| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外现状分析 | 第9-14页 |
| 1.2.1 常见的空间数据挖掘技术 | 第9-11页 |
| 1.2.2 Voronoi图算法研究现状 | 第11-13页 |
| 1.2.3 K-均值算法研究现状 | 第13-14页 |
| 1.3 论文的研究工作及特色 | 第14-15页 |
| 1.4 论文的结构 | 第15-16页 |
| 第2章 Hadoop相关技术 | 第16-26页 |
| 2.1 Apache Hadoop概况 | 第16-17页 |
| 2.2 HDFS机制 | 第17-21页 |
| 2.2.1 HDFS的架构 | 第18-19页 |
| 2.2.2 HDFS的工作流程 | 第19页 |
| 2.2.3 HDFS的优缺点 | 第19-21页 |
| 2.3 MapReduce模型 | 第21-25页 |
| 2.3.1 MapReduce的架构设计 | 第22-23页 |
| 2.3.2 MapReduce执行流程 | 第23-24页 |
| 2.3.3 MapReduce的过程 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于Hadoop的面元加权Voronoi图并行算法 | 第26-38页 |
| 3.1 面元加权Voronoi图的生成方法 | 第26-30页 |
| 3.1.1 面元加权Voronoi图基本定义 | 第26-28页 |
| 3.1.2 面元加权Voronoi图的栅格逼近方法 | 第28-30页 |
| 3.2 基于Hadoop的面元加权Voronoi图并行算法设计 | 第30-31页 |
| 3.2.1 算法的并行化分析 | 第30-31页 |
| 3.2.2 算法的复杂度分析 | 第31页 |
| 3.3 实验分析 | 第31-37页 |
| 3.3.1 实验平台及环境 | 第31-33页 |
| 3.3.2 实验性能及分析 | 第33-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于Hadoop的K-均值空间聚类算法 | 第38-54页 |
| 4.1 K-均值空间聚类算法 | 第38-43页 |
| 4.1.1 空间聚类 | 第38-39页 |
| 4.1.2 K-均值聚类 | 第39-41页 |
| 4.1.3 K-均值空间聚类 | 第41-43页 |
| 4.2 基于Hadoop的K-均值空间聚类算法设计 | 第43-45页 |
| 4.2.1 算法的并行化分析 | 第43-45页 |
| 4.2.2 算法的复杂度分析 | 第45页 |
| 4.3 实例分析 | 第45-52页 |
| 4.3.1 数据预处理 | 第46页 |
| 4.3.2 相似性度量 | 第46-47页 |
| 4.3.3 聚类结果的可视化及分析 | 第47-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 结论 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62-64页 |
| 攻读硕士学位期间科研成果 | 第64页 |
