| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 课题研究背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 多光谱图像融合方法研究现状 | 第10-12页 |
| 1.2.2 基于云计算的遥感图像处理研究现状 | 第12-14页 |
| 1.2.3 云计算任务调度研究现状 | 第14-15页 |
| 1.3 论文主要内容 | 第15-17页 |
| 1.3.1 论文主要研究内容 | 第15-16页 |
| 1.3.2 论文结构安排 | 第16-17页 |
| 2 相关技术 | 第17-25页 |
| 2.1 神经网络 | 第17-20页 |
| 2.1.1 人工神经网络 | 第17-19页 |
| 2.1.2 BP神经网络 | 第19-20页 |
| 2.2 云计算技术及Spark平台 | 第20-23页 |
| 2.2.1 HDFS | 第21-22页 |
| 2.2.2 Spark | 第22-23页 |
| 2.3 相关Web技术 | 第23-24页 |
| 2.3.1 SpringMVC框架 | 第23-24页 |
| 2.3.2 MyBatis框架 | 第24页 |
| 2.3.3 MySQL数据库 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于BP神经网络的多光谱图像Pan-sharpening方法及其并行优化 | 第25-30页 |
| 3.1 引言 | 第25-26页 |
| 3.2 基于BP神经网络的Pan-sharpening方法 | 第26-28页 |
| 3.2.1 基于BP神经网络的多光谱图像Pan-sharpening方法步骤 | 第26-27页 |
| 3.2.2 BP神经网络的结构设计和参数选取 | 第27-28页 |
| 3.3 基于TensorFlowOnSpark的BP神经网络的并行优化 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 4 基于粒子群算法的多光谱图像融合云计算任务调度 | 第30-39页 |
| 4.1 引言 | 第30-31页 |
| 4.2 多光谱图像融合处理的DAG调度模型 | 第31-32页 |
| 4.3 基于粒子群算法的融合任务云计算调度优化 | 第32-38页 |
| 4.3.1 经典粒子群算法 | 第32-33页 |
| 4.3.2 多光谱图像融合处理云计算任务调度描述 | 第33-34页 |
| 4.3.3 基于粒子群算法的融合任务云计算调度优化 | 第34-38页 |
| 4.5 本章小结 | 第38-39页 |
| 5 多光谱遥感图像融合系统设计与实现 | 第39-51页 |
| 5.1 多光谱遥感图像融合系统具体功能实现与测试 | 第39-43页 |
| 5.2 基于BP神经网络的多光谱图像Pan-Sharpening方法融合精度分析 | 第43-45页 |
| 5.3 基于粒子群算法的多光谱图像融合云计算任务调度优化方法性能分析 | 第45-50页 |
| 5.3.1 实验准备 | 第46-47页 |
| 5.3.2 实验及性能分析 | 第47-50页 |
| 5.4 本章小结 | 第50-51页 |
| 6 总结与展望 | 第51-53页 |
| 6.1 研究总结 | 第51页 |
| 6.2 研究展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 附录 | 第59页 |
