| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-23页 |
| 第一节 研究背景与意义 | 第10-13页 |
| 一、 研究背景 | 第10-12页 |
| 二、 研究意义 | 第12-13页 |
| 第二节 国内外研究现状及发展趋势 | 第13-19页 |
| 一、 谱聚类算法及其近似法的研究现状 | 第13-17页 |
| 二、 基于 Hadoop MapReduce 谱聚类算法发研究现状 | 第17-19页 |
| 第三节 论文工作量及主要贡献 | 第19-21页 |
| 一、 稀疏化相似矩阵并行分析及 MapReduce 并行实现 | 第19-20页 |
| 二、 特征向量分解并行分析及 MapReduce 并行实现 | 第20页 |
| 三、 k-means 聚类算法并行分析及 MapReduce 并行实现 | 第20-21页 |
| 第四节 论文结构 | 第21-23页 |
| 第二章 Hadoop MapReduce 技术框架概述、谱聚类近似法基本概念与理论分析 | 第23-38页 |
| 第一节 Hadoop MapReduce 技术框架概述 | 第23-29页 |
| 一、 分布式文件系统 HDFS 系统架构 | 第23-24页 |
| 二、 MapReduce 并行编程模型 | 第24-29页 |
| 第二节 谱聚类近似法基本概念 | 第29-38页 |
| 一、 近似谱聚类算法基本理论 | 第32-33页 |
| 二、 k-means 聚类中心初始化研究 | 第33-34页 |
| 三、 谱聚类常用近似技术研究与L特征向量分解 | 第34-38页 |
| 第三章 近似谱聚类算法研究与设计 | 第38-48页 |
| 第一节 近似谱聚类算法研究 | 第38页 |
| 第二节 近似谱聚类算法设计与描述 | 第38-44页 |
| 一、 近似谱聚类算法设计 | 第38-42页 |
| 二、 近似谱聚类算法描述 | 第42-43页 |
| 三、 近似谱聚类算法时间复杂度分析 | 第43-44页 |
| 第三节 近似谱聚类算法实验分析 | 第44-48页 |
| 一、 近似谱聚类算法辅助实验 | 第44-47页 |
| 二、 ASC Matlab 实验结果对比分析 | 第47-48页 |
| 第四章 MapReduce 并行计算近似谱聚类算法研究与设计 | 第48-59页 |
| 第一节 并行算法设计 | 第48-50页 |
| 一、 MapReduce 并行算法设计理念 | 第48-49页 |
| 二、 MapReduce 并行算法中依赖步骤的分解 | 第49-50页 |
| 第二节 近似谱聚类算法 Hadoop MapReduce 并行分析与设计 | 第50-59页 |
| 一、 稀疏化近似相似矩阵 MapReduce 并行策略与设计 | 第50-53页 |
| 二、 拉普拉斯特征向量分解的 MapReduce 并行策略与设计 | 第53-56页 |
| 三、 k-means 及其初始化聚类中心 MapReduce 并行策略与设计 | 第56-59页 |
| 第五章 实验与结果评估分析 | 第59-70页 |
| 第一节 实验目的与设计 | 第59页 |
| 第二节 实验平台搭建与部署 | 第59-64页 |
| 一、 实验平台搭建 | 第59-60页 |
| 二、 Hadoop 集群部署信息 | 第60页 |
| 三、 Hadoop MapReduce 分布式环境配置 | 第60-64页 |
| 第三节 实验评估标准 | 第64-65页 |
| 第四节 实验过程 | 第65-67页 |
| 一、 Hadoop MapReduce 并行 ASCA 实验数据集描述 | 第65-66页 |
| 二、 并行 ASCA 实验描述 | 第66-67页 |
| 第五节 并行谱聚类实验结果分析 | 第67-70页 |
| 一、 并行 ASCA 计算时间和 ACC 实验结果分析 | 第68页 |
| 二、 并行 ASCA 加速比性能和可扩展性实验结果分析 | 第68-70页 |
| 第六章 总结与展望 | 第70-73页 |
| 第一节 论文总结 | 第70-71页 |
| 第二节 进一步工作与未来展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 在学期间发表的研究成果 | 第78页 |
