| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 引言 | 第9-12页 |
| 1.1.1 参与感知网络概述 | 第9-10页 |
| 1.1.2 参与感知网络特点及应用 | 第10-11页 |
| 1.1.3 参与感知网络数据采集方式及服务流程 | 第11-12页 |
| 1.2 参与感知网络的优点及待解决的问题 | 第12-14页 |
| 1.2.1 抽样问题 | 第13页 |
| 1.2.2 数据采集问题 | 第13页 |
| 1.2.3 数据服务问题 | 第13-14页 |
| 1.3 参与感知网络国内外研究水平 | 第14-15页 |
| 1.4 本文主要研究工作 | 第15-17页 |
| 1.5 论文结构 | 第17-18页 |
| 第二章 参与感知网络中抽样优化 | 第18-35页 |
| 2.1 引言 | 第18页 |
| 2.2 模型描述 | 第18-21页 |
| 2.3 现有解决方案 | 第21-24页 |
| 2.3.1 随机选择节点算法 | 第22-23页 |
| 2.3.2 随机选择边算法 | 第23页 |
| 2.3.3 随机漫步算法 | 第23-24页 |
| 2.4 基于Dijkstra算法的参与感知网络抽样生成 | 第24-27页 |
| 2.4.1 Dijkstra算法 | 第24-26页 |
| 2.4.2 基于Dijkstra最短路径的抽样算法 | 第26-27页 |
| 2.5 算法仿真与性能分析 | 第27-28页 |
| 2.5.1 评价指标 | 第27页 |
| 2.5.2 柯尔莫可洛夫-斯米洛夫检验 | 第27-28页 |
| 2.5.3 相对误差与标准均方根误差 | 第28页 |
| 2.6 网络选择与实验 | 第28-33页 |
| 2.6.1 实验一 | 第31页 |
| 2.6.2 实验二 | 第31-32页 |
| 2.6.3 实验三 | 第32-33页 |
| 2.6.4 实验结果分析 | 第33页 |
| 2.7 本章小结 | 第33-35页 |
| 第三章 参与感知网络数据采集和处理 | 第35-50页 |
| 3.1 问题描述 | 第35页 |
| 3.2 典型的数据融合方法 | 第35-37页 |
| 3.2.1 基于最小距离聚类的数据融合算法 | 第35-36页 |
| 3.2.2 基于模糊逻辑加权的数据融合算法 | 第36-37页 |
| 3.3 FCM聚类算法和“两步走”方法 | 第37-40页 |
| 3.3.1 FCM聚类算法 | 第37-39页 |
| 3.3.2 “两步走”算法 | 第39-40页 |
| 3.4 仿真实验与性能分析 | 第40-45页 |
| 3.4.1 实验一 | 第40-42页 |
| 3.4.2 实验二 | 第42-43页 |
| 3.4.3 实验三 | 第43-45页 |
| 3.5 结果分析 | 第45页 |
| 3.6 搭建Hadoop平台处理数据 | 第45-48页 |
| 3.6.1 实验参数 | 第47页 |
| 3.6.2 数据处理结果 | 第47-48页 |
| 3.7 本章小结 | 第48-50页 |
| 第四章 参与感知网络数据推荐服务 | 第50-65页 |
| 4.1 引言 | 第50页 |
| 4.2 问题描述 | 第50-51页 |
| 4.2.1 协同过滤的基本原理 | 第50-51页 |
| 4.2.2 推荐算法的研究现状 | 第51页 |
| 4.3 算法设计思路 | 第51-55页 |
| 4.3.1 粗糙集理论 | 第51-53页 |
| 4.3.2 阴影集理论 | 第53-54页 |
| 4.3.3 本章算法思路 | 第54-55页 |
| 4.4 算法详细设计 | 第55-60页 |
| 4.4.1 主成分分析进行数据降维 | 第55-56页 |
| 4.4.2 基于阴影集的粗糙模糊C均值聚类的最近邻筛选 | 第56-59页 |
| 4.4.3 用等价关系相似性进一步精确近邻集合 | 第59-60页 |
| 4.4.4 协同推荐预测评分 | 第60页 |
| 4.5 基于用户模糊聚类的协同过滤推荐算法 | 第60-62页 |
| 4.6 仿真实验和分析 | 第62-64页 |
| 4.7 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 本文的主要贡献 | 第65-66页 |
| 5.2 展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 作者简介 | 第73-74页 |
| 致谢 | 第74页 |
