| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 本文工作及组织结构 | 第14-17页 |
| 第二章 在线故障预测研究相关技术 | 第17-36页 |
| 2.1 高性能计算机在线故障预测概念与模型 | 第17-18页 |
| 2.2 机器学习中的数据分类与预测 | 第18-23页 |
| 2.2.1 数据分类与预测原理 | 第18-19页 |
| 2.2.2 常用的分类算法 | 第19-23页 |
| 2.3 特征选择相关技术介绍 | 第23-28页 |
| 2.3.1 特征选择和特征提取的区别 | 第23-24页 |
| 2.3.2 特征选择的一般过程 | 第24-27页 |
| 2.3.3 常用的特征选择方法 | 第27-28页 |
| 2.4 集成式数据流分类相关技术介绍 | 第28-33页 |
| 2.4.1 数据流的概念及处理技术 | 第28-30页 |
| 2.4.2 数据流的增量学习 | 第30-31页 |
| 2.4.3 数据流分类模型 | 第31-33页 |
| 2.5 分类效果评估方法 | 第33-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 “天河一号”超级计算机结点状态数据预处理 | 第36-48页 |
| 3.1 “天河一号”超级计算机结点状态数据描述 | 第36-37页 |
| 3.2 “天河一号”结点状态数据清洗、归一化与贴标签 | 第37-38页 |
| 3.3 最大相关-最小冗余特征选择算法mRMR | 第38-41页 |
| 3.3.1 mRMR算法介绍 | 第39-40页 |
| 3.3.2 mRMR算法存在的缺陷 | 第40-41页 |
| 3.4 多准则赋权排序与SVM相结合的特征选择算法mCRC | 第41-44页 |
| 3.4.1 顺序前向搜索与顺序前向浮动搜索 | 第41-42页 |
| 3.4.2 mCRC算法特征筛选与排序 | 第42-43页 |
| 3.4.3 mCRC算法最终子集的确定 | 第43-44页 |
| 3.5 两种特征选择算法实验对比与分析 | 第44-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 “天河一号”超级计算机故障预测 | 第48-57页 |
| 4.1 传统集成式数据流挖掘的缺点 | 第48-49页 |
| 4.2 具有回忆与遗忘机制的数据流挖掘算法MAE | 第49-51页 |
| 4.2.1 回忆与遗忘机制原理 | 第49页 |
| 4.2.2 MAE算法模型及优缺点 | 第49-51页 |
| 4.3 改进的具有回忆与遗忘功能的数据流分类算法ReMAE | 第51-54页 |
| 4.3.1 类别不均衡数据流分类概述 | 第51-52页 |
| 4.3.2 ReMAE算法设计 | 第52-54页 |
| 4.4 多种集成式数据流分类算法实验结果比较与分析 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-60页 |
| 5.1 本文工作总结与主要创新点 | 第57-58页 |
| 5.2 未来工作展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 作者在学期间取得的学术成果 | 第65页 |
