| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 MEMS器件研究现状 | 第9-10页 |
| 1.2.2 森林经营规划的研究现状 | 第10-11页 |
| 1.2.3 遥感影像分类方法研究现状 | 第11页 |
| 1.2.4 并行算法的研究现状 | 第11-12页 |
| 1.3 研究内容 | 第12-14页 |
| 1.4 论文内容安排 | 第14-16页 |
| 2 遥感影像获取的研究分析 | 第16-25页 |
| 2.1 遥感影像获取的理论分析 | 第16页 |
| 2.2 应用MEMS传感器获取信息的分辨率 | 第16-18页 |
| 2.3 MEMS传感器键合失效问题的分析与解决 | 第18-23页 |
| 2.3.1 键合失效问题描述与分析 | 第18-20页 |
| 2.3.2 分析键合失效问题的理想解 | 第20-21页 |
| 2.3.3 运用TRIZ冲突矩阵和发明原理解决键合失效问题 | 第21-23页 |
| 2.4 本章小结 | 第23-25页 |
| 3 遥感影像分类的方法 | 第25-36页 |
| 3.1 基于像元的遥感分类方法 | 第25-27页 |
| 3.1.1 监督分类分析 | 第25-26页 |
| 3.1.2 非监督分类分析 | 第26-27页 |
| 3.2 基于亚像元定位的分类方法 | 第27-31页 |
| 3.2.1 亚像元定位的基本思想 | 第28-29页 |
| 3.2.2 亚像元定位精度的评价方法 | 第29-31页 |
| 3.3 基于模拟退火算法的亚像元定位方法 | 第31-33页 |
| 3.3.1 模拟退火算法的原理简介 | 第31-32页 |
| 3.3.2 模拟退火中基于亚像元的理论模型 | 第32-33页 |
| 3.4 对比分类算法的精度性能 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 Hadoop平台下模拟退火算法的并行化研究分析 | 第36-50页 |
| 4.1 Hadoop简介及核心组件 | 第36-42页 |
| 4.1.1 HDFS分布式文件系统 | 第36-39页 |
| 4.1.2 Map Reduce算法执行框架 | 第39-42页 |
| 4.2 并行算法设计理念 | 第42-43页 |
| 4.2.1 并行算法的设计方法 | 第42页 |
| 4.2.2 并行算法的基本设计技术 | 第42-43页 |
| 4.3 Map Reduce框架下模拟退火算法的并行化设计 | 第43-49页 |
| 4.3.1 模拟退火算法独立搜索的并行化 | 第44-45页 |
| 4.3.2 模拟退火算法合作搜索的并行化 | 第45-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 实验与结果评估分析 | 第50-60页 |
| 5.1 并行算法与串行算法时间复杂度的对比 | 第50页 |
| 5.2 实验目的与设计 | 第50页 |
| 5.3 实验平台搭建与部署 | 第50-53页 |
| 5.3.1 实验平台搭建 | 第50-51页 |
| 5.3.2 Hadoop集群部署信息与Map Reduce分布式环境配置 | 第51-53页 |
| 5.4 实验评估标准 | 第53-54页 |
| 5.5 实验过程与理论分析 | 第54-58页 |
| 5.5.1 并行模拟退火算法实验数据集的描述 | 第54页 |
| 5.5.2 串、并行模拟退火算法实验结果分析 | 第54-58页 |
| 5.6 本章小结 | 第58-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读学位期间发表的学术论文 | 第66-67页 |
| 致谢 | 第67-68页 |
