| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-11页 |
| 1.1.1 数据挖掘与聚类分析 | 第8-9页 |
| 1.1.2 图像处理 | 第9-10页 |
| 1.1.3 大数据平台 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 聚类分析研究现状 | 第11页 |
| 1.2.2 图像处理研究现状 | 第11-12页 |
| 1.2.3 大数据平台研究现状 | 第12-14页 |
| 1.3 本文组织结构及内容 | 第14-15页 |
| 第二章 Spark平台简介 | 第15-25页 |
| 2.1 Spark简介及其组织架构 | 第15-18页 |
| 2.1.1 Spark生态系统 | 第16-17页 |
| 2.1.2 Spark工作流程 | 第17-18页 |
| 2.2 Spark工作原理 | 第18-20页 |
| 2.3 平台的核心技术 | 第20-21页 |
| 2.3.1 弹性分布式数据集 | 第20-21页 |
| 2.3.2 弹性分布式数据集特点 | 第21页 |
| 2.4 Spark与Hadoop对比及优缺点分析 | 第21-23页 |
| 2.4.1 Spark与Hadoop | 第21-22页 |
| 2.4.2 Spark与Hadoop的优缺点分析 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第三章K-means算法的分析与改进 | 第25-36页 |
| 3.1 聚类算法 | 第25-29页 |
| 3.1.1 聚类算法定义 | 第25-26页 |
| 3.1.2 传统聚类算法 | 第26-29页 |
| 3.1.3 聚类算法的发展趋势 | 第29页 |
| 3.2 传统的K-means聚类算法 | 第29-34页 |
| 3.2.1 K-means算法的基本思想 | 第29-30页 |
| 3.2.2 K-means算法步骤 | 第30-32页 |
| 3.2.3 K-means算法的优缺点 | 第32-34页 |
| 3.3 改进的K-means算法 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 处理岩石图像的算法应用 | 第36-45页 |
| 4.1 岩石图像聚类 | 第36-37页 |
| 4.2 岩石图像处理 | 第37-44页 |
| 4.2.1 岩石图像预处理 | 第37-41页 |
| 4.2.2 岩石图像的颜色特征提取 | 第41页 |
| 4.2.3 岩石图像聚类及结果分析 | 第41-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第五章 改进的K-means算法在Spark平台的实现 | 第45-55页 |
| 5.1 基于Spark并行化实现K-means算法 | 第45-47页 |
| 5.1.1 数据集采集阶段 | 第45-46页 |
| 5.1.2 K-means阶段 | 第46页 |
| 5.1.3 算法的并行化实现 | 第46-47页 |
| 5.2 实验结果分析 | 第47-50页 |
| 5.2.1 实验环境及实验数据 | 第47页 |
| 5.2.2 聚类实验 | 第47-48页 |
| 5.2.3 并行性能实验 | 第48-50页 |
| 5.3 Spark平台上的岩石图像实验结果分析 | 第50-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 工作总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-60页 |
| 攻读硕士学位期间发表的论文 | 第60-61页 |