Роль изображений, получаемых с помощью космических средств дистанционного зондирования Земли в научных исследованиях, промышленных, хозяйственных, военных, других приложениях. Разработка космических аппаратов дистанционного зондирования: алгоритм k-means.
Аннотация к работе
Основная идея заключается в том, что на каждой итерации перечисляется центр масс для каждого кластера, полученного на предыдущем шаге, затем векторы разбиваются на кластеры вновь в соответствии с тем, какой из новых центров оказался ближе по выбранной метрике. космический дистанционный зондирование -means минимизирует расстояния между объектами в кластерах. Объекты распределяются по кластерам путем подсчета расстояния от объекта до центров кластеров и выбора наименьшего. Прежде чем представить means алгоритм, сначала хочу кратко описать means (Sequential-means) алгоритм, потому что means состоит из means и MPI. На первом этапе, читает объекты из входного файла, и разделяет данные объекты равномерно между процессами, случайным образом выбирает точки в качестве начального центроида кластеров, а затем итеративно присваивает каждому объекту в соответствующий кластер с минимальным расстоянием.
Список литературы
1. Дж. Ту, Р. Гонсалес Принципы распознавания образов. - стр.110-112.Москва, 1978г.
2. Кашкин В.Б., Сухинин А.И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учебное пособие. - М.: Логос, 264 с 2001г.
3. В.В. Сергеев Анализ и обработка изображений, получаемых при наблюдениях земли из космоса// Стенограмма научного сообщения на совместном семинаре ИСОИ РАН и Института компьютерных исследований СГАУ 18 апреля 2006 года.
4. К. В. Воронцов Лекции по алгоритмам кластеризации и многомерного шкалирования 21 декабря 2007 года.
5. Р. Миллер, Л. Боксер Последовательные и параллельные алгоритмы. Издательство: Бином. Лаборатория знаний 408стр, 2006г.
6. Khaled Alsabti, Sanjay Ranka and Vineet Singh. An efficient k-means clustering algorithm. In HPDM, 1998.
7. Antonio J. Plaza Parallel techniques for information extraction from hyperspectral imagery using heterogeneous networks of workstations / 2007.
8. Grace Nila Ramamoorthy. K-means Clustering Using Hadoop MAPREDUCE// Final Project Report, University College Dublin, September 16. 2011.
9. R.C.Dubes and A.K. Jain. Algorithms for Clustering Data. Prentice Hall, 1988
10. M. Armbrust, I. Stoica, M. Zaharia, A. Fox, R. Griffith, A. Joseph, R. Katz, A. Konwinsli, G. Lee, D. Patterson, A. Rabkin, “A view of cloud computing,” Communications of the ACM, vol. 53, no. 4, pp. 50-58, April 2010.
11. W. Zhao, H. Ma, Q. He, “Parallel K-Means Clustering Based on MAPREDUCE,” Cloud Computing, vol. 5931, pp. 674-679, 2009.
12. S. Kantabutra, A. Couch,“Parallel K-means Clustering Algorithm on NOWS,” Technical Journal, vol. 1, no. 6, 2000.
13. D. Arthur, S. Vassilvitskii, “k-means : the advantages of careful seeding,” Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms, pp. 1027-1035, 2007.
14. R. Amorim, B. Mirkin, “Minkowski metric, feature weighting and anomalous cluster initializing in K-Means clustering,” Pattern Recognition, vol. 45, no. 3, pp. 1061-1075, 2012.
15. A. Jain, “Data clustering: 50 years beyond K-means,” Pattern Recognition Letters, vol. 31, no. 8, pp. 651-666, June 2010.