| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 论文研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-16页 |
| 第二章 相关研究工作 | 第16-28页 |
| 2.1 异常点相关理论 | 第16-17页 |
| 2.1.1 异常点的定义 | 第16页 |
| 2.1.2 异常点产生的原因 | 第16-17页 |
| 2.1.3 异常点的分类 | 第17页 |
| 2.2 异常点检测方法概述 | 第17-20页 |
| 2.2.1 基于统计的方法 | 第18-19页 |
| 2.2.2 基于距离的方法 | 第19页 |
| 2.2.3 基于密度的方法 | 第19-20页 |
| 2.2.4 基于聚类的方法 | 第20页 |
| 2.3 Hadoop平台和MapReduce编程模型 | 第20-25页 |
| 2.3.1 Hadoop平台 | 第20-23页 |
| 2.3.2 MapReduce编程模型 | 第23-25页 |
| 2.4 异常点检测的应用 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 一种基于信息熵的分类属性异常点检测算法 | 第28-40页 |
| 3.1 数据预处理 | 第28-31页 |
| 3.1.1 相关概念及定义 | 第28-29页 |
| 3.1.2 剪枝算法 | 第29-31页 |
| 3.2 基于信息熵的异常点检测 | 第31-34页 |
| 3.2.1 相关理论工作 | 第31-32页 |
| 3.2.2 相关概念及定义 | 第32-33页 |
| 3.2.3 基于和熵的异常点检测算法 | 第33-34页 |
| 3.3 辅助算法 | 第34-35页 |
| 3.3.1 相关概念及定义 | 第34页 |
| 3.3.2 属性频率值算法 | 第34-35页 |
| 3.4 实验结果与分析 | 第35-38页 |
| 3.4.1 实验环境 | 第35-36页 |
| 3.4.2 准确性实验分析 | 第36-37页 |
| 3.4.3 效率和扩展性实验分析 | 第37-38页 |
| 3.6 本章小结 | 第38-40页 |
| 第四章 一种基于密度的数值属性异常点检测算法 | 第40-58页 |
| 4.1 K-means聚类中心的初始化 | 第40-44页 |
| 4.1.1 相关理论工作 | 第41-43页 |
| 4.1.2 相关概念及定义 | 第43页 |
| 4.1.3 聚类中心初始化算法 | 第43-44页 |
| 4.2 基于MapReduce的K-means算法 | 第44-47页 |
| 4.2.1 相关研究工作 | 第44-46页 |
| 4.2.2 基于MapReduce的高密度数据集的计算 | 第46页 |
| 4.2.3 基于MapReduce的K-means算法 | 第46页 |
| 4.2.4 基于剪枝策略的异常点候选集选择 | 第46-47页 |
| 4.3 基于密度的异常点检测算法 | 第47-49页 |
| 4.3.1 LOF理论基础 | 第47页 |
| 4.3.2 相关概念与定义 | 第47-49页 |
| 4.3.3 LOF算法 | 第49页 |
| 4.4 算法流程 | 第49-51页 |
| 4.5 实验结果与分析 | 第51-56页 |
| 4.5.1 实验设置 | 第51页 |
| 4.5.2 实验数据集 | 第51-52页 |
| 4.5.3 实验结果 | 第52-56页 |
| 4.6 本章小结 | 第56-58页 |
| 第五章 结论 | 第58-62页 |
| 5.1 本文工作总结 | 第58-59页 |
| 5.2 研究与展望 | 第59-62页 |
| 参考文献 | 第62-66页 |
| 作者简介 | 第66页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第66-68页 |
| 致谢 | 第68页 |
