gwk-NN并行遥感分类器的设计与实现的开题报告.docx

gwk-NN并行遥感分类器的设计与实现的开题报告

题目：gwk-NN并行遥感分类器的设计与实现

一、研究背景和意义

遥感技术是指利用航空或卫星传感器对地面及其环境进行观测、测量和记录，并把所获得的信息传送到地面接收设备进行分析和应用的技术。遥感技术广泛应用于农业、林业、水利、气象、环境、地质等领域，对于国家的经济建设和社会发展具有重要的作用。

遥感数据的分类是遥感应用中最基本也是最重要的一环。当前，遥感数据的分类主要分为两大类：监督分类和无监督分类。其中，监督分类需要提供样本数据和特征信息，而无监督分类仅需要对遥感数据进行聚类，不需要任何样本数据和人工干预。监督分类是当前主流的遥感数据分类方法，但由于数据量大、维度高，传统的分类算法在速度和准确率上存在一定的局限性。

近年来，随着深度学习的发展，采用神经网络进行遥感数据的分类成为了一种新的解决方案。采用神经网络分类算法的优点在于，它能够有效地处理大规模的数据，并能够较大程度上提高分类算法的准确率。但是，现有的神经网络分类模型较为复杂，需要运行的运算量比较大，导致效率不高。因此，设计并实现一种高效的并行遥感分类器具有很重要的意义。

二、研究内容和目标

本课题旨在设计一种高效的并行遥感分类器，具体研究内容和目标如下：

1.研究并构建一种高效的深度卷积神经网络（DCNN）模型，用于进行遥感图像的分类。

2.通过并行计算来提高模型的计算速度，具体采用的并行计算方式包括数据并行和模型并行。

3.对比不同的并行计算方式在分类效率和准确率方面的表现，并探索更优的并行方法。

三、研究方法和技术路线

本课题将采用以下方法和技术路线：

1.首先，对现有的监督分类、深度学习、神经网络等相关理论进行深入的学习和调研，从而为本课题的研究提供基础。

2.在理论基础的基础上，选用合适的编程语言和计算平台构建高效的深度卷积神经网络模型，并对数据进行预处理。

3.针对模型运算效率较低的问题，采用数据并行和模型并行的方式进行优化，提升模型计算速度，并比较不同并行计算方式的性能表现。

4.在模型并行的基础上，继续探索更优的并行方法，改进计算效率和模型性能。

四、研究预期成果

本课题的预期成果如下：

1.设计并实现一种高效的gwk-NN并行遥感分类器，能够高效地进行遥感数据的分类，并实现良好的分类效果。

2.探索并优化不同类型的并行算法，从而进一步提升分类器的运行速度和准确度。

3.对本课题的研究结果进行总结和分析，并发表论文和学术报告。

五、研究进度安排

本课题的研究进度安排如下：

1.前期准备阶段（1-2周）：对相关理论进行深入学习和调研，熟悉深度学习、神经网络相关领域的知识。

2.编程实现模型（3-5周）：选用合适的编程语言和计算平台构建高效的深度卷积神经网络模型，并进行预处理。

3.数据并行算法的设计与实现（2-3周）：选择合适的数据分割方法，通过计算并行来提高模型的计算速度。

4.模型并行算法的设计与实现（2-3周）：采用模型并行的方式对模型进行优化，进一步提升模型的计算效率。

5.组合并行算法的设计与优化（2-3周）：对两种以上的并行算法进行组合设计，找出更优的并行方案。

6.结果展示与总结（1周）：对本课题的研究结果进行分析，并发表论文。

六、参考文献

1.周志华.机器学习[M].北京：清华大学出版社，2016.

2.LeCun,Y,Bottou,L,Bengio,YHaffner,P.(1998)Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE,86(11),pp.2278-2324.

3.Lecun,Y,Bottou,LBengio,Y.(1998)Efficientbackprop[J].Neuralnetworks:Tricksofthetrade.SpringerBerlinHeidelberg,pp.9-48.

4.Krizhevsky,A.(2014)Oneweirdtrickforparallelizingconvolutionalneuralnetworks[J].arXivpreprintarXiv,1404,p.5997.

5.Abadi,M.,Barham,P.,Chen,J.,Chen,Z.,Davis,A.,Dean,J.,Devin,M.,Ghemawat,S.,Irving,G.,Isard,M.,etal.(2016)TensorFlow:Asystemforlarge-scalemachine