| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 论文研究的主要内容 | 第15-16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第二章 相关技术理论 | 第18-32页 |
| 2.1 Hadoop平台 | 第18-23页 |
| 2.1.1 Hadoop结构 | 第18-19页 |
| 2.1.2 HDFS体系结构 | 第19-22页 |
| 2.1.3 MapReduce编程模型 | 第22-23页 |
| 2.2 数据挖掘 | 第23-25页 |
| 2.2.1 数据挖掘的概念 | 第23页 |
| 2.2.2 数据挖掘的基本步骤 | 第23-25页 |
| 2.2.3 可以挖掘的数据类型 | 第25页 |
| 2.2.4 数据挖掘的任务分类 | 第25页 |
| 2.3 聚类数据分析 | 第25-27页 |
| 2.4 K-Means聚类算法 | 第27-30页 |
| 2.4.1 算法思想实现流程 | 第27-29页 |
| 2.4.2 算法的优缺点 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 网格K-Means聚类算法 | 第32-43页 |
| 3.1 网格处理 | 第32-33页 |
| 3.2 网格K-Means算法 | 第33-36页 |
| 3.2.1 网格K-Means算法思想 | 第33-34页 |
| 3.2.2 网格K-Means算法流程 | 第34-36页 |
| 3.3 基于弹性k值的网格K-Means算法 | 第36-42页 |
| 3.3.1 基于弹性k值网格K-means算法概念 | 第37-38页 |
| 3.3.2 最远距离法探索初始聚类中心 | 第38页 |
| 3.3.3 聚类数K值的确定 | 第38-39页 |
| 3.3.4 基于弹性k值的网格K-Means算法流程 | 第39-41页 |
| 3.3.5 基于弹性k值的网格K-Means算法分析 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于Hadoop的网格K-Means算法设计 | 第43-51页 |
| 4.1 基于Hadoop的网格K-Means算法 | 第43-45页 |
| 4.2 基于Hadoop的弹性k值网格K-Means算法 | 第45-49页 |
| 4.3 本章小结 | 第49-51页 |
| 第五章 基于Hadoop的网格K-Means算法实现分析 | 第51-56页 |
| 5.1 实验结果及分析 | 第51-54页 |
| 5.1.1 聚类质量对比实验 | 第51-52页 |
| 5.1.2 聚类时间对比实验 | 第52-53页 |
| 5.1.3 加速比实验 | 第53-54页 |
| 5.2 本章小结 | 第54-56页 |
| 第六章 工作总结和展望 | 第56-58页 |
| 6.1 工作总结 | 第56-57页 |
| 6.2 下一步工作展望 | 第57-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 附录A：在校期间研究成果 | 第64页 |
