| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究的背景和意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 研究的内容和目标 | 第17页 |
| 1.4 论文的组织结构 | 第17-20页 |
| 第二章 理论知识与技术背景 | 第20-32页 |
| 2.1 VC维与结构风险最小化归纳(SRM)原则 | 第20-21页 |
| 2.2 支持向量机（SVM）相关理论 | 第21-27页 |
| 2.2.1 寻找最优超平面 | 第22-23页 |
| 2.2.2 非线性支持向量机 | 第23-25页 |
| 2.2.3 内部多分类和外部多分类 | 第25-27页 |
| 2.3 并行支持向量机（PSVM） | 第27-29页 |
| 2.3.1 层叠式支持向量机（CascadeSVM） | 第27-28页 |
| 2.3.2 基于MapReduce的CascadeSVM | 第28-29页 |
| 2.4 常见的聚类算法 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 海量数据存储和并行计算框架 | 第32-46页 |
| 3.1 分布式文件系统简介 | 第32页 |
| 3.2 分析、评估分布式文件系统 | 第32-38页 |
| 3.2.1 HDFS的架构 | 第33-34页 |
| 3.2.2 HDFS的IO接口 | 第34-36页 |
| 3.2.3 其他分布式文件系统 | 第36-38页 |
| 3.3 并行计算框架 | 第38-44页 |
| 3.3.1 MapReduce工作原理 | 第38-40页 |
| 3.3.2 MapReduce的Shuffle阶段和Sort阶段 | 第40-42页 |
| 3.3.3 其他并行计算框架 | 第42-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第四章 基于聚簇的分布式支持向量机(SVM)算法实现 | 第46-58页 |
| 4.1 分布式并行SVM算法缺陷 | 第46-49页 |
| 4.2 分布式k-means聚类算法 | 第49-51页 |
| 4.3 基于k-means的分布式SVM算法设计 | 第51-52页 |
| 4.4 基于k-means的分布式SVM算法MapReduce实现 | 第52-55页 |
| 4.4.1 k-means的MapReduce函数设计 | 第52-53页 |
| 4.4.2 一层并行SVM的MapReduce函数设计 | 第53-55页 |
| 4.5 本章小结 | 第55-58页 |
| 第五章 实验方案与数据分析 | 第58-64页 |
| 5.1 实验平台准备 | 第58-59页 |
| 5.2 实验方案和数据分析 | 第59-63页 |
| 5.3 本章总结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 工作总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 作者简介 | 第72-73页 |
