對神經(jīng)網(wǎng)絡(luò)的研究近年來伴隨著其在預(yù)測、擬合和圖像分類上的成功應(yīng)用,成為現(xiàn)行人工智能機(jī)器學(xué)習(xí)最令人關(guān)注的研究熱點(diǎn)之一。神經(jīng)網(wǎng)絡(luò)在大數(shù)據(jù)應(yīng)用上的高速發(fā)展也促進(jìn)了并行處理設(shè)備和平臺的發(fā)展,包括當(dāng)前應(yīng)用較為廣泛的Hadoop,Spark等并行處理平臺和具有通用計算能力的GPU(Graphics Processing Unit)硬件設(shè)備等。極限學(xué)習(xí)機(jī)(ELM:Extreme Learning Machine)算法作為一種單隱層前饋型神經(jīng)網(wǎng)絡(luò),由于其可以隨機(jī)初始化網(wǎng)絡(luò)權(quán)值和偏置,避免了傳統(tǒng)BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)調(diào)整權(quán)值參數(shù)的困難而名噪一時。但同時也因?yàn)槠潆S機(jī)性,而造成了算法的不穩(wěn)定。粒子群算法具有實(shí)現(xiàn)簡單、復(fù)雜度低、控制參數(shù)少等優(yōu)點(diǎn),在參數(shù)尋優(yōu)領(lǐng)域應(yīng)用廣泛。但為克服其收斂速度慢,容易陷入局部最優(yōu)等問題,對于粒子群算法的優(yōu)化也層出不窮。本文提出的基于健康度的混合粒子群優(yōu)化算法(HHPSO:Hybrid particle swarm optimization algorithm based on health degree)將粒子以健康度分類后進(jìn)行迭代,與同類算法相比具有收斂...

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖9面上基金資助率隨申請人年齡的分布

圖9是申請人出生年份與資助率變化圖�？梢园l(fā)現(xiàn)，1960～1969、1970～1979和1980～19893個年齡段的獲資助項(xiàng)目總量分別為10、29和54,而對應(yīng)的資助率分別為20.00%、21.01%和18.75%,進(jìn)一步顯示80后青年科學(xué)家具有較為豐富的基金申請書撰寫經(jīng)驗(yàn)。....

圖2-1線程束調(diào)度單元的結(jié)構(gòu)示例

第二章相關(guān)理論與技術(shù)程有其全局唯標(biāo)識的地址和其獨(dú)占的寄存器算。分配給它的線程塊被SMX劃分為多個線p，線程束調(diào)度結(jié)構(gòu)如圖2-1所示。

圖2-2CUDA的軟件視圖和硬件視圖的映射關(guān)系

圖2-1線程束調(diào)度單元的結(jié)構(gòu)示例包括兩組指令分發(fā)單元，每個流式多處理器包時執(zhí)行，當(dāng)個線程束中的所有線程執(zhí)行的代線程塊（Block）中的所有線程是均在SMX中執(zhí)ck。在SMX中，線程是以線程束為單位被線殊功能單元以及加載存儲單元來執(zhí)行該任務(wù)，，CUDA軟件到硬件的對....

圖2-4CUDA的存儲器層次結(jié)構(gòu)

第二章相關(guān)理論與技術(shù)編程的。Share內(nèi)存里面的參數(shù)都是在Kernel函數(shù)中聲明的，但可在用，當(dāng)任務(wù)執(zhí)行完成后，Share的參數(shù)變量才可以重新再被其他寄存他任務(wù)線程使用。由于其可被同線程塊中的全部線程訪問，所以能務(wù)間的線程通訊，但由于執(zhí)行線程是無序的，因此在線程塊內(nèi)線....

本文編號：4005387