| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 分布式计算平台的研究现状 | 第11-12页 |
| 1.2.2 流形学习方法的研究现状 | 第12-13页 |
| 1.3 本文的研究工作 | 第13-14页 |
| 1.4 论文结构 | 第14-16页 |
| 第二章 分布式计算平台及流形学习方法 | 第16-28页 |
| 2.1 流形学习方法简介 | 第16-18页 |
| 2.1.1 等距特征映射法简介 | 第16-17页 |
| 2.1.2 局部线性嵌入法简介 | 第17-18页 |
| 2.1.3 拉普拉斯特征映射法简介 | 第18页 |
| 2.2 分布式计算平台 | 第18-26页 |
| 2.2.1 Hadoop1版本 | 第19-22页 |
| 2.2.2 Spark平台 | 第22-26页 |
| 2.3 本章小结 | 第26-28页 |
| 第三章 基于Spark平台的并行流形学习方法 | 第28-44页 |
| 3.1 构造邻域矩阵 | 第28-37页 |
| 3.1.1 线性查找算法 | 第29-30页 |
| 3.1.2 基于 E2LSH 的近邻搜索并行算法 | 第30-36页 |
| 3.1.3 近邻选取 | 第36-37页 |
| 3.2 特征值求解 | 第37-40页 |
| 3.2.1 幂法 | 第37-38页 |
| 3.2.2 降阶法 | 第38-39页 |
| 3.2.3 交替使用幂法和降阶法求解矩阵特征值 | 第39-40页 |
| 3.3 基于Spark平台特性的优化 | 第40-42页 |
| 3.3.1 稀疏向量 | 第40-41页 |
| 3.3.2 广播机制 | 第41页 |
| 3.3.3 Spark缓存 | 第41-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 实验及分析 | 第44-56页 |
| 4.1 集群环境 | 第44-45页 |
| 4.2 实验数据 | 第45-46页 |
| 4.3 实验方法 | 第46页 |
| 4.4 参数对近邻搜索并行算法性能的影响 | 第46-50页 |
| 4.5 近邻搜索并行算法性能测试 | 第50-51页 |
| 4.6 特征值求解并行算法性能测试 | 第51-52页 |
| 4.7 基于Spark平台的并行流形学习算法有效性验证 | 第52-55页 |
| 4.7.1 有效性验证 | 第52-53页 |
| 4.7.2 性能测试 | 第53-55页 |
| 4.8 本章小结 | 第55-56页 |
| 第五章 结论 | 第56-58页 |
| 5.1 研究工作总结 | 第56-57页 |
| 5.2 工作展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间取得的研究成果 | 第62-64页 |
| 致谢 | 第64-65页 |