| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.3 主要工作 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 2 背景知识 | 第16-24页 |
| 2.1 支持向量机 | 第16-21页 |
| 2.1.1 最大边缘超平面 | 第16-18页 |
| 2.1.2 线性支持向量机算法 | 第18-19页 |
| 2.1.3 非线性支持向量机分类算法 | 第19-21页 |
| 2.2 MapReduce 编程模式 | 第21-22页 |
| 2.3 Hadoop 平台 | 第22-24页 |
| 3 基于 MapReduce 的非线性支持向量机分类算法 | 第24-43页 |
| 3.1 MR-SVM 算法分析与设计 | 第25-27页 |
| 3.1.1 并行策略 | 第25-26页 |
| 3.1.2 分布式训练与联合重训练 | 第26-27页 |
| 3.2 MR-C-SVM 算法分析与设计 | 第27-33页 |
| 3.2.1 非线性 SVM 分类算法迭代执行的原理 | 第27-28页 |
| 3.2.2 迭代循环机制 | 第28页 |
| 3.2.3 MR-C-SVM 算法数据处理模型 | 第28-29页 |
| 3.2.4 MR-C-SVM 算法描述 | 第29-33页 |
| 3.3 MR-II-SVM 算法分析与设计 | 第33-35页 |
| 3.3.1 MR-II-SVM 的增量学习方法 | 第33-34页 |
| 3.3.2 MR-II-SVM 算法数据处理模型 | 第34-35页 |
| 3.4 MapReduce 编程模式的扩展 | 第35-42页 |
| 3.4.1 支持迭代的扩展 | 第36-40页 |
| 3.4.2 针对 MR-C-SVM 的扩展 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 收敛性证明与性能分析 | 第43-47页 |
| 4.1 MR-C-SVM 算法的收敛性证明 | 第43-45页 |
| 4.2 MR-II-SVM 算法性能分析 | 第45-46页 |
| 4.3 本章小结 | 第46-47页 |
| 5 实验与结果分析 | 第47-53页 |
| 5.1 实验环境配置 | 第47页 |
| 5.2 数据集描述 | 第47页 |
| 5.3 MR-C-SVM 算法实验与分析 | 第47-49页 |
| 5.3.1 MR-C-SVM 算法的运行效率实验分析 | 第48页 |
| 5.3.2 MR-C-SVM 算法的精度实验分析 | 第48-49页 |
| 5.4 MR-II-SVM 算法实验与分析 | 第49-52页 |
| 5.4.1 MR-II-SVM 算法的精度实验分析 | 第49-50页 |
| 5.4.2 MR-II-SVM 算法的加速比及运行效率实验分析 | 第50-52页 |
| 5.5 本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 论文工作总结 | 第53-54页 |
| 6.2 未来工作展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间发表的学术论文与研究成果 | 第59页 |
