| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| ABSTRACT | 第9-11页 |
| 1 绪论 | 第20-34页 |
| 1.1 研究背景与意义 | 第21-22页 |
| 1.2 相关技术研究现状 | 第22-29页 |
| 1.2.1 大数据环境下高效聚类研究现状 | 第22-24页 |
| 1.2.2 地理时空大数据高效聚类研究现状 | 第24-29页 |
| 1.3 研究目的及内容 | 第29-31页 |
| 1.3.1 研究目的 | 第29页 |
| 1.3.2 研究内容 | 第29-31页 |
| 1.4 论文组织结构 | 第31-34页 |
| 2 地理时空大数据高性能并行聚类模型 | 第34-57页 |
| 2.1 高性能并行聚类模型总体结构 | 第34-35页 |
| 2.2 基于多维超立方体的数据组织 | 第35-39页 |
| 2.3 分布式地理时空数据仓库对象模型 | 第39-41页 |
| 2.4 基于连接元的数据划分 | 第41-48页 |
| 2.5 BS-DOT大数据并行计算范式 | 第48-56页 |
| 2.6 本章小结 | 第56-57页 |
| 3 全局最优解驱动的栅格大数据高效聚类 | 第57-85页 |
| 3.1 影像聚类方法选择分析 | 第57-60页 |
| 3.2 基于改进点对称距离的相似性度量 | 第60-65页 |
| 3.2.1 相似性度量选择 | 第60-63页 |
| 3.2.2 改进的点对称距离聚类度量 | 第63-65页 |
| 3.3 基于遗传算法的非监督分类 | 第65-68页 |
| 3.3.1 K-means聚类及其局部最优解 | 第65-66页 |
| 3.3.2 遗传算法趋向全局最优的分析 | 第66-68页 |
| 3.4 高分辨率遥感影像分布式聚类 | 第68-84页 |
| 3.4.1 基于连接元的高分辨率遥感影像聚类划分 | 第68-69页 |
| 3.4.2 高分辨率遥感影像分布式聚类算法 | 第69-73页 |
| 3.4.3 算法复杂度分析 | 第73-75页 |
| 3.4.4 算法有效性验证 | 第75-84页 |
| 3.5 本章小结 | 第84-85页 |
| 4 基于时空密度的矢量大数据高效聚类 | 第85-132页 |
| 4.1 矢量聚类方法选择分析 | 第85-88页 |
| 4.2 基于时空密度的矢量数据聚类 | 第88-94页 |
| 4.2.1 时空密度的数理推导 | 第88-89页 |
| 4.2.2 基于密度的数据聚类基本概念 | 第89-91页 |
| 4.2.3 传统时空多密度聚类方法局限 | 第91-94页 |
| 4.3 时空多密度矢量数据聚类 | 第94-112页 |
| 4.3.1 聚类算法介绍 | 第94-100页 |
| 4.3.2 实验结果分析 | 第100-112页 |
| 4.4 矢量大数据分布式聚类 | 第112-131页 |
| 4.4.1 基于分层分组格网的k近邻高效查找 | 第112-117页 |
| 4.4.2 N维空间的冗余感知数据划分方法 | 第117-122页 |
| 4.4.3 基于MapReduce模型的分布式聚类 | 第122-126页 |
| 4.4.4 聚类结果分析 | 第126-131页 |
| 4.5 本章小结 | 第131-132页 |
| 5 总结与展望 | 第132-136页 |
| 5.1 内容总结 | 第132-133页 |
| 5.2 主要创新点 | 第133-134页 |
| 5.3 研究展望 | 第134-136页 |
| 参考文献 | 第136-152页 |
| 作者简介 | 第152-153页 |