海量流数据挖掘相关问题研究
| 摘要 | 第9-11页 |
| Abstract | 第11-13页 |
| 第1章 绪论 | 第14-21页 |
| 1.1 研究背景和研究意义 | 第14-15页 |
| 1.2 研究内容 | 第15-17页 |
| 1.3 问题和挑战 | 第17-19页 |
| 1.4 本文的贡献 | 第19页 |
| 1.5 组织结构 | 第19-21页 |
| 第2章 相关研究工作 | 第21-33页 |
| 2.1 频繁模式挖掘的相关研究工作 | 第21-26页 |
| 2.2 时空数据k近邻搜索的相关研究工作 | 第26-31页 |
| 2.3 本章小结 | 第31-33页 |
| 第3章 流数据上的频繁伴随模式挖掘 | 第33-62页 |
| 3.1 引言 | 第33-36页 |
| 3.2 问题定义 | 第36-38页 |
| 3.3 第一种解决方案：DIMine算法 | 第38-39页 |
| 3.4 索引结构Seg-tree | 第39-47页 |
| 3.5 CooMine算法 | 第47-53页 |
| 3.6 实验 | 第53-61页 |
| 3.7 本章小结 | 第61-62页 |
| 第4章 基于分布式计算环境的频繁伴随模式发现方法 | 第62-71页 |
| 4.1 引言 | 第62页 |
| 4.2 FCP-DISCOVER算法 | 第62-66页 |
| 4.3 Modified-DISCOVER算法 | 第66-68页 |
| 4.4 基于S4平台的算法实现 | 第68页 |
| 4.5 实验 | 第68-70页 |
| 4.6 本章小结 | 第70-71页 |
| 第5章 海量时空数据可扩展分布式k近邻搜索 | 第71-97页 |
| 5.1 引言 | 第71-74页 |
| 5.2 DSI索引结构 | 第74-79页 |
| 5.3 分布式k近邻捜索算法 | 第79-87页 |
| 5.4 基于S4平台的DKNN算法实现 | 第87-89页 |
| 5.5 实验 | 第89-96页 |
| 5.6 本章小结 | 第96-97页 |
| 第6章 总结与展望 | 第97-100页 |
| 6.1 总结 | 第97-98页 |
| 6.2 展望 | 第98-100页 |
| 参考文献 | 第100-111页 |
| 致谢 | 第111-112页 |
| 攻读学位期间发表的学术论文目录 | 第112-113页 |
| 攻读学位期间参与科研项目情况 | 第113-114页 |
| 攻读学位期间所获奖励 | 第114-115页 |
| 外文论文 | 第115-142页 |
| 附件 | 第142页 |
