| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-21页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状与发展趋势 | 第10-18页 |
| 1.2.1 桥梁监测数据处理 | 第10-13页 |
| 1.2.2 孤立点检测 | 第13-16页 |
| 1.2.3 Hadoop技术 | 第16-18页 |
| 1.3 本文主要研究内容 | 第18-19页 |
| 1.4 研究创新点 | 第19页 |
| 1.5 论文组织结构 | 第19-21页 |
| 第二章 相关理论研究 | 第21-27页 |
| 2.1 基于距离的孤立点挖掘算法 | 第21-22页 |
| 2.2 聚类算法 | 第22-24页 |
| 2.2.1 K-means聚类 | 第22-23页 |
| 2.2.2 Canopy聚类 | 第23页 |
| 2.2.3 最大最小距离聚类 | 第23-24页 |
| 2.3 Hadoop平台 | 第24-26页 |
| 2.3.1 HDFS | 第24-25页 |
| 2.3.2 MapReduce | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 KMKNN及CMM-KMKNN算法 | 第27-41页 |
| 3.1 基本K-近邻孤立点算法（K-NN） | 第27-29页 |
| 3.2 基于划分思想的K-NN改进 | 第29-30页 |
| 3.3 KMKNN算法 | 第30-35页 |
| 3.4 CMM-KMKNN算法 | 第35-39页 |
| 3.5 算法分析 | 第39页 |
| 3.6 本章小结 | 第39-41页 |
| 第四章 KMKNN及CMM-KMKNN算法的Hadoop实现 | 第41-54页 |
| 4.1 基于K-means聚类的区域划分MapReduce实现 | 第41-43页 |
| 4.2 Canopy聚类算法的MapReduce实现 | 第43-44页 |
| 4.3 最大最小距离算法的MapReduce实现 | 第44-46页 |
| 4.4 区域上下界计算 | 第46-48页 |
| 4.5 候选区域计算 | 第48-51页 |
| 4.6 候选区域孤立点检测 | 第51-52页 |
| 4.7 算法分析 | 第52页 |
| 4.8 本章小结 | 第52-54页 |
| 第五章 实验及结果分析 | 第54-67页 |
| 5.1 相关环境与数据 | 第54-55页 |
| 5.2 单机环境下的实验与分析 | 第55-59页 |
| 5.3 Hadoop分布式实验 | 第59-65页 |
| 5.3.1 Hadoop分布式集群搭建 | 第59-64页 |
| 5.3.2 实验结果与分析 | 第64-65页 |
| 5.4 本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 工作总结 | 第67页 |
| 6.2 研究展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读学位期间取得的研究成果 | 第73页 |
