聚类算法在校园无线网用户行为分析中的应用研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 数据挖掘 | 第10-11页 |
| 1.2.2 聚类算法 | 第11页 |
| 1.2.3 行为分析 | 第11-12页 |
| 1.3 研究内容 | 第12页 |
| 1.4 论文结构 | 第12-14页 |
| 第二章 相关理论与技术 | 第14-21页 |
| 2.1 无线网络用户行为分析 | 第14-15页 |
| 2.1.1 无线网络用户行为特点 | 第14页 |
| 2.1.2 数据挖掘与用户行为分析的关联性 | 第14-15页 |
| 2.2 数据挖掘算法 | 第15-18页 |
| 2.2.1 数据挖掘 | 第15-16页 |
| 2.2.2 聚类分析 | 第16-18页 |
| 2.3 Hadoop相关技术 | 第18-20页 |
| 2.3.1 Hadoop系统框架 | 第18-19页 |
| 2.3.2 HDFS分布式框架 | 第19-20页 |
| 2.3.3 MapReduce框架 | 第20页 |
| 2.4 本章总结 | 第20-21页 |
| 第三章 校园无线网用户的学习兴趣度行为分析 | 第21-36页 |
| 3.1 概述 | 第21页 |
| 3.2 学习兴趣度分析模型 | 第21-27页 |
| 3.2.1 自组织神经网络算法 | 第21-24页 |
| 3.2.2 模糊C-均值聚类算法 | 第24-26页 |
| 3.2.3 基于SOFM的模糊C-均值聚类算法 | 第26页 |
| 3.2.4 聚类算法的并行化模型 | 第26-27页 |
| 3.3 改进模型分析 | 第27-29页 |
| 3.3.1 聚类效果分析 | 第27-28页 |
| 3.3.2 敏感度分析 | 第28页 |
| 3.3.3 效率分析 | 第28-29页 |
| 3.4 实验结果及分析 | 第29-35页 |
| 3.4.1 实验环境 | 第29-30页 |
| 3.4.2 实验数据采集及其预处理 | 第30-32页 |
| 3.4.3 出勤率分析 | 第32页 |
| 3.4.4 兴趣度分析 | 第32-35页 |
| 3.5 本章总结 | 第35-36页 |
| 第四章 校园无线网用户的异常轨迹行为分析 | 第36-51页 |
| 4.1 概述 | 第36页 |
| 4.2 异常轨迹分析模型 | 第36-42页 |
| 4.2.1 密度峰值聚类算法 | 第36-37页 |
| 4.2.2 基于轨迹划分的密度峰值聚类模型 | 第37-41页 |
| 4.2.3 异常检测算法的并行化模型 | 第41-42页 |
| 4.3 改进模型分析 | 第42-45页 |
| 4.3.1 聚类效果分析 | 第42-43页 |
| 4.3.2 稳定性分析 | 第43-44页 |
| 4.3.3 效率分析 | 第44-45页 |
| 4.4 实验结果及分析 | 第45-50页 |
| 4.4.1 实验环境 | 第45页 |
| 4.4.2 数据采集及预处理 | 第45-47页 |
| 4.4.3 异常轨迹分析 | 第47-50页 |
| 4.5 本章总结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 发表论文和科研情况说明 | 第57-58页 |
| 致谢 | 第58页 |
