| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 国内外现状 | 第8-10页 |
| 1.3 本论文结构安排 | 第10-12页 |
| 第二章 基本理论与相关技术 | 第12-31页 |
| 2.1 大数据相关技术介绍 | 第12-24页 |
| 2.1.1 Spark分布式计算框架 | 第12-18页 |
| 2.1.2 Spark与Hadoop比较 | 第18-20页 |
| 2.1.3 Spark MLlib机器学习 | 第20-24页 |
| 2.2 传统图像分类 | 第24-30页 |
| 2.2.1 图像分类技术 | 第24-26页 |
| 2.2.2 Bag-of-Words模型 | 第26-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 平台搭建与性能对比 | 第31-40页 |
| 3.1 集群安装部署 | 第31-35页 |
| 3.1.1 硬件环境 | 第31-32页 |
| 3.1.2 安装Scala | 第32-33页 |
| 3.1.3 配置Spark文件 | 第33-34页 |
| 3.1.4 Spark on YARN运行与测试 | 第34-35页 |
| 3.2 Spark K-Means | 第35-38页 |
| 3.2.1 K-Means算法 | 第35-36页 |
| 3.2.2 基于Spark的K-Means实现 | 第36-38页 |
| 3.3 K-Means在Hadoop和Spark上的性能对比 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于MR-BoW的分布式图像分类框架 | 第40-56页 |
| 4.1 背景概述 | 第40-41页 |
| 4.2 分布式图像分类框架 | 第41-47页 |
| 4.2.1 整体框架和算法流程 | 第41-43页 |
| 4.2.2 MR-BoW中词频直方图的构建 | 第43-46页 |
| 4.2.3 基于Spark多元分类 | 第46-47页 |
| 4.3 实验设计与结果分析 | 第47-54页 |
| 4.3.1 实验环境 | 第48页 |
| 4.3.2 数据集 | 第48-50页 |
| 4.3.3 实验设计 | 第50页 |
| 4.3.4 实验结果及分析 | 第50-54页 |
| 4.4 实验总结 | 第54页 |
| 4.4.1 实验瓶颈 | 第54页 |
| 4.4.2 优势 | 第54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 子空间聚类算法LBF在Spark集群上的实现 | 第56-65页 |
| 5.1 子空间聚类概述 | 第56-57页 |
| 5.2 LBF算法及其分布式实现 | 第57-63页 |
| 5.2.1 子空间学习算法LBF | 第57-59页 |
| 5.2.2 LBF在Spark上的分布式实现 | 第59-63页 |
| 5.3 实验结果及分析 | 第63-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 全文总结 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 作者简介 | 第73页 |