| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文的研究内容 | 第15-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第二章 相关知识研究 | 第19-33页 |
| 2.1 聚类概述 | 第19-24页 |
| 2.1.1 聚类的定义 | 第19-20页 |
| 2.1.2 聚类算法的分类 | 第20-22页 |
| 2.1.3 聚类算法的典型要求 | 第22-24页 |
| 2.2 DBSCAN聚类算法的聚类思想 | 第24-25页 |
| 2.3 大数据计算架构模型 | 第25-30页 |
| 2.3.1 Hadoop | 第25-26页 |
| 2.3.2 HDFS | 第26-28页 |
| 2.3.3 MapReduce | 第28-30页 |
| 2.4 笛卡尔积性质及定理 | 第30-31页 |
| 2.5 粒子群PSO算法 | 第31页 |
| 2.6 本章小结 | 第31-33页 |
| 第三章 DBSCAN聚类困境的解决 | 第33-45页 |
| 3.1 基于笛卡尔积的数据分区 | 第34-36页 |
| 3.2 PDP-DBSCAN聚类算法的簇聚类实现 | 第36-37页 |
| 3.3 PDP-DBSCAN聚类算法的实现 | 第37页 |
| 3.4 实验验证与分析 | 第37-44页 |
| 3.4.1 实验环境 | 第38页 |
| 3.4.2 算法的效率和精度实验 | 第38-42页 |
| 3.4.3 集群性能实验 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 DBSCAN聚类效果的优化 | 第45-53页 |
| 4.1 DBSCAN初始参数对聚类的影响 | 第45-46页 |
| 4.2 基于PSO的参数自适应DBSCAN聚类算法 | 第46-49页 |
| 4.2.1 参数自适应Eps、Minpts | 第47-49页 |
| 4.3 实验验证与分析 | 第49-52页 |
| 4.3.1 实验环境 | 第49-50页 |
| 4.3.2 算法准确率和稳定性对比 | 第50页 |
| 4.3.3 算法性能比较 | 第50-51页 |
| 4.3.4 算法的加速比与扩展性 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 DBSCAN聚类机制的提升 | 第53-61页 |
| 5.1 非监督学习向监督学习的交叉融合 | 第53页 |
| 5.2 增量学习的简介 | 第53页 |
| 5.3 支持向量机（SVM）增量学习法 | 第53-54页 |
| 5.3.1 支持向量机 | 第53-54页 |
| 5.3.2 KTT条件 | 第54页 |
| 5.4 基于支持向量机增量学习的DBSCAN聚类算法 | 第54-56页 |
| 5.5 实验验证与分析 | 第56-61页 |
| 5.5.1 实验环境 | 第56-57页 |
| 5.5.2 存储开销对比 | 第57页 |
| 5.5.3 算法执行效率对比 | 第57-58页 |
| 5.5.4 算法加速比和扩展性 | 第58-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 本文工作总结 | 第61-62页 |
| 6.2 下一步工作 | 第62-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 作者简历 | 第69页 |