1. 研究目的与意义（文献综述）

1.1研究背景

近年来，深度学习（deep learning，dl）作为机器学习领域一个重要的研究热点，已经在图像分析、语音识别、自然语言处理、视频分类等领域取得了令人瞩目的成功。ＤＬ的基本思想是通过多层的网络结构和非线性变换，组合低层特征，形成抽象的、易于区分的高层表示，以发现数据的分布式特征表示。因此ＤＬ方法侧重于对事物的感知和表达。

在遥感领域，深度学习在分类与识别方面的应用使得分类效果得到了进一步优化，前人利用遥感高分辨率和高光谱影像作出的研究，证明了深度学习能够充分提取遥感影像特征。目前，深度学习主流算法模型有4种:受限波尔兹曼机 (restrictedboltzmann machine，rbm)、深 度 信 念 网 络 ( deepbelief networks，dbn)、卷积神经网络(convolutionalneural networks，cnn ) 以及 自 动 编 码 器 ( autoencoder，ae)等。其中ae和dbn算法属于无监督学习，而 cnn 算法则是一种深度的监督学习。现阶段深度学习在遥感影像分类与识别中应用广泛的主要为 dbn、cnn 及 ae 这 3 种算法，rbm为组成dbn 的浅层结构，因此研究者对于rbm 算法主要是加入到 dbn 算法中应用。

2. 研究的基本内容与方案

2.1研究目标

本文采用分布式文件系统hdfs、大数据计算引擎spark、基于数据流编程的符号数学系统tensorflow三种技术，提出一套能够将传统串行式单节点深度学习模型算法改造为并行式集群任务,并使其能够运行在spark集群中与hdfs中的大规模数据集进行无缝对接的深度学习与大数据技术融合方法，对传统单节点模型算法进行改进并探讨其性能与训练效率的差异。

2.2研究内容

3. 研究计划与安排

第一阶段：即日起-1月31号

查阅相关文献资料，开展初步调研，完成研究设计和开题报告。

第二阶段：2月1号-3月31号

4. 参考文献（12篇以上）

(1) ren z ,wang x , zhang n , et al. deep reinforcement learning-based image captioningwith embedding reward[j]. 2017.

(2) mun j ,cho m , han b . text-guided attention model for image captioning[j]. 2016.

(3)wu l ,wang y , li x , et al. deep attention-based spatially recursive networks forfine-grained visual recognition[j]. ieee transactions on cybernetics, 2018,pp(99).