基于云平台的并行SVM算法研究与实现
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究内容 | 第11-13页 |
| 1.2.1 相关理论介绍 | 第11页 |
| 1.2.2 支持向量机研究 | 第11-12页 |
| 1.2.3 并行支持向量机实现 | 第12页 |
| 1.2.4 并行支持向量机实验验证 | 第12页 |
| 1.2.5 实际项目应用 | 第12-13页 |
| 1.3 论文组织结构 | 第13页 |
| 1.4 本章小结 | 第13-14页 |
| 第二章 相关理论介绍 | 第14-24页 |
| 2.1 分布式开源框架Hadoop | 第14-19页 |
| 2.1.1 分布式文件系统HDFS | 第14-17页 |
| 2.1.2 并行计算机制MapReduce | 第17-19页 |
| 2.2 数据挖掘 | 第19-21页 |
| 2.2.1 数据挖掘过程 | 第20-21页 |
| 2.3 统计学习理论基础 | 第21-22页 |
| 2.3.1 VC 维 | 第22页 |
| 2.3.2 结构风险最小化 | 第22页 |
| 2.4 本章小结 | 第22-24页 |
| 第三章 支持向量机 | 第24-30页 |
| 3.1 支持向量机算法 | 第24-28页 |
| 3.1.1 线形情况 | 第24-26页 |
| 3.1.2 非线性情况 | 第26-28页 |
| 3.1.3 支持向量机特点 | 第28页 |
| 3.2 支持向量机多类别分类方法 | 第28-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第四章 并行支持向量机实现 | 第30-38页 |
| 4.1 传统大数据处理方法 | 第30-31页 |
| 4.2 并行支持向量机实现 | 第31-36页 |
| 4.2.1 并行支持向量机实现方法 | 第31-33页 |
| 4.2.2 并行支持向量机实现过程 | 第33-36页 |
| 4.3 本章小结 | 第36-38页 |
| 第五章 实际项目应用 | 第38-55页 |
| 5.1 系统需求 | 第38-39页 |
| 5.2 系统介绍 | 第39-41页 |
| 5.3 集成并行支持向量机 | 第41-45页 |
| 5.4 支持向量机界面展示 | 第45-47页 |
| 5.5 支持向量机使用流程 | 第47-50页 |
| 5.6 支持向量机实验验证 | 第50-53页 |
| 5.6.1 正确性测试 | 第50-51页 |
| 5.6.2 性能测试 | 第51-53页 |
| 5.7 本章小结 | 第53-55页 |
| 第六章 总结及展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间发表的学术论文目录 | 第61页 |
