證據理論拓展及其在信息安全中的應用研究

目 錄
第1章 緒論\t1
1．1 DS證據理論解釋\t2
1．2 DS證據理論的應用領域\t4
1．2．1 目標識別\t4
1．2．2 故障診斷\t5
1．2．3 入侵檢測\t6
1．2．4 多屬性決策\t7
1．3 DS證據理論的若干問題\t8
1．3．1 證據合成方法\t8
1．3．2 合成近似快速算法\t9
1．3．3 異常證據檢測\t10
1．3．4 基本概率賦值\t11
1．4 本書的組織安排\t11
第2章 DS證據理論基本原理\t13
2．1 DS證據理論基礎知識\t14
2．1．1 識別框架\t14
2．1．2 基本概率賦值\t15
2．1．3 信任函數\t16
2．1．4 眾信度函數\t17
2．1．5 似然函數\t18
2．1．6 幾種函數之間的關系\t19
2．2 證據合成規(guī)則\t20
2．2．1 兩個證據的合成\t20
2．2．2 多個證據的合成\t23
2．2．3 合成的基本性質\t25
2．3 證據折扣\t27
2．4 DS證據理論決策規(guī)則\t27
2．4．1 基于信任函數的決策\t27
2．4．2 基于最小風險的決策\t27
2．4．3 基于基本概率賦值的決策\t28
2．5 DS證據理論與其他信息融合
方法的比較\t28
2．5．1 DS證據理論和貝葉斯方法\t28
2．5．2 DS證據理論和模糊集理論\t29
2．5．3 DS證據理論和粗糙集理論\t29
2．6 本章小結\t30
第3章 基本概率賦值確定方法\t31
3．1 常見基本概率賦值確定方法
及分析\t31
3．1．1 根據目標類型數和環(huán)境
加權系數確定基本概率
賦值\t31
3．1．2 利用統(tǒng)計證據獲取基本
概率賦值\t32
3．1．3 利用目標速度和加速度
獲取基本概率賦值\t34
3．1．4 利用目標身份（TID）
獲取基本概率賦值\t34
3．1．5 根據模式之間的相似度
獲取基本概率賦值\t34
3．1．6 根據模糊隸屬度獲取基
本概率賦值\t35
3．2 基于BP神經網絡的DS證據
理論及其應用\t35
3．2．1 BP神經網絡的基本知識\t35
3．2．2 基于BP神經網絡的DS
證據理論及其信息融合
模型\t36
3．2．3 案例分析\t38
3．3 本章小結\t41
第4章 證據合成規(guī)則改進與優(yōu)化\t42
4．1 DS證據理論證據合成規(guī)則
正常應用與失效的案例\t42
4．1．1 正常證據\t42
4．1．2 等可能性證據\t43
4．1．3 高沖突證據\t44
4．1．4 完全沖突證據\t44
4．1．5 證據沖突產生的原因\t44
4．1．6 DS證據理論證據合成規(guī)則
的靈敏度分析\t45
4．2 合成規(guī)則改進與優(yōu)化\t47
4．2．1 Yager改進方法\t48
4．2．2 Smets改進方法\t48
4．2．3 Dubois改進方法\t48
4．2．4 Toshiyuki改進方法\t49
4．2．5 Murphy的平均法\t49
4．2．6 鄧勇的改進方法\t49
4．2．7 孫全的加權和方法\t50
4．2．8 張山鷹的改進方法\t51
4．3 引入優(yōu)先因子的證據合成
方法\t53
4．3．1 優(yōu)先因子的定義\t54
4．3．2 優(yōu)先因子的確定\t54
4．3．3 引入優(yōu)先因子的證據合成
方法\t55
4．3．4 案例分析\t56
4．4 引入權重因子的證據合成
方法\t58
4．4．1 證據合成模型\t58
4．4．2 證據合成步驟\t58
4．4．3 權重因子對合成結果的
影響分析\t60
4．4．4 案例分析\t61
4．5 基于熵權的證據合成方法\t62
4．5．1 熵理論的基本概念\t63
4．5．2 熵權的確定\t63
4．5．3 證據合成方法\t64
4．5．4 案例分析\t65
4．6 基于證據距離的證據合成
方法\t66
4．6．1 距離優(yōu)化函數及合成方法\t66
4．6．2 案例分析\t67
4．7 本章小結\t69
第5章 DS證據理論的近似算法\t70
5．1 近似算法論證\t70
5．1．1 DS證據理論證據合成計算
復雜度問題\t70
5．1．2 理論論證\t71
5．2 經典近似算法\t73
5．2．1 Bayesian近似算法\t73
5．2．2 (k，l，x)近似算法\t74
5．2．3 基于遺傳算法的近似算法\t74
5．3 基于基本概率賦值再分配
策略的近似算法\t76
5．3．1 幾個重要的函數\t76
5．3．2 焦元的控制規(guī)則\t76
5．3．3 拋棄焦元基本概率賦值的
再分配及算法描述\t77
5．3．4 案例分析\t79
5．4 本章小結\t81
第6章 基于DS證據理論和層次
分析法的信息融合方法\t82
6．1 層次分析法\t82
6．2 基于DS證據理論/AHP的
信息融合方法\t85
6．2．1 問題描述\t85
6．2．2 DS證據理論/AHP的信息
融合方法\t86
6．3 改進DS證據理論/AHP信息
融合方法\t90
6．3．1 識別框架的建立\t90
6．3．2 證據選擇\t90
6．3．3 基本概率賦值計算\t90
6．3．4 證據合成\t94
6．3．5 決策規(guī)則\t94
6．4 DS證據理論/AHP的分析\t94
6．4．1 DS證據理論/AHP的比對
次數分析\t95
6．4．2 基本概率賦值性質分析\t96
6．4．3 DS證據理論/AHP的不
確定性分析\t97
6．4．4 DS證據理論/AHP的沖突
分析\t98
6．5 案例分析\t100
6．6 本章小結\t103
第7章 區(qū)間型證據合成方法研究\t105
7．1 區(qū)間數基礎知識\t105
7．1．1 區(qū)間數的定義及其運算\t106
7．1．2 區(qū)間數的距離及其性質\t107
7．2 廣義求和與廣義乘積\t111
7．2．1 廣義求和算子與廣義乘積
算子定義\t111
7．2．2 基于區(qū)間數的廣義求和算子
與廣義乘積算子\t113
7．3 基于區(qū)間數的DS證據
理論\t113
7．3．1 基于區(qū)間數的基本概率
賦值\t114
7．3．2 基于區(qū)間數的信任函數\t115
7．3．3 基于區(qū)間數的似然函數\t116
7．4 證據合成\t116
7．4．1 兩個證據的合成\t116
7．4．2 多個證據的合成\t117
7．4．3 區(qū)間數的比較\t117
7．5 案例分析\t117
7．5．1 情況1\t118
7．5．2 情況2\t120
7．6 本章小結\t122
第8章 證據聚類與異常證據檢測
算法\t124
8．1 聚類分析\t125
8．1．1 聚類的定義\t126
8．1．2 聚類的相似性測度\t126
8．1．3 聚類算法\t127
8．1．4 描述聚類的特征\t130
8．2 證據聚類問題的描述\t131
8．2．1 基本定義\t132
8．2．2 聚類準則\t132
8．3 基于證據距離的證據聚類
方法\t133
8．3．1 距離優(yōu)化法\t133
8．3．2 證據聚類模型\t134
8．3．3 證據質心向量\t134
8．3．4 聚類步驟\t135
8．3．5 案例分析\t136
8．4 基于互/自沖突量分析的
證據聚類方法\t138
8．4．1 聚類步驟\t138
8．4．2 案例分析\t139
8．5 異常證據檢測\t140
8．5．1 異常證據的概念\t141
8．5．2 基于證據距離和沖突
程度的異常證據檢測
算法\t142
8．5．3 基于投影分解與KNN的
異常證據檢測算法\t142
8．5．4 異常證據分析\t148
8．6 本章小結\t148
第9章 DS證據理論在信息安全中的
應用\t150
9．1 基于DS證據理論和粗糙集
理論的入侵檢測方法\t150
9．1．1 入侵檢測\t151
9．1．2 粗糙集理論基礎知識\t152
9．1．3 混合入侵檢測模型\t152
9．1．4 案例分析\t154
9．2 基于動態(tài)更新證據支持度的
節(jié)點信任評估方法\t156
9．2．1 信任管理\t156
9．2．2 信任評估基礎知識\t158
9．2．3 基于動態(tài)信任支持度的
WSN信任評估方法\t160
9．2．4 仿真結果與分析\t161
9．3 不完全信息下可生存網絡
存儲系統(tǒng)方案優(yōu)選\t163
9．3．1 網絡可生存性\t163
9．3．2 多屬性決策基礎知識\t164
9．3．3 可生存網絡存儲系統(tǒng)方案
優(yōu)選模型與方法\t165
9．3．4 評估案例與分析\t168
9．4 分布式環(huán)境下信任路徑
選擇性搜索及聚合\t169
9．4．1 信任路徑選擇\t171
9．4．2 信任路徑選擇性搜索策略
及聚合算法\t171
9．4．3 基于改進DS證據理論的
信任路徑合成算法\t175
9．4．4 案例及仿真分析\t177
9．5 本章小結\t181
參考文獻\t182