并行支持向量机算法及其应用

针对当前支持向量机计算效率的不足,提出了改进的并行支持向量机技术。该算法能有效使内积运算、向量数据更新、矩阵向量实现并行计算,并且数据之间的通信时间能和向量更新时间重叠,从而提高了计算效率,并能保证泛化能力。数据仿真结果表明,与改进前的算法相比,2500个样本下能节省时间30%左右,样本量增大时,效果更为明显。

基于并行支持向量机的多变量非线性模型预测控制

提出一种基于并行支持向量机的多变量系统非线性模型预测控制算法.首先,通过考虑输入、输出间的耦合,建立基于并行支持向量机的多步预测模型;然后,将该模型用于非线性预测控制,提出新的适用于并行预测模型的反馈校正策略,得到最优控制律.连续搅拌槽式反应器(CSTR)的控制仿真结果表明,该算法的性能优于基于并行神经网络的非线性模型预测控制和基于集成模型的非线性模型预测控制.

一种基于并行支持向量机的网络入侵检测方法

构造了一种基于并行支持向量机(Parallel Support Vector Machines,简称PSVMs)的网络入侵检测(Intrusion Detection,ID)方法,多个并行的支持向量机在分布式的计算机系统环境上运行。利用反馈对初始的分类器进行更新,避免了初始训练样本的分布差异过大而对分类器性能产生的潜在影响。将其与神经网络检测模型进行对比,实验证明,该方法在保持较低误警率的同时有着很好的检测率,在训练时间上优于传统BP网络方法,并且能保证较好的泛化能力。

基于并行计算的支持向量机加速算法

针对传统支持向量机(Support Vector Machine,SVM)方法不能有效处理海量数据分类的问题,本文提出一种基于并行计算(Parallel Computing,PC)的支持向量机加速(Speeding support vector machine based on parallel computing,PC_SVM)方法。该方法首先将海量的训练样本通过聚类方式划分为多个独立的工作子集,并在每个工作子集上并行进行SVM的自适应训练,以得到适应该训练子集的SVM学习模型,通过衡量不同子集训练结果的关系,对每个工作集中聚类得到的子类进行合并,从而有效处理海量数据的分类问题。实验结果表明,PC_SVM方法在大规模数据集上在保持分类效果的同时大幅度提高了传统SVM的分类效率。

基于并行支持向量机的两相流流型识别研究

两相流体具有复杂的流动特性,流型的准确识别是两相流参数准确测量的基础.针对电阻层析成像(ERT)系统和油/水两相流的流型,设计基于类间分离度的交叉组合式PSVM,确定PSVM模型并行训练策略和预测策略.仿真实验结果对比证明,并行支持向量机是一种兼顾效率和准确性的流型识别方法.

一种大规模支持向量机的高效求解算法

现有大规模支持向量机求解算法需要大量的内存资源和训练时间,通常在大集群并行环境下才能实现。提出了一种大规模支持向量机(SVM)的高效求解算法,以在个人PC机求解大规模SVM。它包括3个步骤:首先对大规模样本进行子采样来降低数据规模;然后应用随机傅里叶映射显式地构造随机特征空间,使得可在该随机特征空间中应用线性SVM来一致逼近高斯核SVM;最后给出线性SVM在多核环境下的并行实现方法以进一步提高求解效率。标准数据集的对比实验验证了该求解算法的可行性与高效性。

随机特征上一致中心调节的支持向量机

支持向量机(SVM)是最为流行的分类工具,但处理大规模的数据集时,需要大量的内存资源和训练时间,通常在大集群并行环境下才能实现。提出一种新的并行SVM算法,RF-CCASVM,可在有限计算资源上求解大规模SVM。通过随机傅里叶映射,应用低维显示特征映射一致近似高斯核对应的无限维隐式特征映射,从而用线性SVM一致近似高斯核SVM。提出一致中心调节的并行化方法。具体地,将数据集划分成若干子数据集,多个进程并行地在各自的子数据集上独立训练SVM。当各个子数据集上的最优超平面即将求出时,用由各个子集上获得的一致中心解取代当前解,继续在各子集上训练直到一致中心解在各个子集上达到最优。标准数据集的对比实验验证了RF-CCASVM的正确性和有效性。

基于数据驱动的盾构机密封舱土压预测

盾构机是一种暗挖地下隧道工程的专用机械。为了保证盾构机安全、高效掘进,必须控制密封舱土压平衡。盾构机掘进过程中密封舱土压受多系统、多场耦合和地质条件突变等诸多因素影响,极易导致密封舱土压失衡而引起地表塌陷等安全事故。针对难以建立有效的机理模型进行密封舱土压预测并实施控制的问题,提出了基于多粒子群协同优化的并行支持向量机(PCPSO-PSVM)密封舱土压的数据驱动建模方法。采用分而治之的原则将数据样本分成4个子集、3个层次进行并行学习,再采用交叉反馈的方式更新初始样本重新训练直至结束,得到支持向量;利用协同粒子群并行计算优化支持向量机的参数,将粒子群并行分组寻优,在各自独立的进程内进行独立搜索,最后各群体汇集到主进程,计算得到模型的全局最优参数C和σ,得到密封舱土压预测模型。基于盾构施工现场的实测数据进行了仿真实验,对密封舱内4个土压力监测点进行建模预测,结果表明该方法具有较高的计算效率和预测精度,能够满足实时在线计算预测的要求。因此,完全可以通过这些压力监测点做出整个开挖面的土压力预测,以对密封舱土压失衡做出提前预警和决策。该方法实现了基于数据的快速密封舱土压建模预测,能够为开挖面的稳定控制提供及时、准确的判断依据,指导工程实践。

基于迭代式MapReduce并行虚拟筛选的研究

由于传统的SVM的应用最常用的是MPI(Message Passing Interface)技术,但是MPI对大数据集显得繁杂、不实用,并且基于并行向量机(Support Vector Machine)的虚拟筛选不仅要面对巨大数据集,还要进行O(n2).这样复杂庞大的计算.针对以上问题,在集群方面采用MapReduce对超大数据集进行数据分析.本文采用Spark一种迭代式MapReduce编程模型,提出一种基于SVM虚拟筛选的MapReduce执行方案,分析了HDFS和Spark结合使用才能实现对数据的并行化分布和处理,实验表明该方案对大数据表现理想,且为大规模的公共云架构进行有效虚拟筛选提供了可能.

基于反馈思想的组合PSVM流型识别研究

针对两相流流型识别,以ERT系统为基础,将多种类型PSVM进行组合,设计基于反馈思想的组合并行支持向量机模型,对油/水两相流的流型进行识别。仿真实验结果显示,基于反馈思想的组合并行支持向量机是一种有效的流型识别方法。