基于电力大数据的数据挖掘支撑子系统的设计与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 主要研究内容 | 第10-12页 |
| 1.4 论文总体结构 | 第12-14页 |
| 第二章 相关技术 | 第14-24页 |
| 2.1 Hadoop分布式储存系统 | 第14-17页 |
| 2.2 数据清洗技术 | 第17-20页 |
| 2.2.1 数据清洗的定义 | 第17-18页 |
| 2.2.2 数据清洗的基本原理和方法 | 第18页 |
| 2.2.3 清洗数据算法 | 第18-19页 |
| 2.2.4 数据清洗的一般性框架 | 第19-20页 |
| 2.3 机器学习和weka库 | 第20-23页 |
| 2.3.1 机器学习概述 | 第20-22页 |
| 2.3.2 weka开源平台 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 需求分析 | 第24-28页 |
| 3.1 上下文环境 | 第24页 |
| 3.2 功能性需求 | 第24-27页 |
| 3.2.1 基于电力大数据的数据存取 | 第25-26页 |
| 3.2.2 基于电力大数据的多源数据融合 | 第26页 |
| 3.2.3 基于电力大数据的数据清洗 | 第26-27页 |
| 3.3 非功能性需求 | 第27页 |
| 3.4 本章小结 | 第27-28页 |
| 第四章 关键问题研究 | 第28-40页 |
| 4.1 多源数据融合 | 第28-29页 |
| 4.2 基于机器学习的数据清洗 | 第29-33页 |
| 4.2.1 基础的数据清洗 | 第30-32页 |
| 4.2.2 基于机器学习的清洗验证 | 第32-33页 |
| 4.3 电网故障分类场景下的SVM参数调优 | 第33-38页 |
| 4.3.1 场景定义 | 第34-35页 |
| 4.3.2 核函数选择 | 第35-36页 |
| 4.3.3 惩罚因子及核函数参数调整 | 第36-38页 |
| 4.3.4 SVM参数调优小结 | 第38页 |
| 4.4 本章小结 | 第38-40页 |
| 第五章 总体设计 | 第40-49页 |
| 5.1 系统总体架构 | 第40-41页 |
| 5.2 系统功能模块 | 第41-44页 |
| 5.2.1 数据存取模块 | 第42页 |
| 5.2.2 数据融合模块 | 第42-43页 |
| 5.2.3 数据清洗模块 | 第43-44页 |
| 5.3 基本工作流程 | 第44-47页 |
| 5.3.1 数据文件存取 | 第44-45页 |
| 5.3.2 数据文件融合 | 第45-46页 |
| 5.3.3 数据文件清洗 | 第46-47页 |
| 5.4 接口设计 | 第47-48页 |
| 5.5 本章小结 | 第48-49页 |
| 第六章 关键模块设计与实现 | 第49-59页 |
| 6.1 数据存取模块 | 第49-51页 |
| 6.1.1 分布式文件储存系统的管理 | 第49-50页 |
| 6.1.2 数据存取 | 第50-51页 |
| 6.2 数据融合模块 | 第51-53页 |
| 6.3 数据清洗模块 | 第53-58页 |
| 6.4 本章小结 | 第58-59页 |
| 第七章 系统测试 | 第59-69页 |
| 7.1 测试环境 | 第59-60页 |
| 7.1.1 软件环境 | 第59页 |
| 7.1.2 硬件环境 | 第59-60页 |
| 7.2 单元测试 | 第60-67页 |
| 7.3 集成测试 | 第67-68页 |
| 7.4 测试结果 | 第68页 |
| 7.5 本章小结 | 第68-69页 |
| 第八章 结束语 | 第69-71页 |
| 8.1 工作总结 | 第69-70页 |
| 8.2 未来展望 | 第70-71页 |
| 参考文献 | 第71-73页 |
| 致谢 | 第73-74页 |
| 作者攻读学位期间发表的学术论文目录 | 第74页 |
