| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第1 章绪论 | 第12-20页 |
| ·研究背景 | 第12-15页 |
| ·数据挖掘概述 | 第12-15页 |
| ·距离概述 | 第15页 |
| ·研究现状 | 第15-18页 |
| ·距离的定义 | 第15-16页 |
| ·数据类型 | 第16页 |
| ·数据挖掘中常用的距离计算方法 | 第16-18页 |
| ·研究意义 | 第18页 |
| ·论文结构与内容 | 第18-20页 |
| 第2章 MP马氏距离及缺损数据补值算法 | 第20-33页 |
| ·缺损数据补值 | 第20-21页 |
| ·数据预处理 | 第20-21页 |
| ·缺损数据补值及研究现状 | 第21页 |
| ·改进的复相关系数倒数赋权法 | 第21-23页 |
| ·SOFM神经网络 | 第23-25页 |
| ·SOFM网络简介 | 第23-24页 |
| ·SOFM学习算法描述 | 第24页 |
| ·SOFM算法分析 | 第24-25页 |
| ·MP马氏距离 | 第25-27页 |
| ·马氏距离 | 第25页 |
| ·MP马氏距离的构造 | 第25-27页 |
| ·信息熵补值 | 第27-29页 |
| ·信息熵概述 | 第27-28页 |
| ·基于熵的补值 | 第28-29页 |
| ·基于MP马氏距离的缺损数据补值算法流程 | 第29-30页 |
| ·仿真实验及分析 | 第30-32页 |
| ·仿真环境 | 第30-31页 |
| ·性能评估 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 WMP马氏距离及其在聚类算法中的应用 | 第33-44页 |
| ·聚类概述 | 第33-37页 |
| ·主要聚类方法 | 第33-36页 |
| ·衡量聚类算法的指标 | 第36-37页 |
| ·WMP马氏距离 | 第37-41页 |
| ·基于WMP马氏距离的K-MEANS聚类算法流程 | 第41页 |
| ·仿真实验及分析 | 第41-43页 |
| ·仿真环境 | 第41-42页 |
| ·性能评估 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 一种不确定数据挖掘方法及推广334.1不确定数据挖掘概述 | 第44-52页 |
| ·不确定数据挖掘概述 | 第44-45页 |
| ·基于概率维度的不确定数据挖掘框架 | 第45-46页 |
| ·服从正态分布的概率维度生成实例 | 第46-49页 |
| ·数据描述 | 第46-47页 |
| ·数据分流及预处理 | 第47页 |
| ·概率维度生成 | 第47-49页 |
| ·仿真实验及分析 | 第49-50页 |
| ·仿真环境及方法 | 第49页 |
| ·计算过程 | 第49-50页 |
| ·基于WMP距离的推广 | 第50页 |
| ·本章小结 | 第50-52页 |
| 第5章 HADOOP平台下的海量数据排行榜过滤算法415.1HDFS与MAP/REDUCE | 第52-61页 |
| ·HDFS与Map/Reduce | 第52-53页 |
| ·基于贝叶斯理论的排行榜数据过滤算法 | 第53-59页 |
| ·基于熵论的缺损数据补值 | 第53-55页 |
| ·改进的Bayes模型数据过滤 | 第55-59页 |
| ·仿真实验及分析 | 第59-60页 |
| ·仿真环境 | 第59页 |
| ·性能评估 | 第59-60页 |
| ·基于WMP马氏距离的推广 | 第60页 |
| ·本章小结 | 第60-61页 |
| 第6章 总结与展望506.1本文总结 | 第61-63页 |
| ·本文总结 | 第61页 |
| ·进一步的工作 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士学位期间参与的科研项目和成果 | 第68页 |