| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第12-28页 |
| 1.1 研究背景、目的和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-26页 |
| 1.2.1 典型相关分析的研究现状 | 第14-19页 |
| 1.2.2 数据流相关分析的研究现状 | 第19-26页 |
| 1.3 研究内容 | 第26-27页 |
| 1.4 论文组织结构 | 第27-28页 |
| 第2章 基于秩2更新的多维数据流CCA跟踪算法研究 | 第28-42页 |
| 2.1 引言 | 第28-29页 |
| 2.2 秩2更新理论 | 第29页 |
| 2.3 典型相关秩2更新算法 | 第29-36页 |
| 2.3.1 算法基本思路 | 第30页 |
| 2.3.2 样本协方差矩阵的递推求解 | 第30-32页 |
| 2.3.3 矩阵B的秩2更新原理 | 第32-33页 |
| 2.3.4 矩阵U的求解算法 | 第33-35页 |
| 2.3.5 算法TCCA | 第35-36页 |
| 2.4 仿真实验及结果分析 | 第36-41页 |
| 2.4.1 算法稳定性分析 | 第37-38页 |
| 2.4.2 算法执行时间对比 | 第38-39页 |
| 2.4.3 窗口长度对精度和运行时间的影响 | 第39-40页 |
| 2.4.4 维数对精度和运行时间的影响 | 第40-41页 |
| 2.5 本章小结 | 第41-42页 |
| 第3章 基于酶数值P系统的动态数据场CCA方法研究 | 第42-70页 |
| 3.1 引言 | 第42-43页 |
| 3.2 数据场和酶数值P系统 | 第43-46页 |
| 3.2.1 数据场及势函数 | 第43-44页 |
| 3.2.2 膜计算及酶数值P系统 | 第44-46页 |
| 3.3 基于酶数值P系统的动态数据场CCA | 第46-55页 |
| 3.3.1 数据场CCA | 第46-50页 |
| 3.3.2 基于ENPS的数据场势值的快速求解 | 第50-55页 |
| 3.4 仿真实验及结果分析 | 第55-68页 |
| 3.4.1 基于ENPS的数据场势值计算效率分析 | 第55-58页 |
| 3.4.2 DFCCA所提取特征的分布特点阐释 | 第58-62页 |
| 3.4.3 DFCCA在非线性数据上的类边界辨识 | 第62-65页 |
| 3.4.4 DFCCA在图像分割中的应用 | 第65-68页 |
| 3.5 本章小结 | 第68-70页 |
| 第4章 基于云运算的大数据流CCA方法研究 | 第70-88页 |
| 4.1 引言 | 第70-71页 |
| 4.2 相关概念 | 第71-72页 |
| 4.3 大数据流CCA方法 | 第72-79页 |
| 4.3.1 面向大数据的分布式云架构设计 | 第72-73页 |
| 4.3.2 BDCCA执行流程 | 第73-74页 |
| 4.3.3 端点云的生成 | 第74-78页 |
| 4.3.4 多维云合并运算 | 第78-79页 |
| 4.4 仿真实验及结果分析 | 第79-87页 |
| 4.4.1 仿真云平台及实验数据 | 第79页 |
| 4.4.2 各参数对端点云生成的影响 | 第79-82页 |
| 4.4.3 多维云合并运算的效率分析 | 第82-83页 |
| 4.4.4 BDCCA的有效性评估 | 第83-87页 |
| 4.5 本章小结 | 第87-88页 |
| 第5章 CCA在位置流隐私保护中的应用研究 | 第88-102页 |
| 5.1 引言 | 第88-89页 |
| 5.2 基于CCA的个性化轨迹隐匿算法 | 第89-96页 |
| 5.2.1 相关概念 | 第89-90页 |
| 5.2.2 算法思想 | 第90-92页 |
| 5.2.3 算法描述 | 第92-94页 |
| 5.2.4 算法有效性及复杂性分析 | 第94-96页 |
| 5.3 仿真实验及结果分析 | 第96-101页 |
| 5.3.1 实验数据及环境设置 | 第96-97页 |
| 5.3.2 隐匿数据可用性 | 第97-100页 |
| 5.3.3 运行时间比较 | 第100-101页 |
| 5.4 本章小结 | 第101-102页 |
| 结论 | 第102-104页 |
| 参考文献 | 第104-112页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第112-114页 |
| 致谢 | 第114-115页 |