| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及发展动态 | 第11-16页 |
| 1.2.1 高维大数据分析存在的问题 | 第11-12页 |
| 1.2.2 高维数据降维技术 | 第12-13页 |
| 1.2.3 高维数据分类及聚类方法 | 第13-14页 |
| 1.2.4 大数据的并行化处理方法 | 第14-16页 |
| 1.3 本文研究内容 | 第16-17页 |
| 1.4 论文结构 | 第17-18页 |
| 第2章 基于深层神经网络特征提取的高维数据分类 | 第18-29页 |
| 2.1 以极限学习机为基础的深层神经网络 | 第18-20页 |
| 2.2 多标签分类方法 | 第20-21页 |
| 2.3 基于多层极限学习机的多标签分类模型 | 第21-22页 |
| 2.4 复合电能质量扰动分类实验 | 第22-28页 |
| 2.4.1 实验数据 | 第22-23页 |
| 2.4.2 分类过程 | 第23-24页 |
| 2.4.3 分类模型参数的确定 | 第24-26页 |
| 2.4.4 算法对比 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于特征提取的高维数据聚类分析方法 | 第29-39页 |
| 3.1 无监督极限学习机的特征提取原理 | 第29-30页 |
| 3.1.1 US-ELM嵌入的实现过程 | 第29-30页 |
| 3.1.2 US-ELM算法的关键参数 | 第30页 |
| 3.2 基于无监督极限学习机的用电负荷模式提取 | 第30-32页 |
| 3.3 算例分析 | 第32-38页 |
| 3.3.1 不同聚类方法的性能对比 | 第32-33页 |
| 3.3.2 k-means聚类结果 | 第33-35页 |
| 3.3.3 US-ELM+k-means聚类结果 | 第35-37页 |
| 3.3.4 聚类结果分析 | 第37-38页 |
| 3.3.5 实验总结 | 第38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于随机矩阵M-P率的特征提取方法 | 第39-47页 |
| 4.1 随机矩阵相关理论 | 第39-40页 |
| 4.1.1 经验谱分布与极限谱分布 | 第39-40页 |
| 4.1.2 M-P率 | 第40页 |
| 4.2 FEMPL特征提取方法的设计 | 第40-43页 |
| 4.2.1 数据的矩阵化表示 | 第40-41页 |
| 4.2.2 FEMPL特征提取过程 | 第41-42页 |
| 4.2.3 FEMPL特征的区分能力 | 第42-43页 |
| 4.3 算例分析 | 第43-45页 |
| 4.3.1 复合电能质量扰动分类 | 第43-44页 |
| 4.3.2 居民用户用电负荷模式分析 | 第44-45页 |
| 4.4 本章小结 | 第45-47页 |
| 第5章 高维大数据的分布式并行分析方法 | 第47-53页 |
| 5.1 分布式大数据处理平台 | 第47-48页 |
| 5.2 分布式并行数据分析的可用算法包 | 第48-49页 |
| 5.3 分布式并行聚类分析模型设计 | 第49-52页 |
| 5.3.1 分布式并行化FEMPL数据分析模型 | 第49-51页 |
| 5.3.2 基于FEMPL的并行化k-means聚类分析 | 第51-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第6章 总结与展望 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第60-61页 |
| 致谢 | 第61页 |