面向大规模数据的离群点检测算法研究及应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要研究内容及组织结构 | 第13-16页 |
| 1.3.1 本文主要研究内容 | 第13页 |
| 1.3.2 论文组织结构 | 第13-16页 |
| 第2章 相关技术研究 | 第16-30页 |
| 2.1 离群点概述 | 第16-18页 |
| 2.1.1 离群点的定义与产生原因 | 第16页 |
| 2.1.2 离群点表示方式 | 第16-17页 |
| 2.1.3 离群点评价指标 | 第17页 |
| 2.1.4 离群点研究热点 | 第17-18页 |
| 2.2 离群点检测算法概述 | 第18-23页 |
| 2.2.1 基于密度的离群点检测方法 | 第18-20页 |
| 2.2.2 基于统计的离群点检测方法 | 第20-21页 |
| 2.2.3 基于聚类的离群点检测方法 | 第21-22页 |
| 2.2.4 基于深度的离群点检测方法 | 第22页 |
| 2.2.5 基于距离的离群点检测方法 | 第22-23页 |
| 2.3 Hadoop技术架构研究 | 第23-29页 |
| 2.3.1 Hadoop技术背景 | 第23-24页 |
| 2.3.2 MapReduce编程框架 | 第24-26页 |
| 2.3.3 Hadoop分布式文件系统 | 第26-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于聚类的离群点检测算法 | 第30-44页 |
| 3.1 一种改进的K中心点聚类算法 | 第30-35页 |
| 3.1.1 传统K中心点算法的分析 | 第30-32页 |
| 3.1.2 算法的改进思想 | 第32-33页 |
| 3.1.3 改进算法的详细设计 | 第33-35页 |
| 3.1.4 算法复杂度分析 | 第35页 |
| 3.2 基于聚类的离群点检测算法 | 第35-37页 |
| 3.2.1 基于聚类的离群点描述 | 第35-36页 |
| 3.2.2 判定离群点的指标 | 第36页 |
| 3.2.3 离群点检测算法设计 | 第36-37页 |
| 3.3 实验结果与分析 | 第37-43页 |
| 3.3.1 数据集 | 第37-38页 |
| 3.3.2 评估参数 | 第38-39页 |
| 3.3.3 测试环境 | 第39-40页 |
| 3.3.4 聚类算法实验 | 第40-41页 |
| 3.3.5 离群点检测算法实验 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 基于分布式计算的并行化设计 | 第44-52页 |
| 4.1 算法并行化分析 | 第44-45页 |
| 4.2 K中心点聚类算法的并行化实现 | 第45-47页 |
| 4.2.1 聚类算法思路 | 第45页 |
| 4.2.2 聚类算法详细设计方案 | 第45-47页 |
| 4.3 离群点检测算法的并行化实现 | 第47-50页 |
| 4.3.1 离群点检测算法思路 | 第47-48页 |
| 4.3.2 离群点检测算法详细设计方案 | 第48-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第5章 算法性能及实验分析 | 第52-60页 |
| 5.1 实验数据 | 第52页 |
| 5.2 实验平台搭建 | 第52-55页 |
| 5.2.1 实验整体架构 | 第52-53页 |
| 5.2.2 环境配置 | 第53-55页 |
| 5.3 实验结果分析 | 第55-58页 |
| 5.3.1 准确度分析 | 第55-56页 |
| 5.3.2 加速比分析 | 第56-57页 |
| 5.3.3 计算效率分析 | 第57-58页 |
| 5.4 本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第67-68页 |
| 致谢 | 第68页 |
