| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-14页 |
| 1.1 选题的背景和研究意义 | 第7-8页 |
| 1.2 研究现状 | 第8-12页 |
| 1.2.1 高光谱遥感图像分类研究现状 | 第8-10页 |
| 1.2.2 Hadoop/Spark云计算应用研究现状 | 第10-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 2 相关技术基础 | 第14-27页 |
| 2.1 云计算及Spark的云计算关键技术 | 第14-20页 |
| 2.1.1 Spark生态圈 | 第14-15页 |
| 2.1.2 弹性分布式数据集(RDD) | 第15-17页 |
| 2.1.3 Spark的集群运行原理 | 第17-18页 |
| 2.1.4 Spark的任务执行原理 | 第18-20页 |
| 2.2 稀疏表示分类模型 | 第20-21页 |
| 2.2.1 稀疏表示分类模型的重构 | 第20-21页 |
| 2.2.2 稀疏表示分类模型的分类 | 第21页 |
| 2.3 卷积神经网络分类模型 | 第21-24页 |
| 2.3.1 卷积神经网络模型 | 第22-23页 |
| 2.3.2 训练过程 | 第23页 |
| 2.3.3 随机优化方法 | 第23-24页 |
| 2.4 本文实验平台 | 第24-27页 |
| 3 基于空间相关性约束稀疏表示的高光谱图像分布式并行分类 | 第27-42页 |
| 3.1 引言 | 第27页 |
| 3.2 基于空间相关性约束稀疏表示的高光谱分类方法(SCSRC) | 第27-29页 |
| 3.2.1 SCSRC模型 | 第27-28页 |
| 3.2.2 SCSRC串行算法步骤 | 第28-29页 |
| 3.3 迭代矩阵的分布式存储运算优化 | 第29-32页 |
| 3.3.1 高光谱数据分区策略 | 第29-30页 |
| 3.3.2 联合存储矩阵(JDM) | 第30-31页 |
| 3.3.3 联合存储矩阵的运算 | 第31-32页 |
| 3.4 基于空间相关性约束稀疏表示的高光谱图像分布式并行分类算法 | 第32-35页 |
| 3.5 实验结果与分析 | 第35-40页 |
| 3.5.1 基于分类精度的评价标准 | 第35-36页 |
| 3.5.2 基于分布式计算性能的评价标准 | 第36页 |
| 3.5.3 Indian Pines数据集实验 | 第36-39页 |
| 3.5.4 Indian Pines Test Site 3数据集实验 | 第39-40页 |
| 3.6 本章小结 | 第40-42页 |
| 4 基于卷积神经网络的高光谱图像分布式并行分类 | 第42-58页 |
| 4.1 引言 | 第42页 |
| 4.2 TensorFlowOnSpark分布式深度学习平台 | 第42-45页 |
| 4.2.1 TensorFlow | 第43页 |
| 4.2.2 TensorFlowOnSpark | 第43-45页 |
| 4.3 基于空谱联合卷积神经网络的高光谱图像分布式分类模型 | 第45-51页 |
| 4.3.1 设计思路 | 第45-46页 |
| 4.3.2 基于空谱联合卷积神经网络的分类模型结构 | 第46-47页 |
| 4.3.3 基于空谱联合卷积神经网络的高光谱图像分布式并行分类算法 | 第47-51页 |
| 4.4 实验结果与分析 | 第51-57页 |
| 4.4.1 实验结果与分析 | 第51-52页 |
| 4.4.2 实验参数设置 | 第52页 |
| 4.4.3 实验结果分析 | 第52-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 研究总结 | 第58-59页 |
| 5.2 研究展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65页 |
