分布式多学习器指纹匹配定位算法
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 选题背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.2.1 指纹匹配定位算法研究现状 | 第13页 |
| 1.2.2 Hadoop技术研究现状 | 第13-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文结构 | 第15-17页 |
| 第二章 定位技术以及Hadoop技术概述 | 第17-29页 |
| 2.1 传统定位技术 | 第17页 |
| 2.2 指纹匹配定位算法概述 | 第17-20页 |
| 2.2.1 最大似然估计算法 | 第18-19页 |
| 2.2.2 加权K近邻算法 | 第19-20页 |
| 2.3 受限玻尔兹曼机 | 第20-24页 |
| 2.3.1 RBM对数似然函数梯度 | 第22-23页 |
| 2.3.2 RBM训练算法 | 第23-24页 |
| 2.4 Hadoop技术概述 | 第24-29页 |
| 2.4.1 MapReduce编程模型 | 第25-26页 |
| 2.4.2 HDFS文件系统 | 第26-29页 |
| 第三章分布式多学习器组合定位算法 | 第29-47页 |
| 3.1 定位流程 | 第29-34页 |
| 3.1.1 数据来源介绍 | 第29-30页 |
| 3.1.2 算法流程设计 | 第30-32页 |
| 3.1.3 数据预处理 | 第32-34页 |
| 3.2 最大相似度定位算法 | 第34-38页 |
| 3.2.1 距离度量 | 第34页 |
| 3.2.2 最大相似度定位算法实现 | 第34-35页 |
| 3.2.3 加权K最大相似度匹配算法 | 第35-36页 |
| 3.2.4 小区域模式识别 | 第36-38页 |
| 3.3 基于受限玻尔兹曼机分类的算法实现 | 第38-42页 |
| 3.3.1 分区模型建立 | 第38-40页 |
| 3.3.2 受限玻尔兹曼机判决模型 | 第40-42页 |
| 3.4 算法性能分析 | 第42-45页 |
| 3.4.1 实验准备 | 第42页 |
| 3.4.2 实验结果 | 第42-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第四章 分布式计算部署 | 第47-57页 |
| 4.1 分布式计算平台介绍 | 第47-50页 |
| 4.1.1 分布式计算平台特点 | 第47-48页 |
| 4.1.2 MapReduce并行计算技术 | 第48-49页 |
| 4.1.3 HDFS存储技术 | 第49-50页 |
| 4.2 分布式算法实现 | 第50-54页 |
| 4.2.1 Hadoop集群搭建 | 第50-51页 |
| 4.2.2 分布式算法设计 | 第51-53页 |
| 4.2.3 Hadoop集群性能优化 | 第53-54页 |
| 4.3 结果分析 | 第54页 |
| 4.4 本章小结 | 第54-57页 |
| 第五章 模型应用 | 第57-61页 |
| 5.1 题目简介 | 第57页 |
| 5.2 算法流程 | 第57-59页 |
| 5.3 实验结果分析 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 工作总结 | 第61页 |
| 6.2 下一步研究方向 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 攻读研究生期间研究成果 | 第68页 |
