| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 课题研究现状 | 第9-13页 |
| 1.2.1 基于用户投诉的IPTV故障定位 | 第9-10页 |
| 1.2.2 基于QoS参数的IPTV故障定位 | 第10-11页 |
| 1.2.3 基于机器学习的IPTV故障定位 | 第11-13页 |
| 1.3 本文研究的内容及主要成果 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第二章 相关背景知识介绍 | 第15-25页 |
| 2.1 IPTV系统概述 | 第15-17页 |
| 2.1.1 IPTV系统功能 | 第15-16页 |
| 2.1.2 IPTV系统结构 | 第16-17页 |
| 2.2 机器学习方法 | 第17-20页 |
| 2.2.1 机器学习方法分类 | 第18页 |
| 2.2.2 常用机器学习方法 | 第18-20页 |
| 2.3 非均衡数据集及其处理方法 | 第20-23页 |
| 2.3.1 采样方法 | 第20-21页 |
| 2.3.2 代价敏感方法 | 第21-22页 |
| 2.3.3 基于核函数学习法 | 第22-23页 |
| 2.3.4 主动学习法 | 第23页 |
| 2.4 大数据 | 第23-25页 |
| 2.4.1 离线处理系统 | 第23-24页 |
| 2.4.2 实时处理系统 | 第24页 |
| 2.4.3 图处理系统 | 第24-25页 |
| 第三章 IPTV数据处理与指标的选取 | 第25-35页 |
| 3.1 数据介绍 | 第25-27页 |
| 3.2 数据处理 | 第27-30页 |
| 3.2.1 数据清洗 | 第27页 |
| 3.2.2 数据分析 | 第27-30页 |
| 3.3 基于相关性与聚类的代表性指标选择 | 第30-35页 |
| 3.3.1 相关性分析 | 第30-32页 |
| 3.3.2 聚类分析 | 第32-33页 |
| 3.3.3 代表性指标的选取 | 第33-35页 |
| 第四章 基于改进AdaBoost算法的IPTV故障定位 | 第35-46页 |
| 4.1 基于改进AdaBoost算法的质差用户预测 | 第36-38页 |
| 4.2 基于决策树算法的故障设备预测 | 第38-40页 |
| 4.3 实验结果分析 | 第40-45页 |
| 4.3.1 评价指标 | 第40-41页 |
| 4.3.2 故障定位结果分析 | 第41-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 IPTV故障定位系统的设计与实现 | 第46-62页 |
| 5.1 大数据平台工具介绍 | 第46-50页 |
| 5.1.1 分布式存储 | 第46-49页 |
| 5.1.2 分布式计算 | 第49-50页 |
| 5.1.3 集群管理 | 第50页 |
| 5.2 IPTV故障定位系统的需求分析 | 第50-52页 |
| 5.2.1 系统前端需求分析 | 第51页 |
| 5.2.2 系统后端需求分析 | 第51-52页 |
| 5.3 IPTV故障定位系统的设计 | 第52-57页 |
| 5.3.1 系统架构设计 | 第53-55页 |
| 5.3.2 系统模块设计 | 第55-57页 |
| 5.4 IPTV故障定位系统的实现 | 第57-61页 |
| 5.4.1 系统首页 | 第57页 |
| 5.4.2 系统数据处理页面 | 第57-58页 |
| 5.4.3 系统数据分析页面 | 第58-59页 |
| 5.4.4 系统指标筛选页面 | 第59-60页 |
| 5.4.5 系统故障设备筛选页面 | 第60-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 参考文献 | 第64-66页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第66-67页 |
| 附录2 攻读硕士学位期间申请的专利 | 第67-68页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第68-69页 |
| 致谢 | 第69页 |