| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 模式分类任务的并行化 | 第10-11页 |
| 1.2.2 支持向量机的并行化 | 第11-12页 |
| 1.2.3 基于集成思想的概念漂移数据流的模式分类 | 第12页 |
| 1.3 论文主要工作 | 第12-13页 |
| 1.4 论文各章安排 | 第13-14页 |
| 第二章 云计算 | 第14-22页 |
| 2.1 云计算概述 | 第14-18页 |
| 2.1.1 云计算发展历程 | 第14-15页 |
| 2.1.2 云计算的定义与分类 | 第15-16页 |
| 2.1.3 云计算中关键技术概述 | 第16-18页 |
| 2.2 Hadoop云计算平台简介 | 第18-21页 |
| 2.2.1 Hadoop2.0生态圈组件 | 第18-20页 |
| 2.2.2 MapReduce编程框架 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 最小最大模块化支持向量机 | 第22-31页 |
| 3.1 支持向量机概述 | 第22-26页 |
| 3.1.1 线性支持向量机 | 第23-24页 |
| 3.1.2 非线性支持向量机 | 第24-26页 |
| 3.2 最小最大模块化支持向量机的任务分解 | 第26-28页 |
| 3.3 最小最大模块化支持向量机的集成规则 | 第28-30页 |
| 3.3.1 三种集成单元 | 第28页 |
| 3.3.2 集成规则 | 第28-29页 |
| 3.3.3 最小最大模块化支持向量机框架图 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 基于云平台的最小最大模块化支持向量机并行化研究 | 第31-44页 |
| 4.1 支持向量机算法相关研究 | 第31-37页 |
| 4.1.1 块算法 | 第31-32页 |
| 4.1.2 分解算法 | 第32页 |
| 4.1.3 序列最小优化算法 | 第32-35页 |
| 4.1.4 改进的序列最小优化算法 | 第35-37页 |
| 4.2 支持向量机的并行化研究 | 第37-40页 |
| 4.2.1 模式分类任务并行化 | 第37-39页 |
| 4.2.2 SMO算法并行化 | 第39-40页 |
| 4.3 仿真实验结果及分析 | 第40-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 基于云平台的最小最大模块化支持向量机的应用研究 | 第44-50页 |
| 5.1 概念漂移简介 | 第44-45页 |
| 5.2 基于MapReduce的最小最大模块化支持向量机概念漂移模型的设计 | 第45-46页 |
| 5.3 基于MapReduce编程模式的概念漂移分类模型的实现 | 第46-48页 |
| 5.3.1 基于MapReduce的概念漂移检测与模型训练的过程 | 第46-47页 |
| 5.3.2 基于MapReduce的概念漂移检测与训练模型的特点 | 第47-48页 |
| 5.4 仿真实验结果及分析 | 第48-49页 |
| 5.5 本章小结 | 第49-50页 |
| 第六章 云平台下的模式分类 | 第50-62页 |
| 6.1 Hadoop平台的搭建 | 第50-54页 |
| 6.2 模式分类系统开发 | 第54-61页 |
| 6.2.1 系统功能的分析及设计 | 第55-56页 |
| 6.2.2 系统界面的设计与使用 | 第56-61页 |
| 6.3 本章小结 | 第61-62页 |
| 第七章 展望与总结 | 第62-64页 |
| 7.1 工作总结 | 第62页 |
| 7.2 工作展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第67-68页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第68-69页 |
| 致谢 | 第69页 |
