| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第12-24页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-21页 |
| 1.2.1 不确定数据频繁项集的定义 | 第14-16页 |
| 1.2.2 不确定数据中频繁项集挖掘算法 | 第16-20页 |
| 1.2.3 算法并行化 | 第20-21页 |
| 1.3 面临的问题和挑战 | 第21-22页 |
| 1.4 本文主要工作和安排 | 第22-24页 |
| 第二章 Hadoop平台 | 第24-33页 |
| 2.1 Hadoop的起源及发展过程 | 第24-25页 |
| 2.2 Hadoop的分布式文件系统HDFS | 第25-28页 |
| 2.2.1 设计前提与目标 | 第26页 |
| 2.2.2 HDFS的体系结构与工作机制 | 第26-28页 |
| 2.3 Hadoop的JobTracker和Tasktracker | 第28页 |
| 2.4 MapReduce的简介以及工作机制 | 第28-33页 |
| 2.4.1 MapReduce系统简介 | 第28-29页 |
| 2.4.2 MapReduce的作业运行机制 | 第29-33页 |
| 第三章 基于期望支持度的不确定频繁项集并行挖掘算法 | 第33-50页 |
| 3.1 引言 | 第33-35页 |
| 3.2 期望支持度分析 | 第35-37页 |
| 3.3 U-Apriori算法 | 第37页 |
| 3.4 基于U-Apriori算法的并行化算法PU-Apriori | 第37-42页 |
| 3.4.1 PU-Apriori算法总体框架图 | 第39页 |
| 3.4.2 PU-Apriori算法 | 第39-42页 |
| 3.5 实验分析 | 第42-48页 |
| 3.5.1 实验环境 | 第42-45页 |
| 3.5.2 数据集 | 第45页 |
| 3.5.3 评判标准 | 第45-46页 |
| 3.5.4 实验分析 | 第46-48页 |
| 3.6 本章小结 | 第48-50页 |
| 第四章 基于概率的不确定频繁项集并行挖掘算法 | 第50-61页 |
| 4.1 引言 | 第50页 |
| 4.2 概率频繁项集以及产生式的分析 | 第50-55页 |
| 4.2.1 概率频繁项集的分析 | 第50-54页 |
| 4.2.2 产生式的分析 | 第54-55页 |
| 4.3 基于Apriori的概率频繁项集算法并行化 | 第55-58页 |
| 4.4 实验分析 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 基于近似概率的不确定频繁项集并行挖掘算法 | 第61-77页 |
| 5.1 引言 | 第61页 |
| 5.2 常用的概率估计方法 | 第61-65页 |
| 5.2.1 基于泊松分布的概率估计方法 | 第62-64页 |
| 5.2.2 基于正态分布的概率估计方法 | 第64-65页 |
| 5.3 基于泊松分布的概率频繁项集算法并行化 | 第65-69页 |
| 5.4 基于正态分布的概率频繁项集算法并行化 | 第69-72页 |
| 5.5 实验分析 | 第72-76页 |
| 5.5.1 实验环境以及实验参数 | 第72-73页 |
| 5.5.2 实验结果及分析 | 第73-76页 |
| 5.6 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 简历与科研成果 | 第85-86页 |
| 致谢 | 第86-87页 |
