| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 引言 | 第12-13页 |
| 1 绪论 | 第13-17页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 论文的研究意义和内容 | 第16-17页 |
| 1.3.1 论文的研究意义 | 第16页 |
| 1.3.2 论文的主要内容 | 第16-17页 |
| 2 大数据分析技术概述 | 第17-23页 |
| 2.1 大数据分析简介 | 第17-18页 |
| 2.1.1 大数据的概念及特点 | 第17页 |
| 2.1.2 大数据处理技术 | 第17-18页 |
| 2.2 Hadoop集群并行计算平台 | 第18-21页 |
| 2.2.1 MapReduce的基本设计思想 | 第18-19页 |
| 2.2.2 Hadoop平台的架构 | 第19-21页 |
| 2.3 并行计算框架Spark | 第21-23页 |
| 2.3.1 系统架构 | 第21-23页 |
| 3 聚类分析算法 | 第23-31页 |
| 3.1 聚类分析概述 | 第23-24页 |
| 3.1.1 聚类分析的概念 | 第23页 |
| 3.1.2 对聚类分析的要求 | 第23-24页 |
| 3.2 聚类算法的评估 | 第24-29页 |
| 3.2.1 估计聚类趋势 | 第25-26页 |
| 3.2.2 确定簇数 | 第26-27页 |
| 3.2.3 测定聚类质量 | 第27-29页 |
| 3.3 k-均值聚类算法 | 第29-31页 |
| 4 基于预测强度的k-均值聚类算法 | 第31-37页 |
| 4.1 基于BIC准则的模型分析 | 第31-33页 |
| 4.1.1 基于BIC准则的模型分析 | 第31-33页 |
| 4.2 基于预测强度的模型分析 | 第33-35页 |
| 4.2.1 预测强度 | 第33页 |
| 4.2.2 改进的预测强度 | 第33-34页 |
| 4.2.3 基于预测强度的模型分析结果 | 第34-35页 |
| 4.3 聚类结果及分析 | 第35-37页 |
| 5 大数据处理平台下聚类算法实现及实验 | 第37-42页 |
| 5.1 实验平台 | 第37页 |
| 5.2 基于Hadoop的k-means算法实现 | 第37-38页 |
| 5.3 Spark平台k-means算法实现 | 第38-42页 |
| 5.3.1 Spark架构和弹性分布式数据集 | 第38-39页 |
| 5.3.2 基于Spark的k-means聚类算法并行化实现 | 第39-40页 |
| 5.3.3 实验设计与分析 | 第40-42页 |
| 总结 | 第42-43页 |
| 参考文献 | 第43-45页 |
| 致谢 | 第45-46页 |
| 作者简介及读研期间主要科研成果 | 第46页 |