| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 数据流的性质及数据流聚类与静态聚类的不同 | 第15页 |
| 1.2.2 数据流聚类技术的发展 | 第15-17页 |
| 1.2.3 现有基于密度的数据流聚类算法的不足 | 第17页 |
| 1.3 本文研究内容 | 第17-18页 |
| 第二章 数据流聚类分析 | 第18-28页 |
| 2.1 数据流聚类的定义 | 第18-20页 |
| 2.2 数据流聚类的模型 | 第20-21页 |
| 2.3 数据流聚类的常用算法及优缺点 | 第21-24页 |
| 2.4 分布式数据流聚类概述 | 第24-27页 |
| 2.4.1 分布式数据挖掘概述 | 第24-26页 |
| 2.4.2 分布式数据流聚类算法的研究概述 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于星型网格的数据流聚类算法：GDH-Stream算法 | 第28-50页 |
| 3.1 GDH-Stream算法的主要思想 | 第28页 |
| 3.2 GDH-Stream算法的主要概念 | 第28-35页 |
| 3.2.1 数据的空间分布信息 | 第28-32页 |
| 3.2.2 网格密度 | 第32-33页 |
| 3.2.3 网格的星型结构 | 第33-35页 |
| 3.3 GDH-Stream算法 | 第35-43页 |
| 3.3.1 算法的主要步骤 | 第35页 |
| 3.3.2 微簇的形成 | 第35-41页 |
| 3.3.3 聚类间隔时间gap的确定方法 | 第41-43页 |
| 3.3.4 算法的性能分析 | 第43页 |
| 3.4 实验设计与分析 | 第43-49页 |
| 3.4.1 实验设计 | 第43-44页 |
| 3.4.2 识别不断变化的数据流 | 第44-47页 |
| 3.4.3 算法效率的比较 | 第47-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 基于改进网格密度的分布式数据流聚类算法：DGDH-Stream算法 | 第50-66页 |
| 4.1 问题提出 | 第50-51页 |
| 4.2 相关研究基础 | 第51-52页 |
| 4.2.1 分布式环境下的数据处理方式 | 第51-52页 |
| 4.2.2 分布式数据流聚类研究进展 | 第52页 |
| 4.3 DGDH-Stream算法 | 第52-61页 |
| 4.3.1 分布式数据流聚类模型 | 第53页 |
| 4.3.2 算法的主要步骤 | 第53-54页 |
| 4.3.3 局部聚类和微簇的压缩 | 第54-59页 |
| 4.3.4 全局聚类 | 第59-60页 |
| 4.3.5 全局聚类结果的更新 | 第60-61页 |
| 4.4 实验设计与分析 | 第61-64页 |
| 4.4.1 实验设计 | 第61页 |
| 4.4.2 算法的有效性分析 | 第61-64页 |
| 4.4.3 聚类结果质量的分析 | 第64页 |
| 4.5 本章小结 | 第64-66页 |
| 第五章 不足与展望 | 第66-68页 |
| 5.1 论文总结 | 第66页 |
| 5.2 不足与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 作者简介 | 第74-75页 |
