| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 课题来源 | 第8页 |
| 1.3 研究发展现状 | 第8-10页 |
| 1.4 选题意义 | 第10-11页 |
| 1.5 论文主要研究内容 | 第11页 |
| 1.6 论文组织结构 | 第11-13页 |
| 第2章 相关技术与理论概述 | 第13-27页 |
| 2.1 支持向量机 | 第13-18页 |
| 2.1.1 基本概念 | 第13-14页 |
| 2.1.2 支持向量机的核函数 | 第14页 |
| 2.1.3 支持向量机分类机 | 第14-17页 |
| 2.1.4 软间隔支持向量机 | 第17-18页 |
| 2.2 AdaBoost的算法 | 第18-20页 |
| 2.2.1 AdaBoost基本概念 | 第18-20页 |
| 2.2.2 AdaBoost算法的优缺点 | 第20页 |
| 2.3 云平台 | 第20-26页 |
| 2.3.1 Hadoop简介 | 第20-22页 |
| 2.3.2 MapReduce | 第22-25页 |
| 2.3.3 HDFS | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于AdaBoostSVM算法的模型 | 第27-36页 |
| 3.1 概述 | 第27页 |
| 3.2 消费行为特征 | 第27-28页 |
| 3.3 基于AdaBoostSVM算法的模型 | 第28-32页 |
| 3.4 实证分析 | 第32-35页 |
| 3.4.1 实验环境 | 第32页 |
| 3.4.2 实验设置 | 第32-33页 |
| 3.4.3 实验验证与分析 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于云平台的AdaBoostSVM模型的并行化改进 | 第36-45页 |
| 4.1 环境搭建 | 第36-40页 |
| 4.1.1 Hadoop环境 | 第36-38页 |
| 4.1.2 Hive环境 | 第38-40页 |
| 4.2 并行化SVM | 第40-42页 |
| 4.3 实验验证 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 超市进存销系统实现 | 第45-52页 |
| 5.1 应用场景 | 第45页 |
| 5.2 系统架构 | 第45-47页 |
| 5.3 数据库设计 | 第47-50页 |
| 5.4 超市进存销系统的实现 | 第50-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第6章 结论与展望 | 第52-54页 |
| 6.1 结论 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读学位期间的研究成果 | 第58页 |