| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外相关技术的发展现状及趋势 | 第9-12页 |
| 1.2.1 云计算国内外研究现状 | 第9-11页 |
| 1.2.2 故障趋势预测国内外研究现状 | 第11-12页 |
| 1.3 论文研究内容及技术路线 | 第12-15页 |
| 1.3.1 主要研究内容 | 第12-13页 |
| 1.3.2 技术路线 | 第13-15页 |
| 2 设备维护云平台架构 | 第15-23页 |
| 2.1 Hadoop技术背景 | 第15-16页 |
| 2.2 基于Hadoop的设备维护云平台架构 | 第16-18页 |
| 2.3 设备维护分布式文件系统 | 第18-20页 |
| 2.4 设备维护数据分布式处理框架 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 支持向量回归机参数优化及其分布式设计 | 第23-38页 |
| 3.1 支持向量机原理 | 第23-28页 |
| 3.1.1 最优分类面与线性支持向量机 | 第24-25页 |
| 3.1.2 广义最优分类面与非线性支持向量机 | 第25-26页 |
| 3.1.3 支持向量回归机 | 第26-28页 |
| 3.2 基于粒子群算法的支持向量回归机参数组合优化 | 第28-33页 |
| 3.2.1 参数对支持向量回归机的影响 | 第28-29页 |
| 3.2.2 粒子群算法简介 | 第29-30页 |
| 3.2.3 基于粒子群算法的支持向量回归机参数组合优化模型 | 第30-31页 |
| 3.2.4 支持向量回归机参数组合优化实验结果分析 | 第31-33页 |
| 3.3 基于Hadoop的分布式支持向量回归机（H-SVR） | 第33-37页 |
| 3.3.1 H-SVR算法设计 | 第33-36页 |
| 3.3.2 H-SVR算法伪代码 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 基于Hadoop分布式支持向量回归机实验测试 | 第38-50页 |
| 4.1 云计算平台的搭建 | 第38-44页 |
| 4.1.1 基于VM虚拟机Ubuntu系统的构建 | 第38-39页 |
| 4.1.2 Ubuntu系统安装JDK | 第39-40页 |
| 4.1.3 Ubuntu系统配置无秘钥ssh登陆 | 第40-41页 |
| 4.1.4 Hadoop的安装与配置 | 第41-44页 |
| 4.2 H-SVR与传统SVR时间复杂度对比试验 | 第44-46页 |
| 4.3 H-SVR与传统SVR预测性能对比实验 | 第46-47页 |
| 4.4 H-SVR多Map任务对比实验 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 基于Hadoop分布式SVR设备故障趋势预测 | 第50-56页 |
| 5.1 基于Hadoop分布式SVR设备故障趋势预测模型 | 第50-51页 |
| 5.2 实验验证 | 第51-55页 |
| 5.3 本章小结 | 第55-56页 |
| 6 结论与展望 | 第56-57页 |
| 6.1 结论 | 第56页 |
| 6.2 展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62页 |
