声明
致谢
1 引言
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 分布式计算研究现状
1.2.2 K-means算法的研究现状
1.3 论文研究内容
1.4 论文组织结构
2 相关聚类算法研究
2.1 数据类型及相异度度量
2.1.1 数值型数据及相异度度量
2.1.2 分类型数据及相异度度量
2.1.3 相关系数的相似性度量
2.2 聚类分析方法介绍
2.2.1 基于划分的聚类方法
2.2.2 基于层次的聚类方法
2.2.3 基于密度的聚类方法
2.2.4 其他的聚类方法
2.3 层次聚类算法原理
2.4 K-means算法
2.4.1 K-means算法原理
2.4.2 传统K-means算法局限性分析
2.5 本章小结
3 分布式归并HK-means算法
3.1 传统HK-means算法局限性分析
3.2 归并HK-means算法原理
3.2.1 数据标准化
3.2.2 传统凝聚聚类算法
3.2.3 MHK算法定义
3.3 分布式数据处理系统
3.3.1 DDSMS与DBMS的区别
3.3.2 分布式系统的存储与运算
3.4 分布式MHK算法实现
3.4.1 map功能设计
3.4.2 组合功能设计
3.5 实验结果
3.5.1 实验数据集
3.5.2 实验对比
3.6 本章小结
4 基于加权特征集成的K-means算法
4.1 相关工作
4.2 WFE:加权特征集合法
4.3 基于WFE预测酵母蛋白定位的聚类算法
4.4 实验
4.4.1 实验数据集分析
4.4.2 对比实验
4.5 本章小结
5 总结与展望
5.1 总结
5.2 展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;