| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 k-means算法研究现状 | 第10-11页 |
| 1.2.2 人工鱼群算法研究现状 | 第11-12页 |
| 1.2.3 hadoop应用研究现状 | 第12-13页 |
| 1.3 论文主要工作 | 第13-14页 |
| 第二章 相关技术和算法简介 | 第14-29页 |
| 2.1 聚类技术简介 | 第14-20页 |
| 2.1.1 聚类相似度度量及准则 | 第14-16页 |
| 2.1.2 聚类算法分类 | 第16-18页 |
| 2.1.3 经典聚类算法k-means简介 | 第18-19页 |
| 2.1.4 基于聚类的web日志挖掘 | 第19-20页 |
| 2.2 人工鱼群算法AFSA简介 | 第20-25页 |
| 2.2.1 AFSA构成要素 | 第20-24页 |
| 2.2.2 AFSA基本流程 | 第24-25页 |
| 2.3 Hadoop平台简介 | 第25-28页 |
| 2.3.1 并行计算框架MapReduce | 第26-27页 |
| 2.3.2 分布式文件系统HDFS | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 人工鱼群和k-means相结合的IAFSA-KM算法研究与设计 | 第29-45页 |
| 3.1 k-means算法分析 | 第29-31页 |
| 3.1.1 k-means算法流程分析 | 第29-30页 |
| 3.1.2 k-means算法特点分析 | 第30-31页 |
| 3.2 人工鱼群性能的改进设计 | 第31-33页 |
| 3.2.1 参数对算法性能的影响 | 第31页 |
| 3.2.2 基于淘汰策略的计算复杂度优化 | 第31-32页 |
| 3.2.3 基于自适应最大步长的收敛速度和寻优精度优化 | 第32页 |
| 3.2.4 改进算法性能验证 | 第32-33页 |
| 3.3 IAFSA-KM算法设计 | 第33-43页 |
| 3.3.1 IAFSA-KM算法设计思想 | 第33-34页 |
| 3.3.2 IAFSA-KM算法实现流程 | 第34-37页 |
| 3.3.3 IAFSA-AM算法性能验证 | 第37-38页 |
| 3.3.4 IAFSA-AM算法应用验证 | 第38-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第四章 基于Hadoop的IAFSA-KM算法分布式设计 | 第45-58页 |
| 4.1 并行设计需求分析 | 第45页 |
| 4.2 IAFSA-KM算法分布式设计 | 第45-50页 |
| 4.2.1 IAFSA-KM算法分布式设计思想 | 第46-47页 |
| 4.2.2 IAFSA-KM算法分布式设计流程 | 第47-50页 |
| 4.3 实验平台搭建及结果分析 | 第50-57页 |
| 4.3.1 实验平台搭建 | 第50-55页 |
| 4.3.2 分布式IAFSA-KM算法性能验证 | 第55-56页 |
| 4.3.3 实验平台性能验证 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 研究工作总结 | 第58-59页 |
| 5.2 研究工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士期间发表的学术论文和科研情况 | 第65页 |
