首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机软件论文--程序设计、软件工程论文--程序设计论文

基于遗传算法的并行化K-means聚类算法研究

摘要第4-6页
ABSTRACT第6-7页
第一章 绪论第11-17页
    1.1 研究背景与意义第11-12页
    1.2 国内外研究现状第12-14页
        1.2.1 K-means聚类算法研究现状第12-13页
        1.2.2 基于云平台的K-means聚类算法研究现状第13-14页
    1.3 论文研究内容第14-15页
    1.4 论文内容组织结构第15-17页
第二章 相关技术概述第17-34页
    2.1 数据挖掘概述第17-19页
        2.1.1 数据挖掘定义第17页
        2.1.2 数据挖掘基本过程第17-19页
    2.2 数据挖掘聚类分析概述第19-22页
        2.2.1 聚类分析定义第19页
        2.2.2 聚类分析种类第19-21页
        2.2.3 聚类分析相似性度量第21-22页
        2.2.4 聚类结果评价标准第22页
        2.2.5 聚类分析基本过程第22页
    2.3 经典遗传算法概述第22-25页
        2.3.1 遗传算法研究历史与现状第22-23页
        2.3.2 遗传算法基本原理第23-24页
        2.3.3 遗传算法执行流程第24-25页
    2.4 聚类算法并行化技术概述第25-28页
        2.4.1 分布式计算技术概述第25-26页
        2.4.2 并行计算性能评价指标第26-28页
    2.5 云计算平台Spark第28-32页
        2.5.1 Spark架构与生态第28-31页
        2.5.2 Spark执行流程第31-32页
    2.6 资源调度平台YARN第32-34页
第三章 传统K-means算法及改进算法研究第34-44页
    3.1 传统K-means聚类算法研究第34-36页
        3.1.1 K-means聚类算法基本原理第34-36页
        3.1.2 K-means聚类算法优缺点第36页
    3.2 基于改进遗传算法的混合K-means聚类算法设计与实现第36-44页
        3.2.1 改进K-means算法设计思路第36-37页
        3.2.2 改进K-means算法具体实现第37-41页
        3.2.3 数据归一化第41页
        3.2.4 改进算法的执行流程第41-44页
第四章 分布式环境下K-means改进算法的并行化研究第44-51页
    4.1 Spark并行计算模型第44页
    4.2 基于Spark的GA-K-means算法的并行化设计第44-46页
    4.3 基于Spark的GA-K-means算法的并行化实现第46-51页
第五章 实验平台搭建与结果分析第51-63页
    5.1 实验平台搭建第51-53页
        5.1.1 硬件环境配置第51页
        5.1.2 软件环境配置第51-52页
        5.1.3 资源管理平台YARN的搭建第52页
        5.1.4 Spark集群开发环境搭建第52-53页
    5.2 实验数据第53页
    5.3 实验评价指标第53-54页
    5.4 实验结果分析第54-63页
        5.4.1 K-means算法与GA-K-means算法聚类分析第54-61页
        5.4.2 基于Spark的并行化GA-K-means算法聚类分析第61-63页
第六章 总结与展望第63-65页
    6.1 总结第63-64页
    6.2 展望第64-65页
参考文献第65-68页
致谢第68-69页
攻读学位期间研究成果第69页

论文共69页,点击 下载论文
上一篇:基于差分进化的支持向量机及其在柔性基板制造过程异常识别中的应用
下一篇:基于时间序列与神经网络的发动机积碳预测研究