| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第1章 绪论 | 第8-12页 |
| ·论文的研究背景 | 第8-9页 |
| ·论文研究的目的与意义 | 第9-10页 |
| ·论文研究的内容 | 第10-11页 |
| ·论文的组织结构 | 第11-12页 |
| 第2章 数据聚类相关技术 | 第12-26页 |
| ·聚类分析概述 | 第12-19页 |
| ·主要的聚类算法 | 第19-21页 |
| ·并行聚类的相关技术 | 第21-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 MAPREDUCE相关技术介绍 | 第26-36页 |
| ·MAPREDUCE简介 | 第26-27页 |
| ·MAPREDUCE的实现框架 | 第27-30页 |
| ·HADOOP分布式计算平台 | 第30-33页 |
| ·MAPREDUCE与其它系统的比较 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 基于MAPREDUCE的K-MEANS算法并行研究 | 第36-44页 |
| ·K-MEANS算法简介 | 第36-38页 |
| ·基于MAPREDUCE的K-MEANS并行算法的设计 | 第38-39页 |
| ·基于MAPREDUCE的K-MEANS并行算法的具体实现 | 第39-44页 |
| 第5章 基于MAPREDUCE的CANOPY-K-MEANS 算法的并行研究 | 第44-53页 |
| ·CANOPY算法的简介 | 第44-46页 |
| ·基于MAPREDUCE的CANOPY-K-MEANS并行算法的设计 | 第46-47页 |
| ·基于MAPREDUCE的CANOPY-K-MEANS并行算法的实现 | 第47-53页 |
| 第6章 实验分析 | 第53-61页 |
| ·实验环境 | 第53-54页 |
| ·实验结果 | 第54-60页 |
| ·本章小结 | 第60-61页 |
| 第7章 总结与展望 | 第61-63页 |
| ·本文总结 | 第61-62页 |
| ·未来的工作 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66页 |
