| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 K-means算法研究现状 | 第10-11页 |
| 1.2.2 分布式k-means算法研究现状 | 第11-12页 |
| 1.2.3 大数据在民航领域的应用 | 第12页 |
| 1.3 论文章节安排 | 第12-14页 |
| 第二章 相关理论基础 | 第14-20页 |
| 2.1 MapReduce运行环境与相关技术介绍 | 第14-17页 |
| 2.1.1 Hadoop简介 | 第14-15页 |
| 2.1.2 MapReduce程序执行过程 | 第15-17页 |
| 2.2 聚类分析 | 第17-18页 |
| 2.3 类间相似度 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 分布式Canopy-Kmeans算法 | 第20-36页 |
| 3.1 传统k-means算法及其不足 | 第20-21页 |
| 3.2 Canopy算法 | 第21-23页 |
| 3.2.1 Canopy算法介绍 | 第21页 |
| 3.2.2 Canopy算法流程 | 第21-23页 |
| 3.3 分布式Canopy-Kmeans算法 | 第23-28页 |
| 3.3.1 分布式Canopy-kmeans算法实现 | 第23-25页 |
| 3.3.2 分布式k-means算法伪代码 | 第25-28页 |
| 3.4 实验结果及分析 | 第28-35页 |
| 3.4.1 数据属性说明 | 第28-29页 |
| 3.4.2 实验环境搭建与数据预处理 | 第29-32页 |
| 3.4.3 算法比较实验结果分析 | 第32-33页 |
| 3.4.4 算法应用结果分析 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 改进的基于哈希的K-means算法 | 第36-46页 |
| 4.1 哈希算法 | 第36-37页 |
| 4.2 改进的基于哈希的初始聚类中心选取 | 第37-42页 |
| 4.2.1 算法的改进 | 第37-38页 |
| 4.2.2 算法基本思想 | 第38-39页 |
| 4.2.3 算法流程及其实现 | 第39-42页 |
| 4.3 实验结果与分析 | 第42-45页 |
| 4.3.1 算法比较结果分析 | 第42-43页 |
| 4.3.2 算法应用分析 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 总结与展望 | 第46-48页 |
| 5.1 全文总结 | 第46页 |
| 5.2 研究展望 | 第46-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 作者简介 | 第53页 |