| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-16页 |
| 1.3.1 离群点检测研究现状 | 第15-16页 |
| 1.3.2 数据流聚类研究现状 | 第16页 |
| 1.4 课题研究内容 | 第16-17页 |
| 1.5 论文组织结构 | 第17-18页 |
| 第二章 相关技术介绍 | 第18-27页 |
| 2.1 数据流介绍 | 第18-20页 |
| 2.1.1 数据流定义 | 第18页 |
| 2.1.2 数据流特点 | 第18-19页 |
| 2.1.3 数据流应用 | 第19-20页 |
| 2.2 离群点相关概念介绍 | 第20-22页 |
| 2.2.1 离群点定义 | 第20-21页 |
| 2.2.2 离群点来源 | 第21-22页 |
| 2.3 数据流离群点检测方法介绍 | 第22-24页 |
| 2.3.1 基于统计学的离群点检测 | 第22-23页 |
| 2.3.2 基于深度的离群点检测 | 第23页 |
| 2.3.3 基于聚类的离群点检测 | 第23-24页 |
| 2.3.4 基于密度的离群点检测 | 第24页 |
| 2.4 高维数据流聚类介绍 | 第24-26页 |
| 2.4.1 高维数据流特点 | 第24-25页 |
| 2.4.2 数据流聚类算法 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 数据流离群点检测算法研究 | 第27-39页 |
| 3.1 基于滑动口的数据流离群点检测思想 | 第27-31页 |
| 3.1.1 算法定义 | 第27页 |
| 3.1.2 算法流程 | 第27-29页 |
| 3.1.3 算法缺陷 | 第29-31页 |
| 3.2 一种改进的数据流离群点检测算法 | 第31-34页 |
| 3.2.1 算法相关定义 | 第31-32页 |
| 3.2.2 算法步骤 | 第32-33页 |
| 3.2.3 算法分析 | 第33-34页 |
| 3.3 实验 | 第34-38页 |
| 3.3.1 实验环境 | 第34页 |
| 3.3.2 数据来源 | 第34页 |
| 3.3.3 实验结果及分析 | 第34-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 数据流聚类算法研究 | 第39-57页 |
| 4.1 引言 | 第39页 |
| 4.2 E-Stream算法思想 | 第39-44页 |
| 4.2.1 算法相关概念及定义 | 第39-41页 |
| 4.2.2 算法流程 | 第41-44页 |
| 4.2.3 算法缺陷 | 第44页 |
| 4.3 一种改进的高维数据流聚类方法APE-Stream | 第44-51页 |
| 4.3.1 算法相关概念和数据结构定义 | 第45-47页 |
| 4.3.2 算法步骤 | 第47-50页 |
| 4.3.3 算法分析 | 第50-51页 |
| 4.4 实验 | 第51-56页 |
| 4.4.1 实验环境及数据来源 | 第51-53页 |
| 4.4.2 实验结果分析 | 第53-55页 |
| 4.4.3 结论 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 分布式数据流处理系统设计与实现 | 第57-74页 |
| 5.1 系统简介 | 第57页 |
| 5.2 系统总体设计 | 第57-61页 |
| 5.2.1 系统架构 | 第57-58页 |
| 5.2.2 应用框架 | 第58-60页 |
| 5.2.3 运行机制 | 第60页 |
| 5.2.4 业务构建方法 | 第60-61页 |
| 5.3 计算节点详细设计 | 第61-70页 |
| 5.3.1 计算引擎 | 第61-62页 |
| 5.3.2 基本计算盒 | 第62-65页 |
| 5.3.3 自定义计算盒 | 第65-67页 |
| 5.3.4 计算盒运行原理 | 第67-68页 |
| 5.3.5 节点负载均衡 | 第68-69页 |
| 5.3.6 数据流数据传输与事件驱动原理 | 第69-70页 |
| 5.4 系统展示 | 第70-73页 |
| 5.5 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 本文总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 攻硕期间取得的成果 | 第81-82页 |