| 中文摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 不确定性数据概述 | 第11-13页 |
| 1.1.1 不确定数据的背景与研究意义 | 第11页 |
| 1.1.2 不确定数据的产生原因 | 第11-12页 |
| 1.1.3 不确定数据的应用背景 | 第12-13页 |
| 1.2 不确定数据流查询关键技术研究现状 | 第13-17页 |
| 1.2.1 Top-k查询的研究现状 | 第13-14页 |
| 1.2.2 Skyline查询的研究现状 | 第14-15页 |
| 1.2.3 聚类的研究现状 | 第15-17页 |
| 1.3 本文研究的主要内容和成果 | 第17-18页 |
| 1.4 本文章节安排 | 第18-19页 |
| 第二章 分布式不确定数据流的top-k聚集查询算法 | 第19-40页 |
| 2.1 引言 | 第19页 |
| 2.2 预备知识 | 第19-25页 |
| 2.2.1 应用场景 | 第20页 |
| 2.2.2 高斯混合模型(GMMs) | 第20-22页 |
| 2.2.3 不确定数据流系统(UDSS)数据模型 | 第22-24页 |
| 2.2.4 不确定数据流系统(UDSS)数据模型时间开销分析 | 第24-25页 |
| 2.3 分布式不确定数据流的top-k聚集查询算法DAT | 第25-35页 |
| 2.3.1 不确定元组的聚集 | 第25-33页 |
| 2.3.2 DAT算法的框架 | 第33-35页 |
| 2.4 实验结果与分析 | 第35-39页 |
| 2.4.1 聚集算法的对比实验 | 第35-37页 |
| 2.4.2 DAT算法通信开销分析 | 第37-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第三章 不确定数据流的概率skyline查询算法 | 第40-62页 |
| 3.1 引言 | 第40页 |
| 3.2 预备知识 | 第40-47页 |
| 3.2.1 问题定义 | 第40-45页 |
| 3.2.2 Baseline算法 | 第45-47页 |
| 3.3 不确定数据流概率skyline查询算法PSUDS | 第47-58页 |
| 3.3.1 skyline概率的定界 | 第48-49页 |
| 3.3.2 剪枝策略 | 第49-50页 |
| 3.3.3 提纯策略 | 第50-53页 |
| 3.3.4 PSUDS算法描述 | 第53-58页 |
| 3.4 实验结果与分析 | 第58-61页 |
| 3.4.1 数据维度对性能的影响分析 | 第58-59页 |
| 3.4.2 概率阈值对性能的影响分析 | 第59-60页 |
| 3.4.3 窗.大小对性能的影响分析 | 第60-61页 |
| 3.5 本章小结 | 第61-62页 |
| 第四章 不确定数据流的聚类算法 | 第62-72页 |
| 4.1 引言 | 第62页 |
| 4.2 预备知识 | 第62-65页 |
| 4.2.1 不确定数据流模型 | 第62-64页 |
| 4.2.2 KL距离 | 第64-65页 |
| 4.3 不确定数据流的聚类算法KL-Micro | 第65-69页 |
| 4.3.1 KL-Micro算法框架 | 第65-66页 |
| 4.3.2 高效计算KL距离 | 第66-67页 |
| 4.3.3 计算不确定边界 | 第67-68页 |
| 4.3.4 时间衰减 | 第68-69页 |
| 4.4 实验结果与分析 | 第69-71页 |
| 4.4.1 实验数据集 | 第69页 |
| 4.4.2 聚类结果准确性的对比实验 | 第69-70页 |
| 4.4.3 算法效率的对比实验 | 第70-71页 |
| 4.5 本章小结 | 第71-72页 |
| 结论 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-80页 |
| 攻读硕士学位期间发表的学术论文及参加的科研项目 | 第80页 |
