| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第2章 流数据聚类算法的相关研究 | 第15-32页 |
| 2.1 流数据聚类算法的相关概念 | 第15-20页 |
| 2.1.1 聚类分析 | 第15-16页 |
| 2.1.2 流数据聚类的特点 | 第16-17页 |
| 2.1.3 相似性度量和聚类性能度量 | 第17-20页 |
| 2.2 实验环境及数据集 | 第20-21页 |
| 2.2.1 实验环境 | 第20页 |
| 2.2.2 实验数据集 | 第20-21页 |
| 2.3 面向静态数据的聚类算法 | 第21-26页 |
| 2.3.1 K-Means算法 | 第21-23页 |
| 2.3.2 模糊C-均值算法 | 第23-24页 |
| 2.3.3 实验结果及分析 | 第24-26页 |
| 2.4 演化聚类算法 | 第26-31页 |
| 2.4.1 ECM算法 | 第26-28页 |
| 2.4.2 实验结果及分析 | 第28-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于DBI的流数据在线演化聚类算法DBIECM | 第32-39页 |
| 3.1 DBIECM算法 | 第32-35页 |
| 3.2 实验结果及分析 | 第35-38页 |
| 3.2.1 参数阈值对DBIECM算法的影响 | 第35-36页 |
| 3.2.2 聚类性能和效率分析 | 第36-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第4章 流数据实时在线演化聚类算法SD-ECM和ECMStream | 第39-67页 |
| 4.1 流数据实时在线演化聚类算法SD-ECM | 第39-47页 |
| 4.1.1 聚类簇的特征向量及其计算 | 第39-42页 |
| 4.1.2 SD-ECM算法 | 第42-44页 |
| 4.1.3 实验结果及分析 | 第44-47页 |
| 4.2 参数阈值优化的流数据实时在线演化聚类算法ECMStream | 第47-62页 |
| 4.2.1 聚类簇间的距离度量 | 第48-51页 |
| 4.2.2 ECMStream算法 | 第51-53页 |
| 4.2.3 实验结果及分析 | 第53-62页 |
| 4.3 过期数据的处理 | 第62-63页 |
| 4.4 基于Storm的SD-ECM算法和ECMStream算法实现方案设计 | 第63-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第5章 总结与展望 | 第67-70页 |
| 5.1 全文总结 | 第67-68页 |
| 5.2 研究展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 攻读学位期间获得的学位论文相关的科研成果 | 第76页 |
