| 中文摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 中文文摘 | 第6-9页 |
| 目录 | 第9-14页 |
| 第1章 绪论 | 第14-26页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-21页 |
| 1.2.1 高光谱遥感影像支持向量机(SVM)分类研究现状 | 第15-16页 |
| 1.2.2 并行支持向量机(PSVM)研究现状 | 第16-17页 |
| 1.2.3 云计算与云GIS研究现状 | 第17-19页 |
| 1.2.4 基于云计算的并行支持向量机(Cloud-PSVM)研究现状 | 第19-20页 |
| 1.2.5 Cloud-PSVM与遥感数据云处理 | 第20-21页 |
| 1.3 研究目标、内容和技术路线 | 第21-22页 |
| 1.3.1 研究目标 | 第21页 |
| 1.3.2 研究内容 | 第21-22页 |
| 1.3.3 技术路线 | 第22页 |
| 1.4 论文组织结构 | 第22-24页 |
| 1.5 本章小结 | 第24-26页 |
| 第2章 实验基础数据与影像融合 | 第26-54页 |
| 2.1 实验基础数据 | 第26-31页 |
| 2.1.1 EO-1卫星概况 | 第26-27页 |
| 2.1.2 EO-1相关数据及其他辅助数据 | 第27-31页 |
| 2.2 实验区概况 | 第31-35页 |
| 2.2.1 一级实验区概况 | 第32-33页 |
| 2.2.2 二级实验区概况 | 第33-35页 |
| 2.3 实验数据预处理 | 第35-44页 |
| 2.3.1 EO-1Hyperion数据预处理 | 第35-43页 |
| 2.3.2 EO-1ALI数据预处理 | 第43-44页 |
| 2.4 遥感数据融合 | 第44-53页 |
| 2.4.1 Hyperion影像融合的必要性 | 第44页 |
| 2.4.2 Hyperion影像融合策略 | 第44-45页 |
| 2.4.3 影像融合效果评价方法 | 第45-47页 |
| 2.4.4 基于GS3的高光谱影像融合研究 | 第47-50页 |
| 2.4.5 GS3与其他像元级融合方法对比研究 | 第50-53页 |
| 2.5 本章小结 | 第53-54页 |
| 第3章 基于组合特征的BDT-SMO高光谱融合影像分类研究 | 第54-88页 |
| 3.1 支持向量机(SVM) | 第54-56页 |
| 3.2 对SVM传统算法的改进——序列最小优化算法(SMO) | 第56-57页 |
| 3.3 纹理特征的提取方法 | 第57-64页 |
| 3.3.1 纹理灰度特征提取方法——灰度共生矩阵 | 第58-59页 |
| 3.3.2 纹理梯度特征提取方法——灰度-梯度共生矩阵 | 第59-63页 |
| 3.3.3 纹理尺度特征提取方法——小波多尺度分析 | 第63-64页 |
| 3.4 基于组合特征的BDT-SMO土地利用分类实现过程 | 第64-75页 |
| 3.4.1 分类特征提取 | 第64-67页 |
| 3.4.2 土地利用分类体系调整 | 第67-68页 |
| 3.4.3 样本选择与特征数据的归一化处理 | 第68-69页 |
| 3.4.4 基于不同特征组合方案的高光谱融合影像分类研究 | 第69-71页 |
| 3.4.5 基于不同多类分类策略的高光谱融合影像分类研究 | 第71-75页 |
| 3.5 基于BDT-SMO的高光谱融合影像土地利用分类研究 | 第75-78页 |
| 3.6 基于组合核函数的高光谱融合影像土地利用分类研究 | 第78-86页 |
| 3.6.1 核函数的定义与性质 | 第78-79页 |
| 3.6.2 核函数选取 | 第79-80页 |
| 3.6.3 组合核函数 | 第80-81页 |
| 3.6.4 实验与分析 | 第81-86页 |
| 3.7 本章小结 | 第86-88页 |
| 第4章 基于并行支持向量机的融合影像分类研究 | 第88-124页 |
| 4.1 并行支持向量机(PSVM) | 第88-94页 |
| 4.1.1 层叠式并行支持向量机(Cascade-PSVM) | 第89-91页 |
| 4.1.2 反馈式并行支持向量机(Feedback-PSVM) | 第91-92页 |
| 4.1.3 分组式并行支持向量机(Grouped-PSVM) | 第92-93页 |
| 4.1.4 混合式并行支持向量机(Hybrid-PSVM) | 第93-94页 |
| 4.2 基于样本交叉组合的改进型混合式PSVM(YBJCF-PSVM) | 第94-97页 |
| 4.2.1 YBJCF-PSVM样本交叉合并策略 | 第95页 |
| 4.2.2 YBJCF-PSVM结构设计 | 第95-97页 |
| 4.3 对比实验与分析 | 第97-110页 |
| 4.4 并行支持向量机(PSVM)的实现 | 第110-117页 |
| 4.4.1 单机并行支持向量机(HOST-PSVM) | 第110-116页 |
| 4.4.2 分布式并行支持向量机(DIST-PSVM) | 第116-117页 |
| 4.5 基于MPI的YBJCF-PSVM的训练方案 | 第117-122页 |
| 4.6 本章小结 | 第122-124页 |
| 第5章 基于Cloud-PSVM高光谱融合影像分类研究 | 第124-168页 |
| 5.1 海量遥感影像分类面临的困境 | 第124-126页 |
| 5.2 遥感数据云存储与Hadoop分布式文件系统 | 第126-127页 |
| 5.3 基于Hadoop的高光谱融合影像分割与存取策略 | 第127-138页 |
| 5.3.1 基于Hadoop的高光谱融合影像的分割策略 | 第127-129页 |
| 5.3.2 基于Hadoop的高光谱融合影像数据组织方式 | 第129-132页 |
| 5.3.3 基于Hadoop的遥感影像存取与更新策略 | 第132-138页 |
| 5.4 遥感数据云处理与MapReduce并行运算模式 | 第138-141页 |
| 5.4.1 遥感数据云处理 | 第138页 |
| 5.4.2 MapReduce分布式并行运算模式 | 第138-141页 |
| 5.5 基于MapReduce的分类特征并行提取方案 | 第141-142页 |
| 5.6 基于MapReduce的YBJCF-PSVM模型并行训练策略 | 第142-144页 |
| 5.7 基于MapReduce的融合影像并行预测策略 | 第144-145页 |
| 5.8 基于Hadoop的高光谱融合影像土地利用分类云服务 | 第145-147页 |
| 5.9 实验结果与分析 | 第147-166页 |
| 5.9.1 实验环境配置与样本选择 | 第147-149页 |
| 5.9.2 基于MapReduce的分类特征并行提取实验 | 第149-155页 |
| 5.9.3 基于MapReduce的YBJCF-PSVM模型并行训练实验 | 第155-159页 |
| 5.9.4 基于MapReduce的高光谱融合影像并行预测实验 | 第159-164页 |
| 5.9.5 基于Hadoop的高光谱融合影像土地利用分类云服务实验 | 第164-166页 |
| 5.10 本章小结 | 第166-168页 |
| 第6章 Cloud-PSVM增量学习策略研究 | 第168-186页 |
| 6.1 遥感影像分类增量学习问题 | 第168-169页 |
| 6.2 SVM的增量学习 | 第169-172页 |
| 6.2.1 SVM的增量学习过程 | 第169-170页 |
| 6.2.2 KKT条件 | 第170页 |
| 6.2.3 SVM传统增量学习策略 | 第170-171页 |
| 6.2.4 基于超球SVM的类增量学习策略 | 第171-172页 |
| 6.3 基于壳向量的SVM增量学习策略 | 第172-175页 |
| 6.3.1 壳向量 | 第172-173页 |
| 6.3.2 基于壳向量的SVM渐进增量学习算法(HASVM) | 第173-175页 |
| 6.4 基于MapReduce和壳向量的SVM渐进增量学习算法 | 第175-176页 |
| 6.5 实验与结果分析 | 第176-185页 |
| 6.5.1 基于HASVM的增量学习实验 | 第176-181页 |
| 6.5.2 基于HASVM的类增量学习实验 | 第181-183页 |
| 6.5.3 基于MapReduce-GPU-HASVM的增量学习实验 | 第183-185页 |
| 6.6 本章小节 | 第185-186页 |
| 第7章 基于并行遗传算法的Cloud-PSVM核参数优化策略 | 第186-204页 |
| 7.1 传统遗传算法 | 第186-187页 |
| 7.2 并行遗传算法(PGA) | 第187-188页 |
| 7.3 分布式并行遗传算法 | 第188-190页 |
| 7.4 基于MapReduce的并行遗传算法(MapReduce-PGA) | 第190-191页 |
| 7.5 基于MapReduce-PGA的BDT-SMO核参数优化策略 | 第191-194页 |
| 7.5.1 编码规则设置 | 第191-192页 |
| 7.5.2 独立遗传操作 | 第192-193页 |
| 7.5.3 个体移迁策略 | 第193-194页 |
| 7.6 实验与结果分析 | 第194-202页 |
| 7.6.1 核参数优化效率对比 | 第194-198页 |
| 7.6.2 分类精度对比 | 第198-202页 |
| 7.7 本章小结 | 第202-204页 |
| 第8章 结论与展望 | 第204-208页 |
| 8.1 结论 | 第204-205页 |
| 8.2 创新点 | 第205页 |
| 8.3 讨论与展望 | 第205-208页 |
| 参考文献 | 第208-226页 |
| 攻读学位期间承担的科研任务与主要成果 | 第226-228页 |
| 致谢 | 第228-230页 |
| 个人简历 | 第230-233页 |
