| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状及分析 | 第10-13页 |
| 1.3 本文的工作 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 2 相关技术的研究与分析 | 第16-36页 |
| 2.1 数据挖掘概述 | 第16-23页 |
| 2.1.1 数据挖掘定义与特点 | 第16-18页 |
| 2.1.2 数据挖掘的一般步骤 | 第18-20页 |
| 2.1.3 常用的数据挖掘算法介绍 | 第20-23页 |
| 2.2 Hadoop平台研究 | 第23-31页 |
| 2.2.1 Hadoop平台简介 | 第23-25页 |
| 2.2.2 MapReduce工作原理及其执行流程 | 第25-28页 |
| 2.2.3 HDFS文件系统 | 第28-31页 |
| 2.3 决策树算法介绍与分析 | 第31-34页 |
| 2.4 本章小结 | 第34-36页 |
| 3 基于Hadoop的决策树算法改进及其并行化设计 | 第36-49页 |
| 3.1 相关信息论的数学定义 | 第36-37页 |
| 3.2 改进算法IP-C4.5建模 | 第37-40页 |
| 3.2.1 基于信息论的IGR数学模型构建 | 第37-38页 |
| 3.2.2 融合不确定概率理论的IP-IGR数学模型 | 第38-40页 |
| 3.3 改进算法IP-C4.5的实现 | 第40-43页 |
| 3.4 基于Hadoop的IP-C4.5算法实现 | 第43-48页 |
| 3.4.1 IP-C4.5算法并行化设计思想 | 第43-45页 |
| 3.4.2 IP-C4.5算法具体实现 | 第45-48页 |
| 3.5 本章小结 | 第48-49页 |
| 4 实验结果验证及林业数据分类应用 | 第49-68页 |
| 4.1 实验环境与操作方法 | 第49-55页 |
| 4.1.1 Hadoop平台搭建 | 第49-54页 |
| 4.1.2 实验操作方式 | 第54-55页 |
| 4.2 算法正确率与性能验证及分析 | 第55-60页 |
| 4.2.1 串行实验设计与分析 | 第55-57页 |
| 4.2.2 并行实验设计与分析 | 第57-58页 |
| 4.2.3 并行算法性能验证 | 第58-60页 |
| 4.3 基于Hadoop的IP-C4.5算法预测森林成熟度 | 第60-63页 |
| 4.3.1 实验数据准备 | 第60-61页 |
| 4.3.2 实验分析与结果评估 | 第61-63页 |
| 4.4 基于Hadoop的IP-C4.5预测海量森林覆盖类型 | 第63-67页 |
| 4.4.1 实验数据准备 | 第63-64页 |
| 4.4.2 实验分析与结果评估 | 第64-67页 |
| 4.5 本章小结 | 第67-68页 |
| 结论 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 攻读学位期间发表的学术论文 | 第72-73页 |
| 致谢 | 第73-74页 |
