基于Hadoop的模糊支持向量机算法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文主要工作 | 第11-12页 |
| 1.4 本文组织结构 | 第12-13页 |
| 第二章 相关理论知识模型 | 第13-27页 |
| 2.1 支持向量机 | 第13-19页 |
| 2.1.1 统计学习理论 | 第13-14页 |
| 2.1.2 线性支持向量机 | 第14-17页 |
| 2.1.3 非线性支持向量机 | 第17-18页 |
| 2.1.4 序列最小优化算法 | 第18-19页 |
| 2.2 分布式处理系统Hadoop | 第19-26页 |
| 2.2.1 Hadoop概述 | 第19-20页 |
| 2.2.2 HDFS文件系统 | 第20-24页 |
| 2.2.3 MapReduce计算模型 | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 模糊支持向量机算法研究 | 第27-34页 |
| 3.1 模糊理论 | 第27-28页 |
| 3.2 模糊支持向量原理及算法 | 第28-29页 |
| 3.3 模糊隶属度确定方法 | 第29-33页 |
| 3.3.1 基于类中心距离的隶属度函数 | 第30-31页 |
| 3.3.2 基于分类超平面距离的隶属度函数 | 第31-32页 |
| 3.3.3 基于紧密度的隶属度函数 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 面向不平衡数据集的模糊支持向量机 | 第34-46页 |
| 4.1 引言 | 第34-35页 |
| 4.2 面向不平衡数据分类方法研究 | 第35页 |
| 4.3 改进的模糊支持向量机 | 第35-40页 |
| 4.3.1 面向不平衡数据集的模糊支持向量机框架 | 第35-36页 |
| 4.3.2 隶属度函数的设计 | 第36-40页 |
| 4.4 实验设计及性能分析 | 第40-45页 |
| 4.4.1 实验设计 | 第40-42页 |
| 4.4.2 实验结果与分析 | 第42-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 基于Hadoop的模糊支持向量机 | 第46-58页 |
| 5.1 引言 | 第46-47页 |
| 5.2 大数据处理技术研究 | 第47-48页 |
| 5.3 基于MapReduce的模糊支持向量机 | 第48-52页 |
| 5.3.1 数据集的划分 | 第48-49页 |
| 5.3.2 模型算法框架描述 | 第49-52页 |
| 5.4 实验及性能分析 | 第52-57页 |
| 5.4.1 实验设计 | 第52-53页 |
| 5.4.2 实验结果与分析 | 第53-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第63-64页 |
| 致谢 | 第64页 |
