| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及选题意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 气象数据挖掘研究现状 | 第10页 |
| 1.2.2 云平台下数据挖掘研究现状 | 第10-11页 |
| 1.3 论文的主要工作 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-13页 |
| 第二章 开源云平台Hadoop的相关技术 | 第13-21页 |
| 2.1 Hadoop的概述 | 第13-15页 |
| 2.2 HDFS介绍 | 第15-17页 |
| 2.2.1 HDFS结构 | 第15-16页 |
| 2.2.2 HDFS的可靠性和数据均衡化机制 | 第16-17页 |
| 2.3 MapReduce编程模型 | 第17-20页 |
| 2.3.1 MapReduce实现机制 | 第17-18页 |
| 2.3.2 MapReduce执行流程 | 第18-19页 |
| 2.3.3 MapReduce的计算模型 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 气象数据挖掘分类算法的研究 | 第21-35页 |
| 3.1 气象数据的特性分析 | 第21-22页 |
| 3.2 数据挖掘简介 | 第22-25页 |
| 3.2.1 数据挖掘的定义和任务 | 第22-23页 |
| 3.2.2 数据挖掘的过程 | 第23-24页 |
| 3.2.3 数据挖掘方法 | 第24-25页 |
| 3.3 气象数据挖掘的分类方法比较 | 第25-32页 |
| 3.3.1 决策树分类 | 第26-27页 |
| 3.3.2 朴素贝叶斯分类 | 第27-29页 |
| 3.3.3 贝叶斯网络分类 | 第29-32页 |
| 3.4 本章小结 | 第32-35页 |
| 第四章 基于Hadoop的离散贝叶斯网络分类器的改进实现 | 第35-51页 |
| 4.1 贝叶斯网络学习 | 第35-38页 |
| 4.1.1 贝叶斯网络结构学习 | 第35-37页 |
| 4.1.2 贝叶斯网络参数学习 | 第37-38页 |
| 4.2 基于预测能力的离散贝叶斯网络结构学习 | 第38-40页 |
| 4.2.1 离散变量预测能力的定义 | 第38-39页 |
| 4.2.2 确定贝叶斯网络的初始结构 | 第39页 |
| 4.2.3 对初始结构进行调整 | 第39-40页 |
| 4.3 现有贝叶斯分类器的不足 | 第40页 |
| 4.4 离散贝叶斯网络分类器的算法改进思路 | 第40-42页 |
| 4.5 改进算法的具体实施 | 第42-50页 |
| 4.5.1 气象数据预处理的MapReduce实现 | 第42-46页 |
| 4.5.2 训练贝叶斯网络分类模型的MapReduce实现 | 第46-49页 |
| 4.5.3 精度评估的MapReduce实现 | 第49-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第五章 实验与结果分析 | 第51-57页 |
| 5.1 实验环境和数据 | 第51-53页 |
| 5.1.1 实验环境 | 第51-52页 |
| 5.1.2 实验数据 | 第52-53页 |
| 5.2 实验结果与分析 | 第53-56页 |
| 5.2.1 贝叶斯网络结构 | 第53-55页 |
| 5.2.2 预测精度分析 | 第55-56页 |
| 5.3 本章总结 | 第56-57页 |
| 第六章 总结和展望 | 第57-59页 |
| 6.1 论文总结 | 第57-58页 |
| 6.2 本文的不足 | 第58页 |
| 6.3 工作展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63-65页 |
| 致谢 | 第65-67页 |
| 攻读学位期间发表的学术论文目录 | 第67页 |
