全文总字数：6481字

1. 研究目的与意义及国内外研究现状

选题目的：观察到目前生活中网络环境的威胁，所以想到做对系统的入侵检测。通过对各种信息的检测，从而发现入侵的种类。通过分析入侵检测的分类以及工作流程，发现可以通过神经网络对入侵检测进行分析。最先想到的就是通过bp神经网络对入侵检测的攻击类型进行分类。然而，通过对bp神经网络的研究发现，bp神经网络有容易陷入局部极小值、收敛速度慢等弱点。但是粒子群优化算法全局搜索能力强、还可以提高局部区域的收敛速度。针对bp神经网络的这些缺点，粒子群优化正好能完美解决这些缺点。由此便提出了基于粒子群优化算法优化bp神经网络的入侵检测模型。作为被优化后的bp神经网络模型，其实际应用领域更为广泛。我们把这种优化后的bp神经网络模型应用于网络入侵检测技术中，模拟识别网络的入侵检测类型，以验证其网络模型的性能，并实现其实际应用价值，使之能够较为准确的识别出入侵攻击所属类别。

选题意义：近十年来，人工神经网络的发展状况表明，这是一项有着广泛的应用前景的新型学科，它的发展对目前和未来的科学技术水平的提高将有着重要的影响。到目前为止，人们己经提出了上百种人工神经网络模型，学习算法更是层出不穷。其中，bp神经网络是其中最典型、应用最广泛的一种网络模型。它具有良好的非线性映射能力、自适应学习能力、并行信息处理能力、结构简单、技术成熟的优点，己在模式识别、智能控制、自适应滤波和信号处理、传感技术和机器人、非线性优化、知识处理、生物医学工程、金融预测和管理等方面的应用中取得了显著的成效。但人们在使用过程中发现bp神经网络也存在收敛速度慢、易陷入局部极小等缺陷，这些缺陷限制了bp网络的进一步发展和应用。针对传统即算法存在的一些不足，国内外的专家、学者做了大量的工作，提出了使用遗传算法、粒子群算法等作为bp网络的学习函数。特别是粒子群算法的应用，进一步加快了即网络的训练速度。粒子群算法不要求目标函数具有连续性，且它的搜索具有全局性和并行性，所以算法简单，收敛速度快，且不再有ga (genetic algorithm)算法的选择、交叉、变异等复杂操作。因此，研究bp神经网络模型，设计好的改进算法，特别是研究它与粒子群优化算法的结合，无论在学术上还是在应用上都具有十分重要的意义。

2. 研究的基本内容

本文的主要内容是研究分析基于使用粒子群优化算法改进的bp神经网络应用在入侵检测系统中的原理。考虑到bp神经网络和粒子群算法各自都有缺陷和优点，但是由于它们之间的缺陷又可以互补，于是想到探索一种使用粒子群优化算法优化bp神经网络的方法，能够将粒子群优化算法和bp算法有效的结合起来，得到更高效的bp算法。用matlab编程实现使用粒子群优化算法改进后的bp算法，最后将改进之后的算法应用到入侵检测的分类问题中，结合对比算法的结果进行分析。具体的研究内容如下：

1.研究了人工神经网络的基本知识：包括人工神经网络的生物学基础、人工神经元模型、人工神经网络的模型及特点、人工神经网络的学习方式，对人工神经网络进行全面的详细了解。

2.入侵检测系统：对入侵检测面临的问题和发展趋势进行叙述，详细描述出入侵检测系统的工作过程与评价入侵检测系统性能的标准。并且将入侵检测系统根据数据源、分析方法和响应方式进行分类。

3. 实施方案、进度安排及预期效果

4. 参考文献

[1] 王晓明．基于bp神经网络的入侵检测系统研究[d]．解放军信息工程大学．2014：9-38

[2] levchuk g，colonna-romano j，eslami m．application of graph-based semi-supervised learning for development of cyber cop and network intrusion detection[c]// spie defense security．international society for optics and photonics，2017：1-4

[3] 李菲．网络入侵检测系统的设计及实现分析[j]．电脑与信息技术， 2017：58-60