| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 前言 | 第7-12页 |
| 1.1 研究目的和意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-10页 |
| 1.2.1 气象数据挖掘的国内外研究现状 | 第7-8页 |
| 1.2.2 基于Hadoop的数据挖掘的国内外研究现状 | 第8-10页 |
| 1.3 研究内容和方法 | 第10页 |
| 1.4 研究成果 | 第10-11页 |
| 1.5 论文组织结构 | 第11-12页 |
| 第二章 相关理论及方法 | 第12-24页 |
| 2.1 K-means聚类算法 | 第12-14页 |
| 2.1.1 K-means聚类算法思想 | 第12页 |
| 2.1.2 K-means聚类算法流程 | 第12-13页 |
| 2.1.3 K-means聚类算法优缺点 | 第13-14页 |
| 2.2 DBSCAN聚类算法 | 第14-19页 |
| 2.2.1 DBSCAN聚类算法思想 | 第14页 |
| 2.2.2 DBSCAN聚类算法基本概念 | 第14-17页 |
| 2.2.3 DBSCAN聚类算法执行流程 | 第17-18页 |
| 2.2.4 DBSCAN聚类算法优缺点 | 第18-19页 |
| 2.3 Hadoop分布式系统 | 第19-23页 |
| 2.3.1 Hadoop概述 | 第19-20页 |
| 2.3.2 HDFS(分布式文件系统) | 第20-21页 |
| 2.3.3 MapReduce(分布式计算框架) | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 聚类算法改进研究 | 第24-36页 |
| 3.1 网格化与数据处理 | 第24-26页 |
| 3.2 GK-means算法 | 第26-31页 |
| 3.2.1 GK-means算法的思想 | 第26-27页 |
| 3.2.2 GK-means算法流程 | 第27-28页 |
| 3.2.3 GK-means算法实验结果 | 第28-31页 |
| 3.3 G-DBSCAN算法 | 第31-35页 |
| 3.3.1 G-DBSCAN算法的思想 | 第31-32页 |
| 3.3.2 G-DBSCAN算法流程 | 第32-34页 |
| 3.3.3 G-DBSCAN算法实验结果 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于Hadoop的GK-means和G-DBSCAN聚类算法 | 第36-49页 |
| 4.1 基于Hadoop的GK-means算法 | 第36-42页 |
| 4.1.1 算法基本思想 | 第36-38页 |
| 4.1.2 算法具体实现 | 第38-40页 |
| 4.1.3 算法实验结果 | 第40-42页 |
| 4.2 基于Hadoop的G-DBSCAN算法 | 第42-48页 |
| 4.2.1 算法基本思想 | 第42-45页 |
| 4.2.2 算法具体实现 | 第45-47页 |
| 4.2.3 算法实验结果 | 第47-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 基于Hadoop的聚类算法在气候区划中的应用 | 第49-54页 |
| 5.1 气候区划 | 第49-50页 |
| 5.2 基于Hadoop的并行GK-means算法在温度带区划中的应用 | 第50-51页 |
| 5.3 基于Hadoop的并行G-DBSCAN算法在风速带区划中的应用 | 第51-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第六章 总结和展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 进一步的工作 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 作者简介 | 第61-62页 |
| 致谢 | 第62页 |
