| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 论文研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文主要工作 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 相关概念概述 | 第16-27页 |
| 2.1 数据流分类算法概述 | 第16-19页 |
| 2.1.1 基于稳定分布数据流分类算法 | 第16-17页 |
| 2.1.2 基于概念漂移数据流分类算法 | 第17-19页 |
| 2.2 贝叶斯分类算法概述 | 第19-21页 |
| 2.2.1 贝叶斯定理 | 第19页 |
| 2.2.2 朴素贝叶斯分类 | 第19-21页 |
| 2.2.3 贝叶斯数据流分类算法概述 | 第21页 |
| 2.3 Flink数据流处理引擎 | 第21-25页 |
| 2.3.1 数据流处理引擎比较 | 第22-23页 |
| 2.3.2 Flink平台概述 | 第23-25页 |
| 2.4 分布式处理相关工具概述 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 增量式贝叶斯数据流分类 | 第27-38页 |
| 3.1 先验分布 | 第27-29页 |
| 3.1.1 信息先验 | 第27-29页 |
| 3.1.2 共轭先验 | 第29页 |
| 3.2 基于共轭Dirichlet先验贝叶斯流分类 | 第29-34页 |
| 3.2.1 贝叶斯增量模型 | 第29-30页 |
| 3.2.2 Dirichlet分布 | 第30-31页 |
| 3.2.3 基于共轭Dirichlet先验参数估计 | 第31-33页 |
| 3.2.4 基于共轭Dirichlet先验增量更新 | 第33-34页 |
| 3.3 实验分析 | 第34-37页 |
| 3.4 本章小节 | 第37-38页 |
| 第四章 概念漂移检测算法研究 | 第38-48页 |
| 4.1 概念漂移检测算法LFR | 第38-43页 |
| 4.2 实验分析 | 第43-46页 |
| 4.3 本章小结 | 第46-48页 |
| 第五章 基于Flink分布式的流分类并行算法设计与实现 | 第48-60页 |
| 5.1 基于Flink分类模型架构设计 | 第48-54页 |
| 5.1.1 训练学习模块 | 第51-52页 |
| 5.1.2 预测分类模块 | 第52-53页 |
| 5.1.3 概念漂移检测模块 | 第53-54页 |
| 5.1.4 重新分类机制 | 第54页 |
| 5.2 性能评估模块设计 | 第54-55页 |
| 5.3 Redis数据结构设计 | 第55-56页 |
| 5.4 实验分析 | 第56-59页 |
| 5.4.1 集群环境介绍 | 第56-57页 |
| 5.4.2 数据集介绍 | 第57页 |
| 5.4.3 实验结果与分析 | 第57-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间取得的研究成果 | 第68页 |
