| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第一章 引言 | 第13-20页 |
| ·流数据研究背景 | 第13-16页 |
| ·流数据概述 | 第13-14页 |
| ·流数据的典型应用 | 第14-16页 |
| ·流数据研究的要求与面临的挑战 | 第16-17页 |
| ·本文贡献 | 第17-19页 |
| ·论文的组织结构 | 第19-20页 |
| 第二章 流数据的研究进展 | 第20-40页 |
| ·流数据算法的研究 | 第20-31页 |
| ·近似计算 | 第20-26页 |
| ·滑动窗口方法 | 第26-27页 |
| ·流数据挖掘算法 | 第27-31页 |
| ·流数据管理系统及降载技术的研究进展 | 第31-39页 |
| ·AROURA系统 | 第33-34页 |
| ·STREAM系统 | 第34-36页 |
| ·TelegraphCQ系统 | 第36-37页 |
| ·Borealis系统 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第三章 基于LPC-DTW流数据相似性搜索技术 | 第40-53页 |
| ·引言 | 第40-42页 |
| ·基于LPC-DTW的相似性搜索 | 第42-49页 |
| ·动态时间弯曲度量 | 第43-46页 |
| ·基于LPC的特征提取 | 第46-47页 |
| ·基于LPC-DTW相似性搜索 | 第47-49页 |
| ·实验 | 第49-51页 |
| ·本章小结 | 第51-53页 |
| 第四章 流数据的省略技术及应用分析 | 第53-69页 |
| ·引言 | 第53-54页 |
| ·相关工作 | 第54-55页 |
| ·中值省略序列 | 第55-61页 |
| ·PAA维度缩减 | 第55-57页 |
| ·中值省略方法 | 第57-58页 |
| ·省略序列的相似度量 | 第58-61页 |
| ·中值省略的优势 | 第61-63页 |
| ·时空复杂性的改进 | 第62页 |
| ·对野数据的鲁棒性 | 第62-63页 |
| ·实验 | 第63-67页 |
| ·聚类流时间序列流 | 第63-65页 |
| ·相似查询精度比较 | 第65-66页 |
| ·时间复杂性 | 第66-67页 |
| ·本章小结 | 第67-69页 |
| 第五章 基于AR~*-GRNN的时间序列流预测 | 第69-89页 |
| ·引言 | 第69-72页 |
| ·AR~*-GRNN模型 | 第72-79页 |
| ·AR~*类模型 | 第74-78页 |
| ·广义回归神经网络 | 第78-79页 |
| ·实验 | 第79-86页 |
| ·实验数据 | 第80页 |
| ·模型参数的选取 | 第80-85页 |
| ·模型的性能估计 | 第85-86页 |
| ·本章小结 | 第86-89页 |
| 第六章 基于AR~*-GRNN的QoS降载管理框架的研究 | 第89-108页 |
| ·引言 | 第89-91页 |
| ·流数据降载的关键技术的相关研究 | 第91-97页 |
| ·流数据降载方式 | 第92-93页 |
| ·流数据的降载计划 | 第93-96页 |
| ·分布式流的降载 | 第96-97页 |
| ·基于AR~*-GRNN的QoS降载管理框架 | 第97-102页 |
| ·基于LPC的特征提取 | 第98页 |
| ·基于AR~*-GRNN的特征值预测 | 第98-99页 |
| ·降载计划 | 第99-102页 |
| ·实验 | 第102-106页 |
| ·本章小结 | 第106-108页 |
| 第七章 总结与展望 | 第108-110页 |
| ·本文工作的总结 | 第108-109页 |
| ·未来工作的展望 | 第109-110页 |
| 参考文献 | 第110-121页 |
| 附录A:攻读博士学位期间发表论文 | 第121-122页 |
| 致谢 | 第122页 |