学位论文 > 优秀研究生学位论文题录展示
基于Hadoop的聚类算法的研究与应用
作 者: 尹超
导 师: 王民
学 校: 西安建筑科技大学
专 业: 信号与信息处理
关键词: 聚类 MapReduce CURE Binary-Positive 重复删除技术 直方图
分类号: TP311.13
类 型: 硕士论文
年 份: 2013年
下 载: 36次
引 用: 0次
阅 读: 论文下载
内容摘要
随着计算机信息技术的迅猛发展,人们能够接触的信息越来越多,数据的重要性也与日俱增。而数据具有海量、多样化、异构等特征,使得传统的聚类分析方法很难满足对海量数据的分析和处理,因此高效的聚类技术应运而生。本文首先综述了现有的聚类技术与并行化编程模型MapReduce,随后提出了基于MapReduce的并行化聚类算法。这一算法建立在MapReduce并行框架的基础之上,可以通过分布式计算框架,更好地将原本计算复杂度较高、内存消耗较大的聚类算法直接应用于大规模数据聚类上。(1)当CURE算法在处理不均匀的海量数据时,针对随机抽样不具有代表性的问题,提出了一种健壮的并行化改进算法。该算法使用Binary-Positive算法得到原始数据的有效属性,并利用MapReduce并行框架对有效数据进行层次聚类,从而实现了正确率与效率的一种权衡。实验分析表明,改进后的CURE算法具有更高的执行效率,并且聚类效果良好;(2)对于大规模数据库中的的重复图片,本文首先使用颜色直方图细化的方法从图像中提取特征值,然后使用基于MapReduce的k-means算法对特征值进行聚类,最后再使用重复数据删除技术对图片进行清理,以达到节约磁盘空间,提高写入性能和节约网络带宽的目的;(3)本文对MapReduce和MPI的k-means算法进行了设计,并对其性能进行了深入的分析。
|
全文目录
摘要 3-4 ABSTRACT 4-9 1 绪论 9-14 1.1 课题背景及意义 9-10 1.2 国内外研究现状 10-12 1.2.1 国外研究现状 10-11 1.2.2 国内研究现状 11-12 1.3 研究内容 12-13 1.4 本文结构 13-14 2 聚类算法与 Hadoop 介绍 14-23 2.1 聚类的定义 14 2.2 经典聚类算法 14-19 2.2.1 基于层次的聚类方法 14-15 2.2.2 基于划分的聚类方法 15-17 2.2.3 基于网格的聚类方法 17 2.2.4 基于密度的聚类方法 17-18 2.2.5 基于模型的聚类方法 18-19 2.3 Hadoop 相关技术介绍 19-21 2.3.1 Hadoop 简介 19-20 2.3.2 云计算简介 20-21 2.4 MapReduce 并行编程框架介绍 21-22 2.5 与网格计算的对比 22 2.6 本章小结 22-23 3 Binary-Positive 算法下的并行化 CURE 算法 23-35 3.1 背景 23-24 3.2 CURE 算法分析 24-25 3.2.1 CURE 算法思想 24 3.2.2 随机抽样 24-25 3.2.3 数据的划分与标记 25 3.3 Binary-Positive 算法下的并行化 CURE 算法 25-31 3.3.1 类间距离的计算 25-27 3.3.2 Binary-Positive 预处理 27 3.3.3 MapReduce 下的 CURE 算法 27-31 3.4 实验及结果分析 31-34 3.4.1 实验环境 31 3.4.2 数据集 31-32 3.4.3 实验结果 32-33 3.4.4 实验分析 33 3.4.5 并行算法分析 33-34 3.4.6 类似工作分析 34 3.5 本章小结 34-35 4 聚类算法在重复数据删除技术中的研究与应用 35-43 4.1 图像特征提取 35-36 4.1.1 颜色直方图 35-36 4.1.2 直方图细化 36 4.1.3 特征提取 36 4.2 基于 MapReduce 的 k-means 算法在图像聚类中的应用 36-40 4.2.1 k-means 算法分析 37-38 4.2.2 基于 MapReduce 的 k-means 算法框架 38-39 4.2.3 图像聚类的设计与实现 39-40 4.3 重复数据删除 40-41 4.3.1 Data deduplication 技术 40-41 4.3.2 重复数据删除的过程 41 4.4 实验结果 41-42 4.5 本章小结 42-43 5 MapReduce 与 MPI 在聚类算法中的对比 43-50 5.1 MPI 介绍 43-45 5.1.1 MPI 的并行应用模式 43 5.1.2 MPI 编程模型 43-45 5.2 基于 MPI 的 k-means 聚类算法 45-48 5.2.1 基于 MPI 的 k-means 聚类算法设计 45-46 5.2.2 基于 MP I 旳并行 K-Means 算法实现 46-48 5.3 基于 MapReduce 的 k-means 算法与基于 MPI 的 k-means 算法的比较 48-49 5.4 本章小结 49-50 6 总结与展望 50-51 6.1 论文工作总结 50 6.2 下一步工作与展望 50-51 致谢 51-52 参考文献 52-55 作者攻读硕士期间研究成果 55
|
相似论文
- 基于FPGA的高速图像预处理技术的研究,TP391.41
- 隐式用户兴趣挖掘的研究与实现,TP311.13
- 牡丹EST-SSR引物开发及其亲缘关系分析,S685.11
- 高忠英学术思想与经验总结及运用补肺汤加减治疗呼吸系统常见病用药规律研究,R249.2
- 大学生综合素质测评研究,G645.5
- 基于聚类分析的P2P流量识别算法的研究,TP393.02
- 土壤环境功能区划研究,X321
- 基因表达谱数据聚类分析方法比较与大豆疫霉基因的网络构建,S435.651
- 基于变异粒子群的聚类算法研究,TP18
- 融合粒子群和蛙跳算法的模糊C-均值聚类算法研究,TP18
- 基于遗传算法和粗糙集的聚类算法研究,TP18
- 基于分治法的聚类方法研究,TP311.13
- 演化聚类算法及其应用研究,TP311.13
- 基于运动目标轨迹分析的智能交通监控系统,TP277
- 面向社区教育的个性化学习系统的研究与实现,TP391.6
- 一种基于领域本体的语义Web服务匹配和组合方法,TP393.09
- 多属性无向加权图上的聚类方法研究,O157.5
- SAR干涉像对优化选取方法研究,P225.2
- 基于多因素模糊聚类的底板突水危险性预测研究,TD745
- 模糊神经网络在扫雷犁系统中的应用研究,TJ518
- 基于Moodle的高职网络教学系统设计与实现,TP311.52
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机软件 > 程序设计、软件工程 > 程序设计 > 数据库理论与系统
© 2012 www.xueweilunwen.com
|