| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-14页 |
| ·研究背景 | 第10-12页 |
| ·课题来源及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-12页 |
| ·课题主要研究内容 | 第12-13页 |
| ·论文组织结构 | 第13页 |
| ·本章小结 | 第13-14页 |
| 第2章 聚类及其相关领域理论研究 | 第14-27页 |
| ·数据挖掘 | 第14-17页 |
| ·基本概念和方法 | 第14页 |
| ·数据挖掘的产生 | 第14-15页 |
| ·数据挖掘方法的分类 | 第15-16页 |
| ·数据挖掘技术的发展方向 | 第16-17页 |
| ·聚类分析算法 | 第17-22页 |
| ·聚类的定义 | 第17页 |
| ·聚类分析算法的分类 | 第17-19页 |
| ·现有聚类算法的性能比较 | 第19页 |
| ·聚类分析算法需解决的问题 | 第19-20页 |
| ·聚类分析算法的评价准则 | 第20-21页 |
| ·聚类结果有效性适应度函数 | 第21-22页 |
| ·数据密集型计算（DIC） | 第22-24页 |
| ·数据密集型计算概念 | 第22页 |
| ·数据密集型计算的特点 | 第22-23页 |
| ·数据密集型计算的关键问题 | 第23页 |
| ·数据密集型计算的典型应用 | 第23-24页 |
| ·Hadoop项目 | 第24-26页 |
| ·Hadoop的组成 | 第24-26页 |
| ·Hadoop的优点 | 第26页 |
| ·本章小结 | 第26-27页 |
| 第3章 改进的基于熵的中心聚类算法（IECC） | 第27-34页 |
| ·基于熵的模糊聚类（EFC）算法 | 第27-30页 |
| ·基于熵的模糊聚类算法概念 | 第27-29页 |
| ·EFC算法相关研究 | 第29-30页 |
| ·中心点聚类算法 | 第30-31页 |
| ·k-中心点聚类算法 | 第30-31页 |
| ·PAM算法 | 第31页 |
| ·改进的基于熵的中心聚类算法（IECC）的提出 | 第31-33页 |
| ·实现思路 | 第31-32页 |
| ·算法步骤描述 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第4章 改进的聚类算法在数据密集型计算（DIC）环境下的实现 | 第34-39页 |
| ·DIC环境下进行数据挖掘需满足的要求 | 第34页 |
| ·改进的算法在DIC环境下的实现 | 第34-36页 |
| ·IECC算法在Hadoop上的实现 | 第36-38页 |
| ·Map阶段 | 第36-37页 |
| ·Reduce阶段 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第5章 实验与结果分析 | 第39-53页 |
| ·IECC算法实验验证 | 第39-43页 |
| ·实验环境及数据 | 第39-40页 |
| ·实验验证 | 第40-43页 |
| ·实验分析 | 第43页 |
| ·IECC算法在Map Reduce上的实验 | 第43-52页 |
| ·实验环境 | 第43-47页 |
| ·实验过程 | 第47-48页 |
| ·实验结果及分析 | 第48-52页 |
| ·本章小结 | 第52-53页 |
| 第6章 总结与展望 | 第53-55页 |
| ·总结 | 第53页 |
| ·展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士期间公开发表论文及科研情况 | 第59-60页 |
| 致谢 | 第60页 |