基于Spark平台的大数据聚类算法研究及其应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与课题来源 | 第9-11页 |
| 1.2 国内外相关研究 | 第11-12页 |
| 1.3 论文主要研究内容 | 第12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第二章 相关技术基本理论介绍 | 第14-21页 |
| 2.1 Spark分布式平台 | 第14-16页 |
| 2.1.1 Spark简介 | 第14-15页 |
| 2.1.2 Spark体系架构 | 第15-16页 |
| 2.2 HDFS存储和YARN资源管理器 | 第16-18页 |
| 2.2.1 HDFS存储 | 第16-17页 |
| 2.2.2 YARN资源管理器 | 第17-18页 |
| 2.3 聚类算法 | 第18-20页 |
| 2.3.1 划分聚类算法 | 第18-19页 |
| 2.3.2 层次聚类算法 | 第19页 |
| 2.3.3 密度聚类算法 | 第19-20页 |
| 2.3.4 网格聚类算法 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 聚类算法的研究与优化 | 第21-35页 |
| 3.1 聚类算法中的距离 | 第21-22页 |
| 3.1.1 欧式距离 | 第21页 |
| 3.1.2 切比雪夫距离 | 第21-22页 |
| 3.2 聚类算法 | 第22-29页 |
| 3.2.1 K-means聚类算法 | 第22-25页 |
| 3.2.2 BIRCH聚类算法 | 第25-29页 |
| 3.3 聚类算法的优化 | 第29-32页 |
| 3.3.1 数据汇聚预处理 | 第29-31页 |
| 3.3.2 数据排序处理 | 第31-32页 |
| 3.3.3 优化算法介绍 | 第32页 |
| 3.4 聚类算法性能对比 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 聚类算法并行化研究 | 第35-47页 |
| 4.1 并行计算与集群环境 | 第35-36页 |
| 4.1.1 并行计算概要 | 第35页 |
| 4.1.2 并行编程模型 | 第35-36页 |
| 4.2 算法的并行化实现 | 第36-42页 |
| 4.2.1 数据预处理并行化 | 第37-38页 |
| 4.2.2 K-means 算法并行化 | 第38-40页 |
| 4.2.3 BIRCH算法并行化 | 第40-42页 |
| 4.3 算法并行化的性能分析 | 第42-46页 |
| 4.3.1 并行算法的性能评价 | 第42-43页 |
| 4.3.2 并行算法的性能对比 | 第43-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 基于Spark平台大数据聚类应用 | 第47-58页 |
| 5.1 实验环境搭建 | 第47-52页 |
| 5.1.1 Linux 系统网络配置 | 第47-48页 |
| 5.1.2 Hadoop 集群搭建 | 第48-51页 |
| 5.1.3 Spark 集群搭建 | 第51-52页 |
| 5.1.4 GcoMcsa安装部署 | 第52页 |
| 5.2 实验数据分析 | 第52-54页 |
| 5.2.1 数据结构分析与抽取 | 第52-53页 |
| 5.2.2 数据分析方案 | 第53-54页 |
| 5.3 实验结果展示 | 第54-57页 |
| 5.3.1 GPS数据密度展示 | 第54-56页 |
| 5.3.2 未来数据预测 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 附录1 攻读硕士学位期间申请的专利 | 第62-63页 |
| 附录2 攻读硕士学位期间参见的科研项目 | 第63-64页 |
| 致谢 | 第64页 |
