| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 大数据处理技术研究现状 | 第9-11页 |
| 1.2.2 农业气象灾害研究现状 | 第11-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-15页 |
| 第二章 气象大数据处理相关技术概述 | 第15-31页 |
| 2.1 气象大数据概述 | 第15-17页 |
| 2.1.1 气象大数据处理架构 | 第15-17页 |
| 2.1.2 气象大数据特点 | 第17页 |
| 2.2 气象大数据预处理技术概述 | 第17-22页 |
| 2.2.1 气象大数据预处理的研究内容 | 第18-19页 |
| 2.2.2 粗糙集理论模型 | 第19-20页 |
| 2.2.3 气象大数据知识约简 | 第20-22页 |
| 2.3 气象大数据挖掘相关技术概述 | 第22-26页 |
| 2.3.1 气象大数据挖掘过程 | 第22-23页 |
| 2.3.2 K最近邻分类算法 | 第23-25页 |
| 2.3.3 自适应增强技术 | 第25-26页 |
| 2.4 MapReduce技术概述 | 第26-30页 |
| 2.4.1 MapReduce执行过程 | 第27-29页 |
| 2.4.2 MapReduce作业处理机制 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于信息熵的并行化属性约简算法 | 第31-45页 |
| 3.1 问题描述 | 第31-32页 |
| 3.2 基于信息熵的并行化属性约简算法 | 第32-38页 |
| 3.2.1 信息熵约简 | 第32-36页 |
| 3.2.2 信息熵约简的并行化 | 第36-38页 |
| 3.3 仿真实验与结果分析 | 第38-44页 |
| 3.3.1 约简过程分析 | 第38-41页 |
| 3.3.2 算法性能分析 | 第41-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 基于MapReduce的K最近邻组合分类器研究 | 第45-58页 |
| 4.1 问题描述 | 第45-46页 |
| 4.2 基于MapReduce的KNN组合分类器 | 第46-53页 |
| 4.2.1 KNN组合分类器 | 第46-50页 |
| 4.2.2 KNN算法的并行化 | 第50-53页 |
| 4.3 仿真实验与结果分析 | 第53-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 大数据处理技术在农业气象灾害评估中的应用 | 第58-66页 |
| 5.1 问题描述 | 第58页 |
| 5.2 农业气象灾害风险评估 | 第58-64页 |
| 5.2.1 气象灾害等级指标 | 第59-60页 |
| 5.2.2 农业气象灾害风险指数 | 第60-61页 |
| 5.2.3 农业气象灾害评估结果 | 第61-64页 |
| 5.3 本章小结 | 第64-66页 |
| 第六章 总结与展望 | 第66-69页 |
| 6.1 工作总结 | 第66-67页 |
| 6.2 未来展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 作者简介 | 第76页 |