi)屬性的數(shù)據(jù)聚類(lèi)，還沒(méi)有行之有效的分析方法。

　　第二、針對(duì)聚類(lèi)算法在ids應(yīng)用中的研究問(wèn)題：

　　1、如何結(jié)合聚類(lèi)技術(shù)和入侵檢測(cè)技術(shù)取得更好的效果

　　很多的聚類(lèi)算法都已經(jīng)和ids應(yīng)用環(huán)境結(jié)合起來(lái)了，很多研究者對(duì)前人提出的算法作出改進(jìn)后，應(yīng)用到ids系統(tǒng)中去，或者提出一個(gè)全新的算法來(lái)適應(yīng)ids的要求。隨著聚類(lèi)技術(shù)的不斷發(fā)展，聚類(lèi)技術(shù)在入侵檢測(cè)中的應(yīng)用將是一個(gè)很有前景的工作。我們需要把更好的聚類(lèi)技術(shù)成果應(yīng)用到入侵檢測(cè)中。

　　2、利用聚類(lèi)技術(shù)處理入侵檢測(cè)中的頻繁誤警

　　雖然入侵檢測(cè)是重要的安全措施，然而它常常觸發(fā)大量的誤警，使得安全管理員不堪重負(fù)，事實(shí)上，大量的誤警是重復(fù)發(fā)生并且頻繁發(fā)生的，可以利用聚類(lèi)技術(shù)來(lái)尋找導(dǎo)致ids產(chǎn)生大量誤警的本質(zhì)原因。

　　二、學(xué)位論文研究依據(jù)

　　學(xué)位論文的選題依據(jù)和研究意義，以及國(guó)內(nèi)外研究現(xiàn)狀和發(fā)展趨勢(shì)

　　聚類(lèi)分析研究已經(jīng)有很長(zhǎng)的歷史，其重要性及其與其他研究方向的交叉特性已經(jīng)得到了研究者的充分肯定。對(duì)聚類(lèi)算法的研究必將推動(dòng)相關(guān)學(xué)科向前發(fā)展。另外，聚類(lèi)技術(shù)已經(jīng)活躍在廣泛的應(yīng)用領(lǐng)域。作為與信息安全專(zhuān)業(yè)的交叉學(xué)科，近年來(lái)，聚類(lèi)算法在入侵檢測(cè)方面也得到大量的應(yīng)用。然而，聚類(lèi)算法雖取得了長(zhǎng)足的發(fā)展，但仍有一些未解決的問(wèn)題。同時(shí)，聚類(lèi)算法在某些應(yīng)用領(lǐng)域還沒(méi)有充分的發(fā)揮作用，聚類(lèi)技術(shù)和入侵檢測(cè)技術(shù)結(jié)合得還不夠完善。在這種背景下，我們認(rèn)為，論文的選題是非常有意義的。

　　本論文研究的內(nèi)容主要包括兩個(gè)方面：聚類(lèi)算法的研究以及聚類(lèi)算法在入侵檢測(cè)中的應(yīng)用。下面從兩個(gè)方面闡述國(guó)內(nèi)外這兩個(gè)方面的發(fā)展現(xiàn)狀和趨勢(shì)：

　　前人已經(jīng)提出很多聚類(lèi)算法，然而沒(méi)有任何一種聚類(lèi)算法可以普遍適用于揭示各種多維數(shù)據(jù)集所呈現(xiàn)出來(lái)的多種多樣的結(jié)構(gòu)，根據(jù)數(shù)據(jù)在聚類(lèi)中的積聚規(guī)則以及應(yīng)用這些規(guī)則的方法，可以將聚類(lèi)算法分為以下幾種：

　　1.劃分聚類(lèi)算法

　　劃分聚類(lèi)算法需要預(yù)先指定聚類(lèi)數(shù)目或聚類(lèi)中心，通過(guò)反復(fù)迭代運(yùn)算，逐步降低目標(biāo)函數(shù)的誤差值，當(dāng)目標(biāo)函數(shù)收斂時(shí)，得到最終的聚類(lèi)結(jié)果，劃分聚類(lèi)算法典型代表是k-means算法[1]和k-modoids算法。這些算法處理過(guò)程簡(jiǎn)單，運(yùn)行效率好，但是存在對(duì)聚類(lèi)數(shù)目的依賴(lài)性和退化性。迄今為止，許多聚類(lèi)任務(wù)都選擇這兩個(gè)經(jīng)典算法，針對(duì)k-means及k-modoids的固有弱點(diǎn)，也出現(xiàn)了的不少改進(jìn)版本。

　　2.層次聚類(lèi)算法

　　又稱(chēng)樹(shù)聚類(lèi)算法，它使用數(shù)據(jù)的聯(lián)接規(guī)則，透過(guò)一種層次的架構(gòu)方式，反復(fù)將數(shù)據(jù)進(jìn)行分裂和聚合，以形成一個(gè)層次序列的聚類(lèi)問(wèn)題解。由于層次聚類(lèi)算法的計(jì)算復(fù)雜性比較高，所以適合于小型數(shù)據(jù)集的聚類(lèi)。20xx年，gelbard等人有提出一種新的層次聚合算法，稱(chēng)為正二進(jìn)制方法。該方法把待分類(lèi)數(shù)據(jù)以正的二進(jìn)制形式存儲(chǔ)在二維矩陣中，他們認(rèn)為，將原始數(shù)據(jù)轉(zhuǎn)換成正二進(jìn)制會(huì)改善聚類(lèi)結(jié)果的正確率和聚類(lèi)的魯棒性，對(duì)于層次聚類(lèi)算法尤其如此。kumar等人[9]面向連續(xù)數(shù)據(jù)提出一種新的基于不可分辨粗聚合的層次聚類(lèi)算法，既考慮了項(xiàng)的出現(xiàn)次序又考慮了集合內(nèi)容，該算法能有效挖掘連續(xù)數(shù)據(jù)，并刻畫(huà)類(lèi)簇的主要特性。

　　3.基于密度-網(wǎng)格的聚類(lèi)算法

　　與傳統(tǒng)的聚類(lèi)方法不同：基于密度的聚類(lèi)算法，通過(guò)數(shù)據(jù)密度來(lái)發(fā)現(xiàn)任意形狀的類(lèi)簇;基于網(wǎng)格的聚類(lèi)算法，使用一個(gè)網(wǎng)格結(jié)構(gòu)，圍繞模式組織由矩形塊劃分的值空間，基于塊的分布信息實(shí)現(xiàn)模式聚類(lèi)，基于網(wǎng)格的聚類(lèi)算法常常與其他方法相結(jié)合，特別是與基于密度的聚類(lèi)方法相結(jié)合�；�于網(wǎng)格和密度的聚類(lèi)方法在以空間信息處理為代表的眾多領(lǐng)域有著廣泛的應(yīng)用。特別是伴隨著近來(lái)處理大規(guī)模數(shù)據(jù)集、可伸縮的聚類(lèi)方法的開(kāi)發(fā)，它在空間數(shù)據(jù)挖掘研究子域日趨活躍。