支持向量機(jī)（support vector machine,簡(jiǎn)稱SVM）由于其完整的理論框架和在實(shí)際應(yīng)用中取得的良好效果,特別是在多分類問(wèn)題上顯示其突出的能力以及作為運(yùn)用核函數(shù)的成功范例,在人臉檢測(cè)、時(shí)間序列預(yù)測(cè)、自適應(yīng)信號(hào)處理、模式識(shí)別和圖像識(shí)別等方面都得到廣泛的應(yīng)用。SVM訓(xùn)練階段實(shí)質(zhì)是求解二次規(guī)劃（QP,Quadratic Programming）問(wèn)題得到支持向量,求解QP問(wèn)題過(guò)程中須計(jì)算出N階矩陣（N為樣本數(shù)量）。隨著大數(shù)據(jù)時(shí)代的到來(lái),在樣本類別多,樣本數(shù)量大、樣本特征多情況下,存在計(jì)算量大,支持向量機(jī)內(nèi)存使用過(guò)多,訓(xùn)練速度慢等問(wèn)題。針對(duì)這些問(wèn)題,本文就并行化SVM展開了相關(guān)工作,研究并行技術(shù)分散SVM內(nèi)存依賴,加速訓(xùn)練過(guò)程,Lib SVM訓(xùn)練過(guò)程默認(rèn)設(shè)置核函數(shù)Gamma參數(shù)和容錯(cuò)懲罰C參數(shù),不利于提升訓(xùn)練精度和訓(xùn)練模型的泛化能力。國(guó)內(nèi)外學(xué)者多基于二分類SVM采用混合編程（例如MPI+CUDA）并行加速SVM訓(xùn)練過(guò)程,而實(shí)際大概率需要處理多類樣本,并且混合編程提升了開發(fā)者開發(fā)難度。論文主要工作如下:1.為提升分類精確度和支持向量機(jī)的模型泛化能力,基于Lib SVM增添參數(shù)優(yōu)選功能... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景
    1.2 高性能計(jì)算技術(shù)發(fā)展現(xiàn)狀
    1.3 并行化SVM國(guó)內(nèi)外研究
    1.4 課題研究?jī)?nèi)容及組織結(jié)構(gòu)
第二章 異構(gòu)集群并行計(jì)算框架
    2.1 分布式并行技術(shù)比較
        2.1.1 MPI
        2.1.2 MapReduce并行架構(gòu)
        2.1.3 Spark并行架構(gòu)
        2.1.4 小結(jié)
    2.2 異構(gòu)集群并行計(jì)算框架軟件
        2.2.1 軟件部署
        2.2.2 工作流程
        2.2.3 資源管理軟件
        2.2.4 節(jié)點(diǎn)管理軟件
        2.2.5 任務(wù)計(jì)算軟件
        2.2.6 應(yīng)用程序
    2.3 集群框架平臺(tái)特點(diǎn)
第三章 支持向量機(jī)基本理論
    3.1 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化準(zhǔn)則
    3.2 結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則
    3.3 線性支持向量機(jī)
    3.4 非線性支持向量機(jī)
第四章 LIBSVM并行化
    4.1 LIBSVM源碼分析
        4.1.1 類結(jié)構(gòu)圖
        4.1.2 頭文件SVM.h
            4.1.2.1 structsvm_node
            4.1.2.2 structsvm_problem
            4.1.2.3 structsvm_model
        4.1.3 SVM.cpp文件
            4.1.3.1 類Cache
            4.1.3.2 類Kernel
            4.1.3.3 類Solver
        4.1.4 多分類、交叉驗(yàn)證
    4.2 SVM并行化方案比較
        4.2.1 層級(jí)式并行
        4.2.2 數(shù)據(jù)分塊并行
        4.2.3 svm_train_one并行
        4.2.4 Q值計(jì)算并行
        4.2.5 比較小結(jié)
    4.3 LIBSVM并行化實(shí)現(xiàn)
        4.3.1 框架接口
        4.3.2 模型訓(xùn)練并行化改造
            4.3.2.1 主流程并行化改造
            4.3.2.2 svm_train_one函數(shù)并行化改造
        4.3.3 交叉驗(yàn)證并行化改造
            4.3.3.1 主流程并行化改造
            4.3.3.2 svm_predict函數(shù)并行化改造
        4.3.4 CPU多核并行計(jì)算
        4.3.5 GPU版本并行算法
第五章 異構(gòu)集群下的SVM并行計(jì)算性能分析
    5.1 實(shí)驗(yàn)環(huán)境的建立
    5.2 單節(jié)點(diǎn)測(cè)試結(jié)果
    5.3 多節(jié)點(diǎn)測(cè)試結(jié)果
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 工作展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]FPGA異構(gòu)計(jì)算平臺(tái)及其應(yīng)用[J]. 胡雷鈞,陳乃剛,李健,韓峰,趙雅倩.  電力信息與通信技術(shù). 2016(07)
[2]基于Spark的LIBSVM參數(shù)優(yōu)選并行化算法[J]. 李坤,劉鵬,呂雅潔,張國(guó)鵬,黃宜華.  南京大學(xué)學(xué)報(bào)(自然科學(xué)). 2016(02)
[3]采用半定規(guī)劃多核SVM的語(yǔ)音情感識(shí)別[J]. 姜曉慶,夏克文,夏莘媛,祖寶開.  北京郵電大學(xué)學(xué)報(bào). 2015(S1)
[4]基于直方圖均衡化、PCA和SVM算法的人臉識(shí)別[J]. 孫文榮,周先春,嵇亞婷.  軟件. 2014(08)
[5]基于KKT條件的SVM增量學(xué)習(xí)算法[J]. 曹健,孫世宇,段修生,張澤建.  火力與指揮控制. 2014(07)
[6]基于自適應(yīng)支持向量機(jī)的磨粒識(shí)別技術(shù)研究[J]. 石宏,張帥,李昂.  科學(xué)技術(shù)與工程. 2012(32)
[7]核函數(shù)的選擇研究綜述[J]. 汪廷華,陳峻婷.  計(jì)算機(jī)工程與設(shè)計(jì). 2012(03)
[8]MapReduce并行編程模型研究綜述[J]. 李建江,崔健,王聃,嚴(yán)林,黃義雙.  電子學(xué)報(bào). 2011(11)
[9]SVM分類核函數(shù)及參數(shù)選擇比較[J]. 奉國(guó)和.  計(jì)算機(jī)工程與應(yīng)用. 2011(03)
[10]支持向量機(jī)的SMO算法及其自適應(yīng)改進(jìn)研究[J]. 王偉,劉梅,段愛(ài)玲.  河南科學(xué). 2010(04)

博士論文
[1]基于GPU的高性能并行優(yōu)化算法研究[D]. 李繁.大連理工大學(xué) 2014
[2]基于多核DSP的實(shí)時(shí)圖像處理平臺(tái)研究[D]. 孫科林.電子科技大學(xué) 2012
[3]支持向量機(jī)加速方法及應(yīng)用研究[D]. 曹葵康.浙江大學(xué) 2010
[4]支持向量機(jī)算法及其應(yīng)用研究[D]. 張國(guó)云.湖南大學(xué) 2006
[5]支持向量機(jī)分類與回歸方法研究[D]. 孫德山.中南大學(xué) 2004
[6]支持向量機(jī)算法的研究及其應(yīng)用[D]. 范昕煒.浙江大學(xué) 2003

碩士論文
[1]求解大規(guī)模支持向量機(jī)問(wèn)題的并行算法研究[D]. 李曉蕊.山東科技大學(xué) 2011
[2]基于二分類SVM的多分類方法比較研究[D]. 焦春鵬.西安電子科技大學(xué) 2011



本文編號(hào)：3210788