摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第9-13页 |
1.1 课题的背景和意义 | 第9页 |
1.2 国内外研究现状 | 第9-11页 |
1.3 本文研究内容 | 第11页 |
1.4 本文组织结构 | 第11-13页 |
第二章 聚类算法概述 | 第13-21页 |
2.1 聚类算法分类 | 第13-17页 |
2.1.1 基于划分的聚类 | 第13-14页 |
2.1.2 基于层次的聚类 | 第14页 |
2.1.3 基于密度的聚类 | 第14-15页 |
2.1.4 基于网格的聚类 | 第15页 |
2.1.5 基于模型的聚类 | 第15-16页 |
2.1.6 高维数据聚类 | 第16页 |
2.1.7 神经网络聚类 | 第16-17页 |
2.2 K-means聚类算法 | 第17-18页 |
2.2.1 K-means算法思想 | 第17-18页 |
2.2.2 K-means算法步骤 | 第18页 |
2.3 DBSCAN聚类算法 | 第18-20页 |
2.3.1 DBSCAN算法思想 | 第18-19页 |
2.3.2 DBSCAN算法流程 | 第19-20页 |
2.4 本章小结 | 第20-21页 |
第三章 并行计算模型简介 | 第21-33页 |
3.1 传统并行计算模型 | 第21-26页 |
3.1.1 MPI模型 | 第21-22页 |
3.1.2 PVM模型 | 第22-23页 |
3.1.3 OpenMP模型 | 第23-24页 |
3.1.4 Intel TBB模型 | 第24-25页 |
3.1.5 Cilk++模型 | 第25-26页 |
3.2 MapReduce并行计算模型 | 第26-31页 |
3.2.1 概述 | 第26-28页 |
3.2.2 执行流程 | 第28-29页 |
3.2.3 容错机制 | 第29页 |
3.2.4 Hadoop云计算平台 | 第29-31页 |
3.3 MapReduce与其他并行计算模型的比较 | 第31页 |
3.4 本章小结 | 第31-33页 |
第四章 基于MapReduce的并行K-means聚类算法 | 第33-42页 |
4.1 算法思想 | 第33-35页 |
4.2 数据划分方式 | 第35-37页 |
4.2.1 基于密度的划分方式 | 第35-36页 |
4.2.2 折半划分方式 | 第36-37页 |
4.3 HPKBDP算法的设计 | 第37-39页 |
4.4 实验结果与分析 | 第39-41页 |
4.5 本章小结 | 第41-42页 |
第五章 基于MapReduce的并行DBSCAN聚类算法 | 第42-57页 |
5.1 DBSCAN-MR算法思想 | 第42-44页 |
5.2 数据划分阶段 | 第44-48页 |
5.2.1 PRBP算法 | 第44-46页 |
5.2.2 FPRBP算法 | 第46-48页 |
5.3 DBSCAN-Map阶段 | 第48-52页 |
5.3.1 DBSCAN-Map阶段流程 | 第48-49页 |
5.3.2 FDBSCAN算法 | 第49-52页 |
5.4 DBSCAN-Reduce阶段 | 第52-53页 |
5.5 结果合并阶段 | 第53-54页 |
5.6 类别重新标记阶段 | 第54-55页 |
5.7 实验结果与分析 | 第55-56页 |
5.8 本章小结 | 第56-57页 |
第六章 总结与展望 | 第57-59页 |
6.1 总结 | 第57页 |
6.2 展望 | 第57-59页 |
参考文献 | 第59-63页 |
致谢 | 第63页 |