大数据环境下高维数据处理若干问题
| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-14页 |
| ·引言 | 第9页 |
| ·数据挖掘 | 第9-10页 |
| ·数据挖掘概念 | 第9-10页 |
| ·数据挖掘流程 | 第10页 |
| ·数据挖掘常用技术 | 第10页 |
| ·大数据研究概况 | 第10-12页 |
| ·发展背景 | 第10-11页 |
| ·研究现状 | 第11页 |
| ·大数据挖掘面临的挑战 | 第11-12页 |
| ·高维大数据处理 | 第12页 |
| ·本文组织结构 | 第12-13页 |
| ·本文研究内容与创新点 | 第13-14页 |
| 第二章 高维数据降维算法研究 | 第14-22页 |
| ·引言 | 第14页 |
| ·维度约减 | 第14页 |
| ·一种改进的基于信息熵的降维算法 | 第14-18页 |
| ·信息熵 | 第14-15页 |
| ·主成份分析(PCA)算法 | 第15-17页 |
| ·一种改进的基于信息熵的PCA降维算法 | 第17-18页 |
| ·实验与结果分析 | 第18-21页 |
| ·数据集及实验方法 | 第18-20页 |
| ·数据分析和小结 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 高维数据聚类算法研究 | 第22-27页 |
| ·引言 | 第22页 |
| ·高维数据聚类方法 | 第22-24页 |
| ·高维数据相似度 | 第22-23页 |
| ·高维数据聚类算法 | 第23-24页 |
| ·一种改进的高维数据聚类方法 | 第24-25页 |
| ·一种改进的相似度函数Psim() | 第24页 |
| ·算法框架 | 第24-25页 |
| ·实验与结果分析 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第四章 基于子空间的高维多数据流聚类算法研究 | 第27-37页 |
| ·研究背景 | 第27页 |
| ·数据流聚类 | 第27-30页 |
| ·数据流简介 | 第27页 |
| ·数据流聚类简介 | 第27-28页 |
| ·数据流聚类研究现状 | 第28-30页 |
| ·现有算法存在的问题 | 第30页 |
| ·基于子空间的高维多数据流聚类方法 | 第30-34页 |
| ·子空间数据流聚类 | 第31-32页 |
| ·一种新的数据流的综合权重表示 | 第32-33页 |
| ·相似性函数简介 | 第33页 |
| ·算法设计 | 第33-34页 |
| ·实验与小结 | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 第五章 全文总结与展望 | 第37-39页 |
| ·全文总结 | 第37页 |
| ·展望 | 第37-39页 |
| 参考文献 | 第39-43页 |
| 致谢 | 第43-44页 |
