| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 课题研究背景 | 第13-14页 |
| 1.2 课题研究意义 | 第14页 |
| 1.3 国内外研究及发展概况 | 第14-17页 |
| 1.3.1 数据挖掘发展概况 | 第14-15页 |
| 1.3.2 局部离群点检测算法发展概况 | 第15页 |
| 1.3.3 密度聚类算法发展概况 | 第15-16页 |
| 1.3.4 Hadoop分布式计算平台发展概况 | 第16-17页 |
| 1.3.5 基于Hadoop的离群点检测算法发展概况 | 第17页 |
| 1.4 本文主要工作 | 第17-18页 |
| 1.5 论文结构安排 | 第18页 |
| 1.6 本章小结 | 第18-19页 |
| 第2章 离群点检测与密度聚类相关理论 | 第19-29页 |
| 2.1 离群点检测算法概述 | 第19-21页 |
| 2.1.1 离群点概述 | 第19页 |
| 2.1.2 常用的离群点检测方法概述 | 第19-20页 |
| 2.1.3 离群点检测方法性能度量与距离计算 | 第20-21页 |
| 2.2 基于密度的离群点检测算法理论与方法 | 第21-24页 |
| 2.2.1 LOF算法 | 第21-23页 |
| 2.2.2 COF算法 | 第23页 |
| 2.2.3 INFLOF算法概述 | 第23-24页 |
| 2.2.4 MDEF算法概述 | 第24页 |
| 2.3 密度聚类理论与方法 | 第24-27页 |
| 2.3.1 DBSCAN算法 | 第25-26页 |
| 2.3.2 DENCLUE算法 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 Hadoop分布式平台 | 第29-37页 |
| 3.1 引言 | 第29页 |
| 3.2 HDFS分布式文件系统 | 第29-31页 |
| 3.2.1 NameNode | 第30-31页 |
| 3.2.2 DataNode | 第31页 |
| 3.2.3 客户端 | 第31页 |
| 3.3 MapReduce计算框架 | 第31-33页 |
| 3.3.1 MapReduce编程模型 | 第31-32页 |
| 3.3.2 Hadoop中MapReduce执行架构 | 第32-33页 |
| 3.4 HBase分布式数据库 | 第33-36页 |
| 3.4.1 HBase系统架构 | 第33-35页 |
| 3.4.2 HBase的数据模型 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于密度聚类的分布式离群点检测算法 | 第37-47页 |
| 4.1 基于密度聚类的离群点检测算法 | 第37-40页 |
| 4.1.1 基于DBSCAN算法的数据预处理 | 第37-38页 |
| 4.1.2 改进的LOF算法实现 | 第38-39页 |
| 4.1.3 算法性能分析 | 第39-40页 |
| 4.2 信息熵确定属性权重 | 第40-41页 |
| 4.2.1 熵理论 | 第40页 |
| 4.2.2 信息熵 | 第40-41页 |
| 4.2.3 改进算法的实现 | 第41页 |
| 4.3 数据划分 | 第41-42页 |
| 4.3.1 块切分 | 第42页 |
| 4.3.2 块编码 | 第42页 |
| 4.3.3 块分配 | 第42页 |
| 4.4 基于密度聚类的离群点检测算法并行化的实现 | 第42-46页 |
| 4.4.1 数据源处理 | 第43页 |
| 4.4.2 算法步骤与描述 | 第43-44页 |
| 4.4.3 基于信息熵改进的算法步骤 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 仿真实验与结果分析 | 第47-55页 |
| 5.1 实验环境搭建 | 第47-49页 |
| 5.2 算法实验数据集 | 第49页 |
| 5.3 实验结果与分析 | 第49-53页 |
| 5.3.1 基于密度聚类的LOF算法实验对比 | 第49-51页 |
| 5.3.2 信息熵加权后的实验对比 | 第51页 |
| 5.3.3 数据可扩展性实验 | 第51-52页 |
| 5.3.4 实验总结 | 第52-53页 |
| 5.4 本章小结 | 第53-55页 |
| 总结与展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表论文 | 第61-63页 |
| 致谢 | 第63-64页 |