| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 SVM增量学习算法 | 第12-14页 |
| 1.2.2 并行SVM算法 | 第14页 |
| 1.2.3 并行增量式SVM | 第14-15页 |
| 1.2.4 集成学习与SVM | 第15-16页 |
| 1.3 论文工作 | 第16页 |
| 1.4 组织结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 相关技术 | 第18-28页 |
| 2.1 SVM | 第18-19页 |
| 2.2 MapReduce | 第19-21页 |
| 2.3 HDFS | 第21-23页 |
| 2.4 HBase | 第23-25页 |
| 2.5 Ensemble Learning | 第25-26页 |
| 2.6 本章小结 | 第26-28页 |
| 第三章 基于Hadoop架构的数据驱动SVM并行增量学习算法研究 | 第28-39页 |
| 3.1 设计思路 | 第28-29页 |
| 3.2 优化模型 | 第29-34页 |
| 3.2.1 基于HBase的Controllor组件优化迭代 | 第29-30页 |
| 3.2.2 增量学习中利用遗忘因子控制训练样本规模 | 第30-32页 |
| 3.2.3 集成学习并行化 | 第32-34页 |
| 3.3 算法框架概述 | 第34-35页 |
| 3.4 PIASVM算法实现详解 | 第35-38页 |
| 3.4.1 数据划分阶段 | 第35-36页 |
| 3.4.2 并行学习阶段 | 第36-37页 |
| 3.4.3 增量学习阶段 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 实验分析 | 第39-48页 |
| 4.1 实验环境 | 第39-40页 |
| 4.2 实验数据 | 第40页 |
| 4.3 实验结果分析 | 第40-47页 |
| 4.3.1 遗忘因子控制下算法分类精度与样本数变化 | 第40-41页 |
| 4.3.2 迭代次数对分类精度的影响 | 第41-43页 |
| 4.3.3 加速比，数据伸缩度，扩展率 | 第43-45页 |
| 4.3.4 算法分类精度与训练时间对比分析 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 发表论文和参加科研情况说明 | 第53-54页 |
| 致谢 | 第54-55页 |
