發(fā)布時間：2018-03-20 20:32

  本文選題：遙感圖像處理　切入點：K-means算法　出處：《南京郵電大學》2017年碩士論文　論文類型：學位論文

【摘要】：隨著科技的發(fā)展,特別是計算機技術和航空航天以及傳感技術的進步,遙感技術應運而生,成為了管理和利用國土資源的一項最重要的技術手段。遙感技術的實時性、高效性、周期性短優(yōu)勢,讓其成為獲取國土資源觀測數據的一種重要的渠道。而針對于國土資源的動態(tài)監(jiān)測成為了當今遙感數據應用的最主要的領域,也是科研工作的熱點之一。由于現(xiàn)代遙感技術能夠更快更方便的獲取大量的遙感圖像信息,傳統(tǒng)的手工監(jiān)測已經不滿足當前的技術要求,隨著計算機技術的發(fā)展,各種針對于遙感圖像的分類技術大量出現(xiàn),成為遙感圖像數據處理的主要手段。本文重點研究動態(tài)K-means算法在遙感圖像挖掘領域的并行化計算,即結合BP神經網絡算法通過動態(tài)的分裂合并迭代過程最終確定聚類結果,并且針對衛(wèi)星遙感圖像進行聚類處理,然后利用Hadoop實現(xiàn)聚類算法的并行化.。主要的研究內容和創(chuàng)新點總結如下所述:(1)針對于傳統(tǒng)K-means算法性能受聚類中心初始化過程的約束的缺點,算法在每次迭代過程中結合分裂與合并步驟動態(tài)的確定最終聚類中心。實驗證明,改進后的算法具有更快的收斂速度并且可以提高聚類精度。(2)結合BP神經網絡算法優(yōu)化分裂與合并算法的權值,針對于每次迭代過程哪些簇該分裂、哪些簇該合并、哪些簇不變進行劃分。(3)介紹了算法并行化的可行性和思路,并將改進后的算法在Hadoop平臺上實現(xiàn)了并行化處理,實現(xiàn)了對于大量遙感信息數據的處理。最后通過實驗驗證了算法的可靠性和高效性,在Hadoop平臺上實現(xiàn)的并行化實驗,驗證了并行化后算法處理遙感數據的效率明顯提高。
[Abstract]:With the development of science and technology, especially the progress of computer technology, aerospace technology and sensing technology, remote sensing technology has emerged as the times require, and has become one of the most important technical means to manage and utilize land and resources. Periodic short-term advantage makes it an important way to obtain land and resources observation data. Dynamic monitoring of land and resources has become the most important field of remote sensing data application. Because the modern remote sensing technology can obtain a large amount of remote sensing image information more quickly and conveniently, the traditional manual monitoring can not meet the current technical requirements, with the development of computer technology, A variety of classification techniques for remote sensing images have emerged and become the main means of remote sensing image data processing. This paper focuses on the parallel computing of dynamic K-means algorithm in remote sensing image mining field. Combining with BP neural network algorithm, the clustering results are finally determined by the dynamic splitting and merging iteration process, and the clustering processing is carried out for satellite remote sensing images. Then using Hadoop to realize the parallelization of clustering algorithm... The main research contents and innovations are summarized as follows: 1) aiming at the shortcomings of traditional K-means algorithm that the performance is constrained by the initialization process of clustering center. In each iteration process, the algorithm dynamically determines the final clustering center by combining the split and merge steps. The experimental results show that, The improved algorithm has faster convergence speed and can improve the clustering accuracy. It combines BP neural network algorithm to optimize the weight of split and merge algorithm, aiming at which clusters are split and which clusters should be merged in each iteration process. Which clusters are invariant for partitioning. (3) the feasibility and idea of parallelization are introduced, and the improved algorithm is implemented on Hadoop platform. Finally, the reliability and efficiency of the algorithm are verified by experiments. The parallelization experiment implemented on Hadoop platform verifies that the efficiency of the algorithm in processing remote sensing data is obviously improved after parallelization.
【學位授予單位】：南京郵電大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP751;TP311.13

【參考文獻】

相關期刊論文 前10條

1 何志學;莊連英;斯慶巴拉;;基于Hadoop平臺的XML Twig查詢處理方法[J];北華航天工業(yè)學院學報;2015年01期

2 蔡江云;;基于微軟云計算平臺的海量數據挖掘系統(tǒng)分析[J];才智;2015年05期

3 張利娜;張東芳;白亞彬;;基于GDAL的遙感影像快速讀取與顯示方法研究[J];西部資源;2014年01期

4 田秀霞;周耀君;畢忠勤;彭源;;基于Hadoop架構的分布式計算和存儲技術及其應用[J];上海電力學院學報;2011年01期

5 張文明;吳江;袁小蛟;;基于密度和最近鄰的K-means文本聚類算法[J];計算機應用;2010年07期

6 蔡滿軍;程曉燕;喬剛;;一種改進BP網絡學習算法[J];計算機仿真;2009年07期

7 曾江源;;ISODATA算法的原理與實現(xiàn)[J];科技廣場;2009年07期

8 曾明;魏衍;;一種BP神經網絡改進算法的研究及應用[J];微計算機信息;2009年18期

9 劉雨搏;金寧;;基于共軛梯度法的多層神經網絡訓練方法[J];信息技術;2008年03期

10 劉經南;邵連軍;張訓械;;GNSS-R研究進展及其關鍵技術[J];武漢大學學報(信息科學版);2007年11期

相關碩士學位論文 前4條

1 瞿卓;基于Hadoop2.0的數據挖掘算法并行化研究[D];廣東工業(yè)大學;2015年

2 m云龍;云計算平臺下的數據挖掘研究[D];南京郵電大學;2013年

3 張明輝;基于Hadoop的數據挖掘算法的分析與研究[D];昆明理工大學;2012年

4 徐慶伶;基于半監(jiān)督學習的遙感圖像分類研究[D];陜西師范大學;2010年

，

本文編號：1640687