| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究的背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 电力设备故障诊断研究现状 | 第11-12页 |
| 1.2.2 云平台下数据挖掘研究现状 | 第12-13页 |
| 1.3 本文主要工作及内容安排 | 第13-15页 |
| 第2章 并行计算技术的研究 | 第15-19页 |
| 2.1 Hadoop 平台概述 | 第15页 |
| 2.2 MapReduce 并行计算框架介绍 | 第15-18页 |
| 2.2.1 MapReduce 的集群行为 | 第16-17页 |
| 2.2.2 MapReduce 的任务执行流程 | 第17页 |
| 2.2.3 Hadoop 集群规模与 MapReduce 运行速度的关系 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 电力设备并行故障诊断方案的设计 | 第19-23页 |
| 3.1 整体设计 | 第19-20页 |
| 3.2 云计算基础设施层 | 第20-21页 |
| 3.3 故障诊断平台层 | 第21-22页 |
| 3.4 应用层 | 第22页 |
| 3.5 本章小结 | 第22-23页 |
| 第4章 基于 MapReduce 的数据挖掘算法的并行化方法 | 第23-33页 |
| 4.1 数据的预处理 | 第23-24页 |
| 4.2 分类算法介绍 | 第24-29页 |
| 4.2.1 朴素贝叶斯算法 | 第25-26页 |
| 4.2.2 朴素贝叶斯算法原理 | 第26-27页 |
| 4.2.3 朴素贝叶斯算法实现过程 | 第27-28页 |
| 4.2.4 基于 MapReduce 的朴素贝叶斯算法并行化过程 | 第28-29页 |
| 4.3 数据聚类 | 第29-32页 |
| 4.3.1 k-means 算法原理 | 第30-31页 |
| 4.3.2 基于 MapReduce 的 K-means 算法并行化过程 | 第31-32页 |
| 4.4 本章小结 | 第32-33页 |
| 第5章 基于 Hadoop 的电力设备状态信息并行故障诊断实验平台与测试 | 第33-40页 |
| 5.1 实验环境 | 第33页 |
| 5.2 变压器故障类型及离散化标准 | 第33-35页 |
| 5.3 朴素贝叶斯算法并行化实验 | 第35-37页 |
| 5.3.1 朴素贝叶斯算法并行化的验证 | 第35页 |
| 5.3.2 Hadoop 集群与单机运行时间对比实验 | 第35-36页 |
| 5.3.3 算法加速比性能分析 | 第36-37页 |
| 5.4 K-means 算法并行化实验 | 第37-39页 |
| 5.4.1 K-means 算法并行化的验证 | 第37页 |
| 5.4.2 Hadoop 集群与单机运行时间对比实验 | 第37-38页 |
| 5.4.3 算法加速比性能分析 | 第38-39页 |
| 5.5 本章小结 | 第39-40页 |
| 第6章 总结与展望 | 第40-42页 |
| 6.1 总结 | 第40页 |
| 6.2 展望 | 第40-42页 |
| 参考文献 | 第42-45页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第45-46页 |
| 致谢 | 第46页 |
