| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 家庭用户用电数据挖掘的国内外研究现状 | 第10-11页 |
| 1.2.2 基于云环境的数据挖掘的国内外研究现状 | 第11-13页 |
| 1.3 研究内容和方法 | 第13页 |
| 1.4 研究成果 | 第13-14页 |
| 1.5 论文组织结构 | 第14-16页 |
| 第二章 相关理论及方法 | 第16-27页 |
| 2.1 Mini Batch K-means算法 | 第16-18页 |
| 2.1.1 Mini Batch K-means算法思想 | 第16-17页 |
| 2.1.2 Mini Batch K-means算法流程 | 第17-18页 |
| 2.1.3 Mini Batch K-means算法优缺点 | 第18页 |
| 2.2 谱聚类算法 | 第18-21页 |
| 2.2.1 谱聚类算法思想 | 第18-19页 |
| 2.2.2 谱聚类算法基本概念 | 第19-20页 |
| 2.2.3 谱聚类算法流程 | 第20页 |
| 2.2.4 谱聚类算法优缺点 | 第20-21页 |
| 2.3 随机森林算法 | 第21-23页 |
| 2.3.1 随机森林算法思想 | 第21-22页 |
| 2.3.2 随机森林算法流程 | 第22页 |
| 2.3.3 随机森林聚类算法优缺点 | 第22-23页 |
| 2.4 分布式云环境 | 第23-26页 |
| 2.4.1 云环境概述 | 第23-24页 |
| 2.4.2 HDFS(分布式文件系统) | 第24-25页 |
| 2.4.3 MapReduce(分布式计算框架) | 第25页 |
| 2.4.4 Hive(分布式数据分析框架) | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 SMK-means异常识别算法研究 | 第27-40页 |
| 3.1 SMK-means算法思想 | 第27-30页 |
| 3.2 SMK-means算法设计 | 第30-33页 |
| 3.3 SMK-means算法实验 | 第33-38页 |
| 3.3.1 数据预处理 | 第33-35页 |
| 3.3.2 算法实验对比 | 第35-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 SMD-clustering异常识别算法研究 | 第40-48页 |
| 4.1 SMD-clustering算法思想 | 第40-42页 |
| 4.2 SMD-clustering算法设计 | 第42-44页 |
| 4.3 SMD-clustering算法实验 | 第44-47页 |
| 4.3.1 数据预处理 | 第44-45页 |
| 4.3.2 算法实验对比 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 SM-RF用电异常分类算法评估 | 第48-52页 |
| 5.1 SM-RF算法思想 | 第48-49页 |
| 5.2 SM-RF算法流程 | 第49-50页 |
| 5.3 SM-RF算法实验 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第六章 总结和展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 作者简介 | 第59-60页 |
| 致谢 | 第60页 |
