| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-26页 |
| 1.1 研究背景 | 第12-15页 |
| 1.2 预备知识 | 第15-22页 |
| 1.2.1 极限学习机及在线极限学习机 | 第15-17页 |
| 1.2.2 集成学习方法 | 第17页 |
| 1.2.3 相关大数据处理框架 | 第17-21页 |
| 1.2.4 相关多维数据索引 | 第21-22页 |
| 1.3 本文的研究内容和主要贡献 | 第22-24页 |
| 1.4 本文的组织结构 | 第24-26页 |
| 第2章 相关工作综述 | 第26-38页 |
| 2.1 极限学习机优化技术 | 第26-28页 |
| 2.1.1 极限学习机集成算法 | 第26-27页 |
| 2.1.2 极限学习机训练速度优化 | 第27-28页 |
| 2.2 MapReduce执行性能优化 | 第28-33页 |
| 2.2.1 同构环境 | 第29-30页 |
| 2.2.2 异构环境 | 第30-33页 |
| 2.3 MapReduce查询优化 | 第33-37页 |
| 2.3.1 Block级索引 | 第33-35页 |
| 2.3.2 HDFS级索引 | 第35页 |
| 2.3.3 HBase级索引 | 第35-36页 |
| 2.3.4 数据库级索引 | 第36页 |
| 2.3.5 视图级索引 | 第36页 |
| 2.3.6 独立于MapReduce索引 | 第36-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第3章 支持在线极限学习机集成框架的并行模型训练方法 | 第38-60页 |
| 3.1 问题背景 | 第38-39页 |
| 3.2 在线极限学习机集成框架 | 第39-44页 |
| 3.2.1 集成框架 | 第39-42页 |
| 3.2.2 算法 | 第42-44页 |
| 3.2.3 框架分析 | 第44页 |
| 3.3 并行在线极限学习机集成方法 | 第44-51页 |
| 3.3.1 基本思想 | 第44-46页 |
| 3.3.2 PEOS-ELM方法 | 第46-49页 |
| 3.3.3 准确率分析 | 第49-50页 |
| 3.3.4 代价分析 | 第50-51页 |
| 3.4 实验结果与分析 | 第51-58页 |
| 3.4.1 实验设置 | 第51-53页 |
| 3.4.2 真实数据集评测 | 第53-55页 |
| 3.4.3 合成数据集评测 | 第55-58页 |
| 3.5 本章小结 | 第58-60页 |
| 第4章 支持多个在线极限学习机的并行模型训练方法 | 第60-84页 |
| 4.1 问题背景 | 第60-61页 |
| 4.2 基本思想 | 第61-63页 |
| 4.3 方法框架 | 第63-75页 |
| 4.3.1 执行时间预测算法 | 第64-68页 |
| 4.3.2 执行方案生成算法 | 第68-72页 |
| 4.3.3 任务运行算法 | 第72-74页 |
| 4.3.4 执行信息收集 | 第74页 |
| 4.3.5 BPOS-ELM准确率分析 | 第74-75页 |
| 4.4 实验结果与分析 | 第75-82页 |
| 4.4.1 实验设置 | 第75-76页 |
| 4.4.2 执行时间预测准确率评测 | 第76-79页 |
| 4.4.3 模型准确率评测 | 第79页 |
| 4.4.4 训练速度评测 | 第79-80页 |
| 4.4.5 可扩展性评测 | 第80-82页 |
| 4.5 本章小结 | 第82-84页 |
| 第5章 支持高速更新多维海量数据源上的样本提取方法 | 第84-102页 |
| 5.1 问题背景 | 第84-85页 |
| 5.2 基本思想 | 第85-87页 |
| 5.3 索引框架 | 第87-89页 |
| 5.3.1 索引层 | 第87页 |
| 5.3.2 存储层 | 第87-89页 |
| 5.4 数据插入算法 | 第89-91页 |
| 5.4.1 算法 | 第89-90页 |
| 5.4.2 数据插入代价分析 | 第90-91页 |
| 5.4.3 存储代价分析 | 第91页 |
| 5.5 样本提取算法 | 第91-93页 |
| 5.5.1 算法 | 第92-93页 |
| 5.5.2 样本提取准确性分析 | 第93页 |
| 5.5.3 样本提取代价分析 | 第93页 |
| 5.6 实验结果与分析 | 第93-100页 |
| 5.6.1 实验设置 | 第94-95页 |
| 5.6.2 数据插入评测 | 第95-96页 |
| 5.6.3 样本提取评测 | 第96-100页 |
| 5.7 本章小结 | 第100-102页 |
| 第6章 支持高并发多用户的多维海量数据源上样本提取方法 | 第102-122页 |
| 6.1 问题背景 | 第102-103页 |
| 6.2 基本思想 | 第103-105页 |
| 6.3 索引框架 | 第105-107页 |
| 6.4 数据插入算法 | 第107-115页 |
| 6.4.1 search操作 | 第107-108页 |
| 6.4.2 插入算法 | 第108-112页 |
| 6.4.3 节点分裂算法 | 第112-115页 |
| 6.5 样本提取算法 | 第115-116页 |
| 6.6 实验结果与分析 | 第116-120页 |
| 6.6.1 实验设置 | 第117-118页 |
| 6.6.2 数据插入评测 | 第118-119页 |
| 6.6.3 样本提取评测 | 第119-120页 |
| 6.7 本章小结 | 第120-122页 |
| 第7章 结束语 | 第122-126页 |
| 7.1 本文工作总结 | 第122-123页 |
| 7.2 未来工作展望 | 第123-126页 |
| 致谢 | 第126-128页 |
| 参考文献 | 第128-138页 |
| 攻博期间发表的论文 | 第138-140页 |
| 攻博期间参与项目情况 | 第140-142页 |
| 作者简介 | 第142页 |
