基于自然邻的密度聚类算法及其并行化研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-11页 |
| 1.1 课题研究背景 | 第8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 本文研究内容 | 第9-10页 |
| 1.4 本文组织架构 | 第10-11页 |
| 2 聚类算法的分类及现状 | 第11-20页 |
| 2.1 聚类分析算法概述 | 第11页 |
| 2.2 聚类算法的基础设计原则 | 第11-12页 |
| 2.3 聚类算法分类 | 第12-17页 |
| 2.3.1 基于划分的方法 | 第12-13页 |
| 2.3.2 基于层次的聚类算法 | 第13-14页 |
| 2.3.3 基于密度的聚类算法 | 第14-16页 |
| 2.3.4 基于网格的聚类算法 | 第16页 |
| 2.3.5 其他聚类算法 | 第16-17页 |
| 2.4 聚类算法中相似性度量 | 第17-18页 |
| 2.4.1 基于距离的相似性度量 | 第17-18页 |
| 2.4.2 基于相似度的相似性计算 | 第18页 |
| 2.5 本章小结 | 第18-20页 |
| 3 改进的DBSCAN算法(NN-DBSCAN) | 第20-34页 |
| 3.1 基于密度的聚类算法定义 | 第20页 |
| 3.2 DBSCAN算法以及其步骤与分析 | 第20-23页 |
| 3.2.1 DBSCAN算法 | 第20-22页 |
| 3.2.2 DBSCAN算法分析 | 第22-23页 |
| 3.3 OPTICS算法 | 第23-25页 |
| 3.3.1 OPTICS算法 | 第23-25页 |
| 3.3.2 OPTICS算法分析 | 第25页 |
| 3.4 NN-DBSCAN算法 | 第25-33页 |
| 3.4.1 自然邻居搜索算法 | 第26-27页 |
| 3.4.2 NN-DBSCAN算法 | 第27-32页 |
| 3.4.3 算法分析 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 4 NN-DBSCAN并行化 | 第34-45页 |
| 4.1 大数据 | 第34页 |
| 4.2 当前并行计算架构及分析 | 第34-35页 |
| 4.2.1 Hadoop | 第34页 |
| 4.2.2 Spark | 第34-35页 |
| 4.2.3 Hadoop与Spark优缺点分析 | 第35页 |
| 4.3 自然邻并行 | 第35-43页 |
| 4.3.1 kd树构建优化 | 第36-40页 |
| 4.3.2 自然邻居并行 | 第40-42页 |
| 4.3.3 并行分析 | 第42-43页 |
| 4.4 NN-DBSCAN并行 | 第43-44页 |
| 4.5 实验结果与分析 | 第44页 |
| 4.6 本章小结 | 第44-45页 |
| 5 实验与分析 | 第45-51页 |
| 5.1 实验 | 第45-50页 |
| 5.1.1 实验数据集 | 第45-46页 |
| 5.1.2 实验效果对比 | 第46-49页 |
| 5.1.3 实验时耗对比 | 第49-50页 |
| 5.2 分析 | 第50页 |
| 5.3 本章小结 | 第50-51页 |
| 6 总结与展望 | 第51-53页 |
| 6.1 全文总结 | 第51-52页 |
| 6.2 未来工作展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 附录 | 第57页 |
| A.攻读硕士期间发表的学术论文 | 第57页 |
| B.作者在攻读学位期间取得的科研成果目录 | 第57页 |
