| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第10-14页 |
| 1.1 课题研究背景及意义 | 第10页 |
| 1.2 国内外研究与应用现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 课题主要的研究内容 | 第12-13页 |
| 1.4 论文组织结构安排 | 第13-14页 |
| 2 HADOOP及大数据技术概述 | 第14-25页 |
| 2.1 大数据技术概述 | 第14-17页 |
| 2.1.1 大数据采集 | 第15-16页 |
| 2.1.2 大数据预处理 | 第16页 |
| 2.1.3 大数据存储和管理 | 第16页 |
| 2.1.4 大数据分析挖掘 | 第16-17页 |
| 2.1.5 大数据展现 | 第17页 |
| 2.2 HADOOP生态系统 | 第17-25页 |
| 2.2.1 分布式文件系统HDFS | 第19-21页 |
| 2.2.2 分布式编程模型MAPREDUCE | 第21-23页 |
| 2.2.3 分布式数据库HBASE | 第23-25页 |
| 3 基于HADOOP的水资源大数据平台的搭建 | 第25-42页 |
| 3.1 平台架构 | 第25-27页 |
| 3.1.1 平台基础环境 | 第25-26页 |
| 3.1.2 平台内部架构 | 第26-27页 |
| 3.2 HADOOP集群搭建 | 第27-33页 |
| 3.3 大数据平台数据处理流程 | 第33-34页 |
| 3.4 异常数据检测及融合 | 第34-42页 |
| 3.4.1 卡尔曼滤波算法 | 第35页 |
| 3.4.2 改进的卡尔曼滤波算法 | 第35-37页 |
| 3.4.3 改进的算法对异常数据的检测及融合 | 第37-42页 |
| 4 监测数据预测研究 | 第42-52页 |
| 4.1 基于HADOOP的朴素贝叶斯降雨量预测 | 第42-48页 |
| 4.1.1 朴素贝叶斯算法原理 | 第42-43页 |
| 4.1.2 基于MAPREDUCE的朴素贝斯分类器 | 第43-44页 |
| 4.1.3 改进算法的关键步骤 | 第44-46页 |
| 4.1.4 结果分析 | 第46-48页 |
| 4.2 基于AR的地下水水位预测 | 第48-52页 |
| 4.2.1 自回归模型 | 第48页 |
| 4.2.2 基于AR的地下水水位预测关键步骤 | 第48-50页 |
| 4.2.3 实验结果及分析 | 第50-52页 |
| 5 总结与展望 | 第52-53页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 作者简介 | 第57页 |