| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 论文研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 SCADA系统的发展 | 第10-11页 |
| 1.2.2 分布式机器学习算法的发展 | 第11-12页 |
| 1.2.3 分布式机器学习算法在SCADA中的应用 | 第12-13页 |
| 1.3 研究内容 | 第13页 |
| 1.4 论文结构 | 第13-15页 |
| 第二章 机器学习算法与分布式计算框架 | 第15-25页 |
| 2.1 聚类分析与K均值算法 | 第15-17页 |
| 2.2 回归分析与决策树算法 | 第17-19页 |
| 2.3 分布式计算与分布式内存计算框架Spark | 第19-21页 |
| 2.4 分布式流式计算框架Spark Streaming | 第21-23页 |
| 2.5 分布式机器学习库Spark MLlib | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 面向网络的SCADA系统框架 | 第25-37页 |
| 3.1 整体架构 | 第25-27页 |
| 3.2 数据采集 | 第27-28页 |
| 3.3 数据传输 | 第28-29页 |
| 3.4 数据存储与分析 | 第29-34页 |
| 3.4.1 传统存储 | 第29-31页 |
| 3.4.2 分布式存储 | 第31-32页 |
| 3.4.3 分布式计算 | 第32-34页 |
| 3.5 分布式机器学习一般流程 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 基于实时数据的流式不良检测 | 第37-45页 |
| 4.1 系统不良数据检测 | 第37页 |
| 4.2 改进k均值算法 | 第37-38页 |
| 4.3 基于MLlibK均值++聚类的批量不良数据检测 | 第38-39页 |
| 4.4 检测模型验证 | 第39-43页 |
| 4.4.1 数据预处理 | 第39-42页 |
| 4.4.2 聚类结果 | 第42-43页 |
| 4.5 基于MLlibK均值++聚类的流式不良检测 | 第43-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 基于历史数据的离线负荷预测 | 第45-55页 |
| 5.1 历史数据挖掘与负荷预测 | 第45-46页 |
| 5.2 随机森林算法 | 第46-47页 |
| 5.3 基于MLlib并行随机森林回归预测 | 第47-48页 |
| 5.4 预测模型的验证 | 第48-53页 |
| 5.4.1 数据准备 | 第48-49页 |
| 5.4.2 模型训练 | 第49页 |
| 5.4.3 模型评估与最优化 | 第49-52页 |
| 5.4.4 最优结果 | 第52-53页 |
| 5.4.5 和其他模型的对比 | 第53页 |
| 5.5 本章小结 | 第53-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 工作总结 | 第55-56页 |
| 6.2 下一步工作 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 攻读学位期间所获得的相关科研成果 | 第63页 |
