柑橘種植產(chǎn)業(yè)在江西省種植業(yè)中處于重要的地位,是江西省果業(yè)工程計劃的一個重點。柑橘類農(nóng)作物由于其自身的生長特點,容易遭到病蟲害侵襲,而病蟲害一旦發(fā)生且在短時間內(nèi)沒有得到徹底清除,就會迅速繁衍,造成大規(guī)模性的柑橘類種植災(zāi)害,進(jìn)而導(dǎo)致柑橘的產(chǎn)量和品質(zhì)下降。柑橘病蟲害的發(fā)生與溫度、濕度、土壤等因素息息相關(guān),因此,通過分析柑橘種植過程中的這些相關(guān)數(shù)據(jù),改進(jìn)病蟲害診斷預(yù)警的數(shù)據(jù)挖掘方法,最終構(gòu)建出柑橘類農(nóng)作物病蟲害預(yù)警系統(tǒng)。研究成果對我國農(nóng)作物病蟲害診斷預(yù)警具有一定的理論意義和應(yīng)用價值。在對柑橘種植數(shù)據(jù)進(jìn)行分析和處理過程中,隨著歷史數(shù)據(jù)量的逐漸增多,單個算法模型已經(jīng)不能滿足現(xiàn)實中大數(shù)據(jù)量的分析和挖掘需求,算法的集成學(xué)習(xí)和并行化計算成為數(shù)據(jù)挖掘的主要研究方向,本文采用決策樹挖掘算法,研究重點為決策樹算法的集成學(xué)習(xí)及其在Hadoop中的并行化計算。首先,初步介紹基于Hadoop大數(shù)據(jù)分布式處理系統(tǒng),主要包括HDFS的系統(tǒng)架構(gòu)、運行機(jī)制和容錯機(jī)制,以及MapReduce編程模型,MapReduce并行化過程,然后介紹數(shù)據(jù)挖掘過程中數(shù)據(jù)處理流程和常用的數(shù)據(jù)挖掘算法,并詳細(xì)說明本文中柑橘病蟲害相關(guān)數(shù)據(jù)的來源... 

【文章來源】：華東交通大學(xué)江西省

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
主要符號說明
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 農(nóng)業(yè)病蟲害預(yù)警的研究現(xiàn)狀
        1.2.2 數(shù)據(jù)挖掘技術(shù)在農(nóng)業(yè)領(lǐng)域的研究現(xiàn)狀
    1.3 本文的主要研究內(nèi)容
    1.4 本文的組織結(jié)構(gòu)及課題來源
第二章 Hadoop及數(shù)據(jù)挖掘相關(guān)技術(shù)概述
    2.1 Hadoop及其相關(guān)模塊
        2.1.1 HDFS架構(gòu)及原理
        2.1.2 MapReduce編程模型
        2.1.3 Mahout算法模塊
    2.2 數(shù)據(jù)挖掘概述
        2.2.1 數(shù)據(jù)挖掘流程
        2.2.2 數(shù)據(jù)挖掘算法
    2.3 本章小結(jié)
第三章 決策樹及集成學(xué)習(xí)挖掘算法研究
    3.1 決策樹算法
        3.1.1 決策樹模型
        3.1.2 ID3算法
        3.1.3 C4.5算法
        3.1.4 CART算法
    3.2 集成學(xué)習(xí)
        3.2.1 Bagging集成學(xué)習(xí)
        3.2.2 Booting集成學(xué)習(xí)
    3.3 本章小結(jié)
第四章 基于Hadoop的決策樹算法研究與實現(xiàn)
    4.1 基于Hadoop的隨機(jī)森林算法及其并行化實現(xiàn)
        4.1.1 隨機(jī)森林算法
        4.1.2 隨機(jī)森林算法并行化實現(xiàn)
    4.2 基于Hadoop的迭代決策樹算法及其并行化實現(xiàn)
        4.2.1 梯度提升決策樹
        4.2.2 迭代決策樹算法并行化實現(xiàn)
    4.3 實驗設(shè)計與結(jié)果分析
        4.3.1 實驗環(huán)境部署
        4.3.2 柑橘病蟲害數(shù)據(jù)收集與處理
        4.3.3 實驗結(jié)果對比與分析
    4.4 本章小結(jié)
第五章 柑橘病蟲害預(yù)警系統(tǒng)的設(shè)計與實現(xiàn)
    5.1 系統(tǒng)總體設(shè)計
    5.2 數(shù)據(jù)引擎
        5.2.1 數(shù)據(jù)管理模塊
        5.2.2 大數(shù)據(jù)挖掘模塊
        5.2.3 數(shù)據(jù)預(yù)測模塊
    5.3 系統(tǒng)管理控制功能
    5.4 系統(tǒng)主要功能模塊實現(xiàn)
        5.4.1 開發(fā)工具及環(huán)境
        5.4.2 功能實現(xiàn)
        5.4.3 系統(tǒng)驗證
    5.5 本章小結(jié)
第六章 總結(jié)與展望
參考文獻(xiàn)
個人簡歷 在讀期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于Hadoop平臺的MapReduce模型任務(wù)調(diào)度算法的研究與改進(jìn)[J]. 李霞,柯琦.  數(shù)字技術(shù)與應(yīng)用. 2017(02)
[2]基于大數(shù)據(jù)的圖書館移動信息服務(wù)創(chuàng)新研究[J]. 桂玉杰,杜濤,蔡靜,張秋淼,湯文亮.  軟件導(dǎo)刊. 2016(12)
[3]基于云計算的柑橘市場信息預(yù)測平臺構(gòu)建研究[J]. 王聰,黃曉英.  中國農(nóng)業(yè)信息. 2016(14)
[4]CMADS數(shù)據(jù)集及其在流域水文模型中的驅(qū)動作用——以黑河流域為例[J]. 孟現(xiàn)勇,師春香,劉時銀,王浩,雷曉輝,劉志輝,吉曉楠,蔡思宇,趙求東.  人民珠江. 2016(07)
[5]基于Hadoop的公共建筑能耗數(shù)據(jù)挖掘方法[J]. 王磊,張永堅,賈繼鵬,牛曉光,聶昌龍.  計算機(jī)系統(tǒng)應(yīng)用. 2016(03)
[6]基于K-means聚類算法的葉螨圖像分割與識別[J]. 劉國成,張楊,黃建華,湯文亮.  昆蟲學(xué)報. 2015 (12)
[7]鄱陽湖生態(tài)經(jīng)濟(jì)區(qū)農(nóng)業(yè)生態(tài)化探析[J]. 席鷺軍.  湖北經(jīng)濟(jì)學(xué)院學(xué)報(人文社會科學(xué)版). 2015(11)
[8]柑橘病蟲害綜合防控技術(shù)[J]. 來代芬.  農(nóng)技服務(wù). 2015(06)
[9]圓形分布統(tǒng)計的江西省柑橘病蟲害時間格局分析[J]. 張偉,戴小華,徐家生,王飛.  贛南師范學(xué)院學(xué)報. 2014(06)
[10]基于MVC的長春市玉米病蟲害與缺素診斷專家系統(tǒng)的設(shè)計與實現(xiàn)[J]. 司秀麗,李偉為.  貴州農(nóng)業(yè)科學(xué). 2014(06)

博士論文
[1]基于不確定理論和機(jī)器學(xué)習(xí)的知識發(fā)現(xiàn)研究[D]. 劉后勝.中國科學(xué)技術(shù)大學(xué) 2008

碩士論文
[1]決策樹和關(guān)聯(lián)規(guī)則技術(shù)在高職院校招生工作中的應(yīng)用研究[D]. 曲俊燕.鄭州大學(xué) 2016
[2]隨機(jī)森林算法處理不平衡數(shù)據(jù)的改進(jìn)及其并行化[D]. 鐘龍申.廣東工業(yè)大學(xué) 2016
[3]基于決策樹C4.5算法剪枝策略的改進(jìn)研究[D]. 邱磊.華中師范大學(xué) 2016
[4]基于Hadoop的決策樹算法改進(jìn)及林業(yè)數(shù)據(jù)分類預(yù)測研究[D]. 李海濤.東北林業(yè)大學(xué) 2016
[5]基于YARN和Spark框架的數(shù)據(jù)挖掘算法并行研究[D]. 陳名輝.湖南師范大學(xué) 2016
[6]面向智慧農(nóng)業(yè)種植過程的數(shù)據(jù)采集平臺的研究[D]. 牛鴿.浙江理工大學(xué) 2016
[7]基于Hadoop大數(shù)據(jù)平臺資源及用戶行為檢測技術(shù)的研究[D]. 王驍.北京交通大學(xué) 2015
[8]基于Hadoop的MapReduce的性能分析與優(yōu)化[D]. 戴新華.南京郵電大學(xué) 2015
[9]數(shù)據(jù)挖掘的決策樹技術(shù)在高校畢業(yè)生管理中的應(yīng)用[D]. 瞿花斌.山東大學(xué) 2014
[10]自適應(yīng)屬性選擇的隱樸素貝葉斯算法研究及其應(yīng)用[D]. 瞿忠魁.湖南大學(xué) 2014



本文編號：3007196