| 中文摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 分布式图像分析的研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 图像分类问题研究现状 | 第11页 |
| 1.2.2 Hadoop应用情况 | 第11-12页 |
| 1.3 本文研究内容 | 第12页 |
| 1.4 本文结构安排 | 第12-14页 |
| 第2章 计算框架和算法概述 | 第14-34页 |
| 2.1 Amazon EC2简述 | 第14-15页 |
| 2.2 Hadoop简述 | 第15-21页 |
| 2.2.1 HDFS | 第16-18页 |
| 2.2.2 MapReduce | 第18-20页 |
| 2.2.3 YARN | 第20-21页 |
| 2.3 Caffe简述 | 第21-22页 |
| 2.4 算法原理概述 | 第22-32页 |
| 2.4.1 Kmeans聚类的基本原理 | 第22-25页 |
| 2.4.2 BP神经网络的基本原理 | 第25-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第3章 分布式图像分析方法的设计与实现 | 第34-56页 |
| 3.1 Hadoop集群的搭建 | 第34-36页 |
| 3.1.1 云服务的选取 | 第34-35页 |
| 3.1.2 Hadoop版本的选择 | 第35页 |
| 3.1.3 Hadoop集群的配置情况 | 第35-36页 |
| 3.2 图像数据的获取和预处理 | 第36-38页 |
| 3.2.1 基于MapReduce的图像分布式获取 | 第36-38页 |
| 3.2.2 图像预处理以及特征提取 | 第38页 |
| 3.3 基于MapReduce的KMeans聚类算法的设计实现 | 第38-44页 |
| 3.3.1 KMeans的分布式思想 | 第39-40页 |
| 3.3.2 MR-KMeans的函数设计 | 第40-44页 |
| 3.4 基于MapReduce的BP神经网络算法的设计实现 | 第44-53页 |
| 3.4.1 BP神经网络分布式训练的算法设计 | 第44-51页 |
| 3.4.2 基于MapReduce的BP神经网络函数设计 | 第51-53页 |
| 3.5 分布式实现与通用实现方法的比较 | 第53-55页 |
| 3.5.1 MR-KMeans的改进之处 | 第53-54页 |
| 3.5.2 MR-BP的改进之处 | 第54页 |
| 3.5.3 系统的创新 | 第54-55页 |
| 3.6 本章小结 | 第55-56页 |
| 第4章 分布式图像分析方法的实验与结果分析 | 第56-76页 |
| 4.1 实验过程设计 | 第56页 |
| 4.2 实验数据与参数的选择 | 第56-60页 |
| 4.2.1 实验数据 | 第56-58页 |
| 4.2.2 训练参数的测试 | 第58-60页 |
| 4.3 实验结果及数据分析 | 第60-68页 |
| 4.3.1 单机测试结果分析 | 第60-61页 |
| 4.3.2 三个计算节点集群测试结果分析 | 第61-63页 |
| 4.3.3 五个计算节点集群测试结果分析 | 第63-65页 |
| 4.3.4 七个计算节点集群测试结果分析 | 第65-67页 |
| 4.3.5 乳腺癌数据训练与测试 | 第67-68页 |
| 4.4 实验结果分析与总结 | 第68-73页 |
| 4.4.1 计算节点数与训练时间 | 第68页 |
| 4.4.2 迭代次数与训练时间 | 第68-70页 |
| 4.4.3 迭代次数与预测精确度 | 第70页 |
| 4.4.4 训练数据量与预测准确率 | 第70-72页 |
| 4.4.5 乳腺癌数据训练结果分析 | 第72-73页 |
| 4.4.6 训练终止条件的分析 | 第73页 |
| 4.5 本章小结 | 第73-76页 |
| 第5章 总结与展望 | 第76-78页 |
| 5.1 工作总结 | 第76-77页 |
| 5.2 工作展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82页 |
