| 摘要 | 第1-3页 |
| Abstract | 第3-7页 |
| 第1章 绪论 | 第7-12页 |
| ·选题背景 | 第7-8页 |
| ·国内外研究现状 | 第8-10页 |
| ·论文主要工作及创新点 | 第10-11页 |
| ·论文组织架构 | 第11页 |
| ·本章小结 | 第11-12页 |
| 第2章 聚类分析技术 | 第12-20页 |
| ·聚类分析概述 | 第12-16页 |
| ·聚类分析的定义 | 第12-13页 |
| ·聚类分析中的数据结构 | 第13页 |
| ·聚类分析中的度量 | 第13-15页 |
| ·聚类效果的评价标准 | 第15-16页 |
| ·聚类算法的划分 | 第16-18页 |
| ·孤立点检测方法 | 第18页 |
| ·并行聚类技术 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第3章 Hadoop技术 | 第20-28页 |
| ·Hadoop概述 | 第20页 |
| ·HDFS（分布式文件系统） | 第20-24页 |
| ·HDFS体系架构 | 第21-22页 |
| ·文件读取 | 第22-24页 |
| ·MapReduce | 第24-27页 |
| ·MapReduce执行流程 | 第24-25页 |
| ·编程示例 | 第25-26页 |
| ·MapReduce分布式框架设计特点 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第4章 基于最大距离法改进的K_means聚类算法 | 第28-36页 |
| ·传统K_means算法简介 | 第28-31页 |
| ·K_means算法思想 | 第28页 |
| ·算法定义及描述 | 第28-30页 |
| ·算法优缺点 | 第30页 |
| ·现有的初始中心点的选取 | 第30-31页 |
| ·基于最大距离法改进的K_means算法 | 第31-35页 |
| ·最大距离法 | 第31-32页 |
| ·基于最大距离法改进的初始化中心选择算法 | 第32-34页 |
| ·改进后的K_means算法流程 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第5章 基于MapReduce并行聚类算法研究 | 第36-46页 |
| ·基于MapReduce的K_means算法并行化 | 第36-38页 |
| ·并行策略 | 第36-37页 |
| ·基于MapReduce的并行K_means算法流程 | 第37-38页 |
| ·基于MapReduce的Distance_K_means算法并行化 | 第38-45页 |
| ·Distance_centers算法并行化 | 第38-43页 |
| ·Distance_K_means聚类过程并行化 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第6章 实验 | 第46-54页 |
| ·单机环境下串行聚类算法实验 | 第46-49页 |
| ·实验描述 | 第46页 |
| ·实验结果分析 | 第46-49页 |
| ·小型集群下并行聚类算法实验 | 第49-53页 |
| ·实验环境 | 第49-50页 |
| ·实验描述 | 第50-51页 |
| ·实验结果 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第7章 总结与展望 | 第54-55页 |
| ·总结 | 第54页 |
| ·展望 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 攻读硕士学位期间取得的研究成果 | 第57-58页 |
| 致谢 | 第58-59页 |
