| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 大数据研究现状 | 第11-13页 |
| 1.2.2 航海大数据应用现状 | 第13-14页 |
| 1.2.3 航道拥堵研究现状 | 第14页 |
| 1.3 论文的主要内容 | 第14-16页 |
| 第2章 航道拥堵问题描述 | 第16-28页 |
| 2.1 航海大数据 | 第16-21页 |
| 2.1.1 大数据概述 | 第16-18页 |
| 2.1.2 航海大数据的定义 | 第18-20页 |
| 2.1.3 航海大数据的构成 | 第20页 |
| 2.1.4 航海大数据面临的问题 | 第20-21页 |
| 2.2 航道拥堵问题描述 | 第21-23页 |
| 2.3 大数据Spark计算平台 | 第23-27页 |
| 2.3.1 Spark简介 | 第24-26页 |
| 2.3.2 Spark的系统框架 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 大数据聚类算法的理论研究 | 第28-39页 |
| 3.1 聚类分析简介 | 第28-32页 |
| 3.1.1 聚类分析的概念 | 第28-29页 |
| 3.1.2 相似度度量 | 第29-31页 |
| 3.1.3 分簇依据及准则函数 | 第31-32页 |
| 3.2 聚类方法概述 | 第32-34页 |
| 3.2.1 划分方法 | 第32页 |
| 3.2.2 层次方法 | 第32-33页 |
| 3.2.3 基于密度的方法 | 第33页 |
| 3.2.4 基于网格的方法 | 第33页 |
| 3.2.5 基于模型的方法 | 第33-34页 |
| 3.3 可用于大数据的聚类算法 | 第34-37页 |
| 3.3.1 大数据聚类算法的要求 | 第34-36页 |
| 3.3.2 大数据聚类算法的选择 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 基于Spark框架的DBSCAN算法研究 | 第39-54页 |
| 4.1 DBSCAN算法原理 | 第39-44页 |
| 4.1.1 DBSCAN算法的基本概念 | 第39-41页 |
| 4.1.2 DBSCAN算法流程 | 第41-42页 |
| 4.1.3 DBSCAN算法分析及改进 | 第42-44页 |
| 4.2 DBSCAN算法的Spark并行化设计 | 第44-53页 |
| 4.2.1 数据分区策略 | 第45-49页 |
| 4.2.2 局部DBSCAN算法 | 第49页 |
| 4.2.3 重新标识聚类结果 | 第49-52页 |
| 4.2.4 Spark-DBSCAN算法总结 | 第52-53页 |
| 4.3 本章小结 | 第53-54页 |
| 第5章 算法实验验证 | 第54-66页 |
| 5.1 实验环境搭建 | 第54-55页 |
| 5.2 实验结果与分析 | 第55-65页 |
| 5.2.1 Spark-DBSCAN算法的性能验证 | 第55-58页 |
| 5.2.2 Spark-DBSCAN算法的航道拥堵识别实验 | 第58-65页 |
| 5.3 本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第73-74页 |
| 致谢 | 第74页 |