| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 分布式计算技术研究现状 | 第14-15页 |
| 1.2.2 数据挖掘技术研究现状 | 第15-17页 |
| 1.3 论文研究目标与内容 | 第17页 |
| 1.4 论文的组织结构 | 第17-19页 |
| 第二章 相关理论与设计分析 | 第19-36页 |
| 2.1 数据挖掘概述 | 第19-21页 |
| 2.2 分布式计算框架概述 | 第21-30页 |
| 2.2.1 Hadoop计算框架 | 第21-24页 |
| 2.2.2 Spark计算框架 | 第24-29页 |
| 2.2.3 Spark相比Hadoop的优势 | 第29-30页 |
| 2.3 分类算法 | 第30-32页 |
| 2.3.1 分类算法概述 | 第30页 |
| 2.3.2 分类算法的分类 | 第30-32页 |
| 2.4 聚类算法 | 第32-34页 |
| 2.4.1 聚类算法概述 | 第32页 |
| 2.4.2 聚类算法的分类 | 第32-34页 |
| 2.5 设计分析 | 第34-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 DBSCAN聚类算法的并行化优化 | 第36-53页 |
| 3.1 基于密度聚类的DBSCAN算法 | 第36-41页 |
| 3.1.1 DBSCAN算法相关概念 | 第36-38页 |
| 3.1.2 DBSCAN算法聚类过程 | 第38-41页 |
| 3.2 基于Spark的DBSCAN聚类算法并行化优化 | 第41-52页 |
| 3.2.1 基于二维数据的数据分割 | 第43-47页 |
| 3.2.2 本地聚类 | 第47页 |
| 3.2.3 融合聚类 | 第47-52页 |
| 3.3 本章小结 | 第52-53页 |
| 第四章 L1-SVM分类算法的并行化优化 | 第53-63页 |
| 4.1 L1-SVM算法概述 | 第53-57页 |
| 4.1.1 SVM算法简介 | 第53-54页 |
| 4.1.2 SMO算法 | 第54页 |
| 4.1.3 L1范数正则化SVM | 第54-57页 |
| 4.2 现存的SVM并行化思路 | 第57-58页 |
| 4.3 基于Spark的多分类L1-SVM并行化优化 | 第58-62页 |
| 4.3.1 分类决策策略 | 第58页 |
| 4.3.2 Mini-Batch梯度下降的L1-SVM | 第58-59页 |
| 4.3.3 多个子模型的L1-SVM | 第59-62页 |
| 4.3.4 R-SVM的负载均衡问题 | 第62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 系统实现及验证分析 | 第63-76页 |
| 5.1 系统平台设计 | 第63-66页 |
| 5.1.1 系统总体框架 | 第63-64页 |
| 5.1.2 系统环境搭建 | 第64-66页 |
| 5.2 R-DBSCAN算法实验结果与分析 | 第66-69页 |
| 5.3 多分类L1-SVM算法实验结果与分析 | 第69-75页 |
| 5.4 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 总结 | 第76-77页 |
| 6.2 展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82-83页 |
