| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 选题背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 种质资源信息化研究现状 | 第12-13页 |
| 1.2.2 Hadoop与数据仓库技术研究现状 | 第13-15页 |
| 1.2.3 聚类算法研究现状 | 第15-16页 |
| 1.2.4 种质资源品质评价研究现状 | 第16-17页 |
| 1.3 论文体系结构 | 第17-19页 |
| 第2章 相关理论介绍 | 第19-33页 |
| 2.1 农业大数据与数据仓库技术概述 | 第19-22页 |
| 2.1.1 大数据与农业大数据 | 第19-20页 |
| 2.1.2 数据挖掘概念 | 第20-21页 |
| 2.1.3 数据挖掘的流程 | 第21页 |
| 2.1.4 数据仓库技术概述 | 第21-22页 |
| 2.2 特征约简算法简介 | 第22-25页 |
| 2.2.1 线性映射方法 | 第23页 |
| 2.2.2 自编码器与稀疏自编码器 | 第23-25页 |
| 2.3 聚类算法概述 | 第25-28页 |
| 2.3.1 经典聚类算法简介 | 第25-26页 |
| 2.3.2 聚类算法的评价指标 | 第26-28页 |
| 2.4 大数据生态圈核心技术简介 | 第28-32页 |
| 2.4.1 Hadoop简介 | 第28-29页 |
| 2.4.2 Spark简介 | 第29-30页 |
| 2.4.3 Hadoop数据仓库工具介绍 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于聚类算法的种质资源品质评价 | 第33-51页 |
| 3.1 引言 | 第33-34页 |
| 3.2 基于主成分分析的特征提取 | 第34-36页 |
| 3.2.1 PCA原理介绍 | 第34-35页 |
| 3.2.2 基于PCA的特征提取 | 第35-36页 |
| 3.3 基于稀疏自编码器的特征提取 | 第36-39页 |
| 3.3.1 稀疏自编码器 | 第36-38页 |
| 3.3.2 堆栈式自编码神经网络 | 第38-39页 |
| 3.3.3 基于堆栈式稀疏自编码网络的特征提取 | 第39页 |
| 3.4 基于聚类的种质资源分类 | 第39-43页 |
| 3.4.1 K-means算法 | 第39-40页 |
| 3.4.2 基于商空间的距离计算算法 | 第40-41页 |
| 3.4.3 种质资源品质聚类算法 | 第41-43页 |
| 3.5 实验设计与结果分析 | 第43-49页 |
| 3.5.1 数据来源 | 第43-44页 |
| 3.5.2 实验设计 | 第44-45页 |
| 3.5.3 实验结果与分析 | 第45-47页 |
| 3.5.4 种质资源品质聚类算法的运用 | 第47-49页 |
| 3.6 本章小结 | 第49-51页 |
| 第4章 基于Spark和Hive的数据仓库的设计与实现 | 第51-67页 |
| 4.1 引言 | 第51页 |
| 4.2 种质资源数据仓库的设计 | 第51-61页 |
| 4.2.1 种质资源数据仓库的逻辑设计 | 第52-54页 |
| 4.2.2 种质资源数据仓库的物理设计 | 第54-58页 |
| 4.2.3 种质资源数据仓库的ETL设计 | 第58-60页 |
| 4.2.4 种质资源数据仓库的管理与维护 | 第60-61页 |
| 4.3 技术框架 | 第61-65页 |
| 4.3.1 系统实现 | 第61-62页 |
| 4.3.2 效果展示 | 第62-65页 |
| 4.4 本章小结 | 第65-67页 |
| 第5章 结论与展望 | 第67-69页 |
| 5.1 结论 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 在读期间发表的学术论文与取得的研究成果 | 第75页 |