高维数据降维处理关键技术研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12页 |
| 1.3 国内外研究现状 | 第12-17页 |
| 1.3.1 国外研究现状 | 第13-14页 |
| 1.3.2 国内研究现状 | 第14-16页 |
| 1.3.3 问题总结 | 第16-17页 |
| 1.4 本文研究目标及主要内容 | 第17-18页 |
| 1.4.1 研究对象及目标 | 第17页 |
| 1.4.2 主要内容 | 第17-18页 |
| 1.5 本文组织结构 | 第18-19页 |
| 第二章 高维数据降维方法分析 | 第19-33页 |
| 2.1 线性降维 | 第19-25页 |
| 2.1.1 独立成分分析 | 第19-20页 |
| 2.1.2 局部保持投影 | 第20-21页 |
| 2.1.3 线性判别分析 | 第21-23页 |
| 2.1.4 主成分分析 | 第23-25页 |
| 2.2 非线性降维 | 第25-30页 |
| 2.2.1 局部线性嵌入 | 第26-28页 |
| 2.2.2 拉普拉斯特征映射 | 第28页 |
| 2.2.3 核主成分分析 | 第28-30页 |
| 2.2.4 等距特征映射 | 第30页 |
| 2.3 常用降维方法优缺点总结 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 降维分类框架 | 第33-43页 |
| 3.1 降维的分类 | 第33-34页 |
| 3.2 特征选择 | 第34-40页 |
| 3.2.1 算法的三维分类 | 第35-36页 |
| 3.2.2 Filter模型 | 第36-37页 |
| 3.2.3 Wrapper模型 | 第37-38页 |
| 3.2.4 Hybrid模型 | 第38-40页 |
| 3.3 特征提取 | 第40-42页 |
| 3.3.1 线性 | 第41页 |
| 3.3.2 非线性 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于信息熵的高维大数据降维算法 | 第43-67页 |
| 4.1 问题提出 | 第43-44页 |
| 4.2 信息熵 | 第44-45页 |
| 4.3 E-PCA算法设计 | 第45-49页 |
| 4.3.1 改进设想 | 第46页 |
| 4.3.2 算法流程 | 第46-49页 |
| 4.4 实验与结果分析 | 第49-61页 |
| 4.4.1 R公司数据实验结果 | 第49-57页 |
| 4.4.2 数据集Arcene的实验结果 | 第57-61页 |
| 4.5 服务器实验结果 | 第61-65页 |
| 4.5.1 内存占用 | 第61-63页 |
| 4.5.2 运行时间 | 第63-64页 |
| 4.5.3 降维后的结果维数 | 第64-65页 |
| 4.5.4 降维前后分类准确率 | 第65页 |
| 4.6 本章小结 | 第65-67页 |
| 第五章 高维数据降维的分布式处理 | 第67-93页 |
| 5.1 分布式文件系统 | 第67-70页 |
| 5.1.1 节点的物理结构 | 第67页 |
| 5.1.2 文件系统结构 | 第67-70页 |
| 5.2 计算框架 | 第70-74页 |
| 5.3 降维的分布式处理 | 第74-77页 |
| 5.3.1 基于PCA的处理流程 | 第74-75页 |
| 5.3.2 基于E-PCA的处理流程 | 第75-77页 |
| 5.4 平台搭建 | 第77-81页 |
| 5.4.1 集群结构 | 第77页 |
| 5.4.2 集群搭建 | 第77-81页 |
| 5.5 关键过程实现 | 第81-86页 |
| 5.5.1 读取文件函数 | 第81-83页 |
| 5.5.2 PCA算法 | 第83-84页 |
| 5.5.3 Map函数 | 第84-86页 |
| 5.5.4 Reduce函数 | 第86页 |
| 5.6 实验结果 | 第86-92页 |
| 5.6.1 PCA算法 | 第86-88页 |
| 5.6.2 E-PCA算法 | 第88-92页 |
| 5.7 本章小结 | 第92-93页 |
| 第六章 总结与展望 | 第93-95页 |
| 6.1 本文总结 | 第93页 |
| 6.2 研究展望 | 第93-95页 |
| 致谢 | 第95-96页 |
| 参考文献 | 第96-101页 |
| 攻读硕士期间取得的研究成果 | 第101-102页 |
