| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 引言 | 第11-15页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 研究内容 | 第13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 Map-Reduce、Hadoop与聚类分析 | 第15-31页 |
| 2.1 Map-Reduce | 第15-17页 |
| 2.1.1 Map-Reduce介绍 | 第15-17页 |
| 2.1.2 Map-Reduce执行过程 | 第17页 |
| 2.2 Hadoop | 第17-22页 |
| 2.2.1 Hadoop介绍 | 第17-19页 |
| 2.2.2 Hadoop特性与优势 | 第19-20页 |
| 2.2.3 Hadoop运行过程 | 第20-22页 |
| 2.3 聚类分析 | 第22-28页 |
| 2.3.1 聚类分析介绍 | 第22-23页 |
| 2.3.2 样本差异性标准 | 第23-24页 |
| 2.3.3 类簇差异性标准 | 第24-25页 |
| 2.3.4 聚类算法 | 第25-28页 |
| 2.4 本章小结 | 第28-31页 |
| 3 聚类算法的分析 | 第31-39页 |
| 3.1 K-means聚类算法 | 第31-34页 |
| 3.1.1 算法的基本原理 | 第31-32页 |
| 3.1.2 算法结构分析 | 第32-34页 |
| 3.1.3 不足之处 | 第34页 |
| 3.2 K-medoids聚类算法 | 第34-38页 |
| 3.2.1 算法的基本原理 | 第34-35页 |
| 3.2.2 Levenshtein距离 | 第35-36页 |
| 3.2.3 算法结构分析 | 第36-37页 |
| 3.2.4 不足之处 | 第37-38页 |
| 3.3 本章小结 | 第38-39页 |
| 4 基于Map-Reduce的聚类算法的设计与实现 | 第39-53页 |
| 4.1 E-medoids聚类算法 | 第39-42页 |
| 4.1.1 算法基本原理 | 第39页 |
| 4.1.2 算法结构分析 | 第39-41页 |
| 4.1.3 流程图 | 第41页 |
| 4.1.4 伪代码 | 第41-42页 |
| 4.2 EW-medoids聚类算法 | 第42-45页 |
| 4.2.1 算法基本原理 | 第42页 |
| 4.2.2 算法结构分析 | 第42-44页 |
| 4.2.3 流程图 | 第44页 |
| 4.2.4 伪代码 | 第44-45页 |
| 4.3 基于Map-Reduce的聚类算法 | 第45-49页 |
| 4.3.1 算法基本原理 | 第45-46页 |
| 4.3.2 算法结构分析 | 第46-47页 |
| 4.3.3 算法时间复杂度及适用性 | 第47-48页 |
| 4.3.4 算法流程图 | 第48页 |
| 4.3.5 伪代码实现 | 第48-49页 |
| 4.4 Map-Reduce各类的实现 | 第49-51页 |
| 4.4.1 Mapper类伪代码实现 | 第49页 |
| 4.4.2 Reducer类伪代码实现 | 第49-50页 |
| 4.4.3 Map-Reduce任务伪代码实现 | 第50-51页 |
| 4.5 本章小结 | 第51-53页 |
| 5 仿真与实验 | 第53-65页 |
| 5.1 实验环境 | 第53-56页 |
| 5.1.1 硬件参数 | 第53页 |
| 5.1.2 SSH安装与配置 | 第53-54页 |
| 5.1.3 Hadoop配置 | 第54-56页 |
| 5.2 实验数据生成 | 第56-58页 |
| 5.2.1 单机实验数据生成 | 第56-57页 |
| 5.2.2 集群实验数据生成 | 第57-58页 |
| 5.3 结果与分析 | 第58-62页 |
| 5.3.1 算法的运行效率 | 第58-60页 |
| 5.3.2 参数E对算法的影响 | 第60-61页 |
| 5.3.3 算法精确性 | 第61-62页 |
| 5.3.4 Hadoop平台上数据集规模对算法的影响 | 第62页 |
| 5.4 本章小结 | 第62-65页 |
| 6 总结与展望 | 第65-67页 |
| 6.1 工作总结 | 第65页 |
| 6.2 今后工作展望 | 第65-67页 |
| 参考文献 | 第67-69页 |
| 致谢 | 第69-70页 |
| 个人简历 | 第70-71页 |
| 发表的学术论文 | 第71页 |