| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 研究内容 | 第10-11页 |
| 1.4 论文组织结构 | 第11-12页 |
| 第二章 MapReduce和聚类分析相关技术 | 第12-21页 |
| 2.1 MapReduce相关技术 | 第12-14页 |
| 2.1.1 MapReduce概述 | 第12页 |
| 2.1.2 MapReduce作业的工作流程 | 第12-13页 |
| 2.1.3 MapReduce的工作机制 | 第13-14页 |
| 2.2 HDFS分布式文件系统 | 第14-15页 |
| 2.2.1 HDFS的基本架构 | 第14页 |
| 2.2.2 HDFS的主要操作 | 第14-15页 |
| 2.2.3 HDFS的优势 | 第15页 |
| 2.3 聚类分析相关技术 | 第15-18页 |
| 2.3.1 聚类分析概述 | 第15页 |
| 2.3.2 聚类分析中的数据结构 | 第15-16页 |
| 2.3.3 聚类分析中的相似性度量 | 第16-18页 |
| 2.3.4 常见的聚类算法 | 第18页 |
| 2.4 并行计算和并行算法 | 第18-19页 |
| 2.4.1 并行计算 | 第18-19页 |
| 2.4.2 并行计算框架 | 第19页 |
| 2.4.3 并行算法的性能评价 | 第19页 |
| 2.5 本章总结 | 第19-21页 |
| 第三章 基于MapReduce的模糊C均值(FCM)算法的研究 | 第21-30页 |
| 3.1 模糊C均值(FCM)算法 | 第21-22页 |
| 3.2 FCM算法的MapReduce化分析 | 第22-23页 |
| 3.3 MapReduce化的FCM算法设计与实现 | 第23-28页 |
| 3.4 算法复杂度分析 | 第28-29页 |
| 3.5 本章总结 | 第29-30页 |
| 第四章 基于MapReduce的改进的FCM算法的研究 | 第30-39页 |
| 4.1 基于Canopy聚类算法的FCM算法研究 | 第30-34页 |
| 4.1.1 Canopy算法原理 | 第30页 |
| 4.1.2 改进的Canopy-FCM算法的执行过程 | 第30-31页 |
| 4.1.3 基于MapReduce的Canopy-FCM算法设计与实现 | 第31-34页 |
| 4.1.4 算法时间复杂度分析 | 第34页 |
| 4.2 基于最小最大距离算法的FCM算法研究 | 第34-38页 |
| 4.2.1 最小最大距离算法的思想和基本流程 | 第34-35页 |
| 4.2.2 基于MapReduce的MM-FCM算法设计与实现 | 第35-37页 |
| 4.2.3 算法时间复杂度分析 | 第37-38页 |
| 4.3 本章总结 | 第38-39页 |
| 第五章 实验结果与分析 | 第39-45页 |
| 5.1 实验环境 | 第39页 |
| 5.2 实验结果 | 第39-43页 |
| 5.2.1 单机处理比较实验 | 第39-40页 |
| 5.2.2 聚类质量分析实验 | 第40-42页 |
| 5.2.3 聚类加速比实验 | 第42-43页 |
| 5.3 本章总结 | 第43-45页 |
| 第六章 总结与展望 | 第45-47页 |
| 6.1 工作总结 | 第45页 |
| 6.2 工作展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 发表论文和科研情况说明 | 第51-52页 |
| 致谢 | 第52-53页 |
