一种优化BITONIC算法:“并行-优化-串行”合并和分类向量算法

串行算法并行化是发挥各种巨型机的效率的关键技术之一 .“并行 -优化 -串行”归并向量算法 ( POSVM) ,是一种串行算法并行化的优化方法 .它用 O( N / p )时间把总长为 N的两个有序序列归并或把总长为 N的一个Bitonic序列排序 .“并行 -优化 -串行”排序向量算法 ( POSVS)用 O( ( N log N) / p)时间在实际 SIMD机上把 N个数排序 .这些是第 1个满足以下两个条件的向量 Optimal算法 (加速比 =O( p ) ) .1它能在实际 SIMD计算机上实现 .处理机的台数 p的范围很宽 1≤ p≤ N 1-ε,这里 ,ε是任意的小的正数 .2它统一了 3种不同类的合并算法 :Batcher的 Bitonic算法 (最快但效率随参数变大而趋向于 0 )、优化 ( Optimal)算法 (效率为常数的算法 )和最佳的串行算法 .而且也综合了 3个算法的优点 .“并行 -优化 -串行”( POS)方法是一个通用方法 。

基于SMO-SVM的丝杠表面磨削质量预测

针对滚珠丝杠磨削过程在线监测困难的问题,使用支持向量机建立智能模型。模型本身针对颤振分类和粗糙度预测的不同问题,选用基于串行优化算法的支持向量分类机和支持向量回归机,并使用交叉验证法对模型参数进行优化。基于滚珠丝杠表面波纹度理论和粗糙度理论,对磨削过程中的振动信号进行特征提取,结合加工参数作为模型输入,先进行颤振的判别,在判断未颤振的情况下对表面质量进行预测。实验结果表明,该模型可以对颤振分类及粗糙度预测进行较好的在线监测。

基于SMO-SVM的单点金刚笔钝化监测

针对单点金刚笔在砂轮修整过程中易于钝化且难以检测的问题,使用支持向量机建立智能模型。为了得到建立模型所需的样本库,使用小波包分析等方法在线提取修整时声发射信号中的特征信息,并引入钝化平台直径定义钝化临界值。模型本身选用基于串行优化算法的支持向量分类机,使用交叉验证法搭配遗传算法以达到优化模型参数的目的。实验结果表明,该模型在分类精度和计算时间上均优于一般的智能模型,可以有效地监测金刚笔的钝化。