| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究内容及主要工作 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-13页 |
| 第2章 基础知识 | 第13-29页 |
| 2.1 Hadoop云平台 | 第13-22页 |
| 2.1.1 HDFS的系统架构及工作机制 | 第13-18页 |
| 2.1.2 MapReduce的系统架构及工作机制 | 第18-21页 |
| 2.1.3 Yarn的系统架构及工作机制 | 第21-22页 |
| 2.2 受限玻尔兹曼机模型 | 第22-25页 |
| 2.2.1 RBM模型介绍 | 第23-24页 |
| 2.2.2 对比散度算法 | 第24-25页 |
| 2.3 Choquet模糊积分的分类器集成方法 | 第25-29页 |
| 第3章 MapReduce并行化机制的优劣比较研究 | 第29-34页 |
| 3.1 CNN算法 | 第29-30页 |
| 3.2 基于MapReduce的K-NN算法 | 第30-31页 |
| 3.3 2 种加速K-近邻算法的比较及结论 | 第31-34页 |
| 第4章 基于MapReduce和RBM的大数据集成分类 | 第34-49页 |
| 4.1 实验环境Hadoop2.0云平台搭建 | 第34-37页 |
| 4.2 基于MapReduce和RBM的大数据分类算法思想 | 第37-44页 |
| 4.2.1 单个RBM模型在MapReduce框架中的实现 | 第39-41页 |
| 4.2.2 基于MapReduce框架的多个RBM模型并行训练算法实现 | 第41-43页 |
| 4.2.3 基于模糊积分的多分类器集成算法实现 | 第43-44页 |
| 4.3 实验结果与分析 | 第44-49页 |
| 第5章 工作总结与展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53-54页 |
| 攻读学位期间获得的科研成果 | 第54页 |
