| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-15页 |
| ·研究背景及意义 | 第8-11页 |
| ·研究背景 | 第8-10页 |
| ·研究意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·国外研究现状 | 第12页 |
| ·国内研究现状 | 第12-13页 |
| ·论文研究内容 | 第13-14页 |
| ·论文组织结构 | 第14-15页 |
| 第2章 流式数据分类理论基础和相关技术 | 第15-29页 |
| ·流式数据分类 | 第15-17页 |
| ·定义及特点 | 第15-16页 |
| ·流式数据分类的经典算法 | 第16-17页 |
| ·概念漂移 | 第17-20页 |
| ·基本概念 | 第17-18页 |
| ·检测方法 | 第18-19页 |
| ·处理机制 | 第19-20页 |
| ·人工神经网络 | 第20-22页 |
| ·BP神经网络原理 | 第20-21页 |
| ·BP神经网络的构建 | 第21-22页 |
| ·流式数据计算框架 | 第22-28页 |
| ·Hadoop平台的MapReduce计算框架 | 第22-24页 |
| ·Apache Storm流式数据平台 | 第24-25页 |
| ·Spark Streaming数据流计算框架 | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 增量式BP神经网络概念漂移分类算法 | 第29-36页 |
| ·基于L-M优化算法的BP神经网络 | 第29-30页 |
| ·L-M优化算法 | 第29-30页 |
| ·L-M优化BP神经网络 | 第30页 |
| ·增量式学习 | 第30-32页 |
| ·基本概念 | 第31页 |
| ·增量式BP神经网络 | 第31-32页 |
| ·概念漂移处理机制 | 第32页 |
| ·IBPNN-CDCA概念漂移数据流分类算法 | 第32-33页 |
| ·实验结果与分析 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 基于Spark的IBPNN-CDCA算法并行化及实现 | 第36-46页 |
| ·系统架构设计与集群部署 | 第36-40页 |
| ·Hadoop集群部署配置 | 第37-38页 |
| ·Spark集群部署配置 | 第38-39页 |
| ·Kafka集群部署配置 | 第39-40页 |
| ·IBPNN-CDCA算法的并行化实现 | 第40-43页 |
| ·并行化IBPNN-CDCA的应用部署 | 第41-42页 |
| ·流式数据源 | 第42-43页 |
| ·实验结果及分析 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第5章 总结与展望 | 第46-48页 |
| ·总结 | 第46页 |
| ·不足与展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 在读期间发表的学术论文及研究成果 | 第52-53页 |
| 致谢 | 第53页 |