基于分布式平台的聚类算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 聚类的研究现状 | 第11-12页 |
| 1.2.2 并行化聚类的研究现状 | 第12-13页 |
| 1.3 论文主要研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 第2章 Hadoop平台和聚类算法研究 | 第15-35页 |
| 2.1 Hadoop平台介绍 | 第15页 |
| 2.2 Hadoop基础架构 | 第15-25页 |
| 2.2.1 MapReduce主要特性 | 第16-17页 |
| 2.2.2 MapReduce组织架构 | 第17-20页 |
| 2.2.3 MapReduce作业生命周期 | 第20-22页 |
| 2.2.4 HDFS主要特性 | 第22-23页 |
| 2.2.5 HDFS组织架构 | 第23-25页 |
| 2.3 聚类算法概述 | 第25-34页 |
| 2.3.1 聚类算法介绍 | 第25-26页 |
| 2.3.2 聚类分析的实现步骤 | 第26-27页 |
| 2.3.3 聚类算法的客观要求 | 第27-28页 |
| 2.3.4 聚类算法的划分方式 | 第28-31页 |
| 2.3.5 聚类算法的评价标准 | 第31-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第3章 CLARA算法的研究与改进 | 第35-46页 |
| 3.1 CLARA聚类算法的分析 | 第35-38页 |
| 3.2 CLARA算法的改进思想 | 第38-40页 |
| 3.3 CLARA算法的改进设计 | 第40-45页 |
| 3.3.1 G-CLARA算法设计 | 第40-42页 |
| 3.3.2 G-CLARA算法复杂度 | 第42页 |
| 3.3.3 实验及结果分析 | 第42-45页 |
| 3.4 本章小节 | 第45-46页 |
| 第4章 CLARA算法的并行化实现 | 第46-56页 |
| 4.1 算法MapReduce并行化分析 | 第46-47页 |
| 4.2 MR-CLARA算法的实现 | 第47-53页 |
| 4.2.1 MR-CLARA算法思路 | 第47-48页 |
| 4.2.2 MR-CLARA算法设计 | 第48-53页 |
| 4.3 GMR-CLARA算法的实现 | 第53-55页 |
| 4.3.1 G-CLARA算法分析 | 第53页 |
| 4.3.2 GMR-CLARA算法的设计 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 CLARA算法的并行化实验 | 第56-66页 |
| 5.1 实验数据 | 第56-57页 |
| 5.2 基于Hadoop的实验环境 | 第57-61页 |
| 5.2.1 实验环境的架构 | 第57页 |
| 5.2.2 实验环境的搭建 | 第57-61页 |
| 5.3 实验结果 | 第61-64页 |
| 5.3.1 准确率分析 | 第61-62页 |
| 5.3.2 加速比分析 | 第62-63页 |
| 5.3.3 可扩展性分析 | 第63-64页 |
| 5.4 本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第71-72页 |
| 致谢 | 第72页 |
