| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 课题研究现状 | 第9-11页 |
| 1.3 本文研究内容 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 相关技术概述 | 第13-22页 |
| 2.1 聚类分析概述 | 第13-16页 |
| 2.1.1 聚类分析定义 | 第13页 |
| 2.1.2 聚类中的距离度量 | 第13-14页 |
| 2.1.3 聚类结果评价 | 第14-15页 |
| 2.1.4 聚类的主要分类 | 第15-16页 |
| 2.2 并行聚类技术简介 | 第16-17页 |
| 2.2.1 并行计算 | 第16页 |
| 2.2.2 并行算法评价方法 | 第16-17页 |
| 2.3 Hadoop平台介绍 | 第17-21页 |
| 2.3.1 分布式文件系统HDFS | 第18页 |
| 2.3.2 MapReduce编程模型 | 第18-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章K-means聚类算法改进研究 | 第22-32页 |
| 3.1 K-means聚类算法 | 第22-24页 |
| 3.1.1 K-means算法思想 | 第22-23页 |
| 3.1.2 K-means算法性能分析 | 第23-24页 |
| 3.2 Canopy聚类算法 | 第24-25页 |
| 3.3 一趟聚类算法 | 第25-26页 |
| 3.4 基于Canopy与One-pass的协同K-means聚类算法 | 第26-31页 |
| 3.4.1 算法描述 | 第26-29页 |
| 3.4.2 实验结果与分析 | 第29-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 改进K-means聚类算法并行化研究 | 第32-50页 |
| 4.1 K-means算法的并行化 | 第32-33页 |
| 4.2 最大最小距离算法 | 第33-34页 |
| 4.3 改进K-means聚类算法的MapReduce并行化研究 | 第34-42页 |
| 4.3.1 问题提出 | 第34-35页 |
| 4.3.2 算法思想 | 第35页 |
| 4.3.3 算法设计 | 第35-37页 |
| 4.3.4 算法实现 | 第37-40页 |
| 4.3.5 实验结果与分析 | 第40-42页 |
| 4.4 基于One-pass的K-means聚类算法并行化研究 | 第42-49页 |
| 4.4.1 问题提出 | 第42-43页 |
| 4.4.2 OPKMEANS算法并行化流程 | 第43-44页 |
| 4.4.3 OPKMEANS算法并行化实现 | 第44-47页 |
| 4.4.4 实验结果与分析 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 论文工作总结 | 第50-51页 |
| 5.2 研究展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
| 攻读学位期间的研究成果 | 第56-57页 |
