| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本论文研究内容及主要成果 | 第10-12页 |
| 1.4 本论文的组织结构 | 第12-14页 |
| 第二章 相关背景知识介绍 | 第14-25页 |
| 2.1 非均衡数据集处理算法 | 第14-17页 |
| 2.1.1 数据层面 | 第14-16页 |
| 2.1.2 算法层面 | 第16-17页 |
| 2.2 Hadoop介绍 | 第17-25页 |
| 2.2.1 Hadoop发展背景 | 第17页 |
| 2.2.2 Hadoop生态系统 | 第17-19页 |
| 2.2.3 MapReduce | 第19-21页 |
| 2.2.4 HBase | 第21-23页 |
| 2.2.5 HDFS | 第23-25页 |
| 第三章 IPTV故障预判中的分类器的设计与实现 | 第25-36页 |
| 3.1 引言 | 第25页 |
| 3.2 朴素贝叶斯分类算法 | 第25-27页 |
| 3.3 CWNB-GC分类算法原理 | 第27-31页 |
| 3.3.1 信息增益加权 | 第27-29页 |
| 3.3.2 相关系数加权 | 第29-31页 |
| 3.3.3 综合系数属性加权 | 第31页 |
| 3.4 CWNB-GC算法实现具体步骤 | 第31-32页 |
| 3.5 仿真实验结果 | 第32-36页 |
| 第四章 IPTV故障预判中的非均衡数据处理算法设计 | 第36-46页 |
| 4.1 引言 | 第36页 |
| 4.2 数据集及预处理 | 第36-39页 |
| 4.2.1 数据集介绍 | 第36-37页 |
| 4.2.2 数据清洗及及预处理 | 第37-39页 |
| 4.3 SMOTE算法 | 第39-40页 |
| 4.3.1 SMOTE算法 | 第39页 |
| 4.3.2 Borderline-SMOTE | 第39-40页 |
| 4.4 K-Means-SMOTE算法 | 第40-42页 |
| 4.4.1 K-Means算法 | 第40页 |
| 4.4.2 K-Means-SMOTE算法实现步骤 | 第40-42页 |
| 4.5 IPTV故障预判模型 | 第42-46页 |
| 4.5.1 模型性能评估函数 | 第42-44页 |
| 4.5.2 仿真实验结果 | 第44-46页 |
| 第五章 IPTV故障预判系统的设计与实现 | 第46-59页 |
| 5.1 系统需求分析 | 第46页 |
| 5.1.1 系统前端可视化界面 | 第46页 |
| 5.1.2 系统后台 | 第46页 |
| 5.2 系统环境配置 | 第46-47页 |
| 5.2.1 硬件环境 | 第46-47页 |
| 5.2.2 软件环境 | 第47页 |
| 5.3 系统设计 | 第47-51页 |
| 5.3.1 系统整体架构 | 第47-50页 |
| 5.3.2 系统功能模块 | 第50-51页 |
| 5.4 系统实现 | 第51-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1总结 | 第59-60页 |
| 6.2展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录1 攻读硕士学位期间申请的专利 | 第64-65页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第65-66页 |
| 致谢 | 第66页 |