|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于Spark的并行SVM算法研究显示文摘随着数据规模的不断增加,支持向量机(SVM)的并行化设计成为数据挖掘领域的一个研究热点。针对SVM算法训练大规模数据时存在寻优速度慢、内存占用大等问题,提出了一种基于Spark平台的并行支持向量机算法(SP-SVM)。该方法通过调整层叠支持向量机(Cascade SVM)的合并策略和训练结构,并利用Spark分布式计算框架实现;其次,进一步分析并行操作算子的性能,优化算法并行化实现方案,有效克服了层叠模型训练效率低的缺点。实验结果表明,新的并行训练方法在损失较小精度的前提下,在一定程度上减少了训练时间,能够很好地提高模型的学习效率。 | 刘泽燊 潘志松 | 2016 | 计算机科学2016，43，5： | 17 |
| 2 | 基于MapReduce的层叠分组并行SVM算法研究显示文摘随着训练集规模的不断增大,支持向量机学习成为了密集型计算的过程。针对计算过程中存在占用内存大、寻优速度慢等问题,通过大量实验对分组训练和层叠训练两种并行SVM算法进行性能分析,给出层叠分组SVM并行算法,并利用MapReduce并行框架实现,解决了层叠训练模型效率低的问题。实验结果表明,采用这种学习策略,在保持精度损失较小的情况下,一定程度上减少了训练时间,提高了分类速度。 | 张鹏翔 刘利民 马志强 | 2015 | 计算机应用与软件2015，32，3： | 10 |
| 3 | 基于Spark的支持向量机在小麦病害图像识别中的应用显示文摘为了提高小麦病害图像分类的效率,提出了一种基于Spark的并行式支持向量机算法。首先对小麦病害图像进行滤波去噪、灰度压缩等处理,利用灰度共生矩阵、不变矩阵等从颜色、纹理和形状3个方面提取49个特征向量;然后通过数据集的切分和并行框架的支持,将大数据并行处理技术Spark与支持向量机结合,运用Scala语言实现了串行支持向量机算法的并行化,并将其应用于小麦病害图像识别。针对小麦锈病和白粉病的图像分类测试结果表明,当测试图像分别是2 600、3 900、5 120张时,该算法对锈病的分类精度依次是76.03%、81.18%、77.82%,对白粉病的分类精度依次是83.27%、85.91%、83.14%,比串行支持向量机分类精度有所提升。分类时间依次是13 928.0、18 506.1、24 897.2 ms,明显低于串行支持向量机的分类时间。改进的算法实现了小麦病害分类精度的小幅度提升,明显提高了处理速度,具有较快的学习收敛速率。 | 林中琦 牟少敏 时爱菊 孙肖肖 李磊 | 2017 | 河南农业科学2017，46，7： | 8 |
| 4 | 数据挖掘算法在葡萄酒信息数据分析系统中的研究显示文摘随着信息科技的快速发展,计算机中的经典算法在葡萄酒产业中得到了广泛的研究与应用。机器学习算法的特点是运用人工智能技术,在经过大量的样本集训练和学习后可以自动地找出运算所需要的参数和模型。针对数据挖掘中常用的机器学习算法进行相关的研究。以分类算法为例进行数据挖掘技术的研究。针对SVM(支持向量机)泛化能力弱的缺点,给出了一种改进的SVM-NSVM,即先对训练集进行精选,根据每个样本与最近邻类标的异同判断样本点的取舍,然后再用SVM训练得到分类器。针对kNN(k-最近邻)训练数据集大的缺点,给出了一种改进的通过渐进的思想来寻找最近邻点。实验表明,与SVM相比,NSVM在分类正确率、分类速度上有一定的优势。改进的kNN算法的复杂度明显降低。此外,设计了葡萄酒信息数据分析系统,利用数据挖掘方法对极大量的葡萄酒信息数据进行分析、对比与匹配,从而可挖掘葡萄酒的主要成分对比信息和营销潜在信息等;再对这些成分进行相应的分析,并与高质量葡萄酒中的成分进行相应的对比,最终得出葡萄酒的相关分析信息数据,其可帮助葡萄酒生产厂商对葡萄酒的成分含量、品质进行分析。 | 郝艳妮 吴素萍 田维丽 | 2017 | 计算机科学2017，44，S1： | 8 |
| 5 | 分割灰度不均匀图像水平集算法的CUDA实现显示文摘图像分割是图像处理中的重要一步,然而图像容易受到空间光照等因素的影响使得图像灰度不均匀,而传统的基于区域的水平集方法在灰度不均匀时分割效果较差。为了提高图像分割效果,将空间聚类信息引入到传统的水平集方法中可以取得较好的分割效果。但是水平集方法计算量大、实时效果差,限制了其应用范围。利用NVIDIA的CUDA平台将算法并行实现,有效地提高了算法的运行效率。文中利用CUDA的线程模型、共享内存等存储器将聚类中心计算、曲线演化计算和偏置域计算并行实现,并在灰度不均匀的CT图像和植物叶片图像上进行分割实验,相比于CPU上的串行实现,并行后的分割速度得到明显增加。 | 卓永 杨辉华 高春洋 刘振丙 | 2017 | 计算机仿真2017，34，11： | 4 |
| 6 | 基于AVX与OpenMP的LIBSVM并行优化研究显示文摘为解决支持向量机(SVM)分类算法性能不能满足实时性要求的问题,提出了一种使用Intel高级矢量扩展指令集(AVX)对SVM分类算法进行并行加速的计算方法。首先以LIBSVM的串行版本作为算法优化的基准,分析了LIBSVM训练阶段产生的模型文件读入内存后的布局特点,给出了满足AVX指令集操作的内存布局优化方案,接着在满足分类结果精度的前提下以单精度代替双精度浮点,提高了算法的并行度,最后使用OpenMP技术在多核平台下对并行算法进行了多线程优化,提高了CPU计算资源的利用率。实验结果表明,并行优化版本相对其串行版本加速约15倍左右,满足了系统的性能要求。 | 田林琳 刘业峰 关世杰 | 2019 | 计算机与数字工程2019，47，10： | 2 |
您所在的机构暂未开通此部分的功能，请联系管理员