本文關(guān)鍵詞：極限學(xué)習(xí)機(jī)并行化算法及在NO_x排放預(yù)測中的應(yīng)用

  更多相關(guān)文章： 極限學(xué)習(xí)機(jī) 大數(shù)據(jù) MapReduce 粒子群算法 NO_x排放

【摘要】：極限學(xué)習(xí)機(jī)(Extreme Learning Machine, ELM)以其學(xué)習(xí)速度快、訓(xùn)練參數(shù)少和泛化性能好等特點,被廣泛應(yīng)用于數(shù)據(jù)挖掘中。但是面對如今的大規(guī)模數(shù)據(jù),極限學(xué)習(xí)機(jī)與傳統(tǒng)的機(jī)器學(xué)習(xí)算法一樣,由于受到計算機(jī)內(nèi)存的限制,訓(xùn)練時間太長,甚至有可能無法運(yùn)行。針對以上問題,本文將極限學(xué)習(xí)機(jī)與當(dāng)下流行的大數(shù)據(jù)技術(shù)相結(jié)合,利用MapReduce這個并行框架來實現(xiàn)極限學(xué)習(xí)機(jī)的并行化,使極限學(xué)習(xí)機(jī)達(dá)到高效處理大規(guī)模數(shù)據(jù)的目的。隨著經(jīng)濟(jì)的迅猛發(fā)展,能源消耗隨之逐年增加。我國能源結(jié)構(gòu)以煤為主,燃煤電廠產(chǎn)生的NO_x日趨嚴(yán)重,如何有效地控制NO_x的排放一直是人們關(guān)注的焦點。隨著工業(yè)4.0的提出和存儲技術(shù)的提高,工業(yè)處于一個數(shù)據(jù)爆發(fā)的時代,每時每刻都在產(chǎn)生新的數(shù)據(jù),數(shù)據(jù)庫的存儲量也日益增加。為應(yīng)對我國火電行業(yè)信息化建設(shè)出現(xiàn)的大規(guī)模數(shù)據(jù),尋找行之有效的大規(guī)模數(shù)據(jù)處理技術(shù)已經(jīng)成為一個熱門研究。本文的主要工作如下：(1)針對傳統(tǒng)極限學(xué)習(xí)機(jī)集成方法無法有效處理大規(guī)模數(shù)據(jù)的問題,提出基于MapReduce框架的并行化極限學(xué)習(xí)機(jī)集成方法。通過分析極限學(xué)習(xí)機(jī)的集成方法,發(fā)現(xiàn)每個極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的訓(xùn)練為并列獨立進(jìn)行,證明該過程是可以分解的。該算法由一個MapReduce Job實現(xiàn),Map階段將集成學(xué)習(xí)中的每個極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)并行地訓(xùn)練。通過實驗證明該算法在精確度上和單機(jī)極限學(xué)習(xí)機(jī)集成方法幾乎一樣,但訓(xùn)練速度更快,可以更加高效地處理大規(guī)模數(shù)據(jù)。(2)針對極限學(xué)習(xí)機(jī)隨機(jī)初始化輸入權(quán)值和隱含層偏置,可能存在非最優(yōu)的輸入權(quán)值和隱含層偏置的問題,提出基于MapReduce框架的并行化粒子群極限學(xué)習(xí)機(jī)方法。研究發(fā)現(xiàn),在粒子群極限學(xué)習(xí)機(jī)算法的運(yùn)算過程中,粒子適應(yīng)度值的計算與樣本的大小有關(guān),若樣本太大會導(dǎo)致訓(xùn)練時間過長等問題。而適應(yīng)度函數(shù)采用極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的誤差,極限學(xué)習(xí)機(jī)在求解輸出權(quán)值的Moore-Penrose廣義逆中矩陣乘法是計算量最大的部分,由于其可以分解,故將其并行化。通過實驗證明,相比極限學(xué)習(xí)機(jī),該算法得到了較高的預(yù)測準(zhǔn)確率。(3)將本文提出的極限學(xué)習(xí)機(jī)并行化算法應(yīng)用到NO_x排放預(yù)測中。通過分析鍋爐運(yùn)行參數(shù)及影響NO_x排放特性的因素,確定極限學(xué)習(xí)機(jī)的輸入輸出參數(shù),建立NO_x的排放預(yù)測模型。并通過實驗驗證了本文提出方法的有效性。
【關(guān)鍵詞】：極限學(xué)習(xí)機(jī) 大數(shù)據(jù) MapReduce 粒子群算法 NO_x排放
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP181
【目錄】：

• 摘要4-6
• ABSTRACT6-13
• 主要符號索引13-15
• 第一章 緒論15-25
• 1.1 課題背景及選題意義15-17
• 1.2 國內(nèi)外相關(guān)研究進(jìn)展17-21
• 1.2.1 極限學(xué)習(xí)機(jī)研究現(xiàn)狀17-19
• 1.2.2 大規(guī)模的數(shù)據(jù)挖掘研究現(xiàn)狀19-21
• 1.2.3 NO_x排放預(yù)測研究現(xiàn)狀21
• 1.3 研究內(nèi)容與組織結(jié)構(gòu)21-25
• 第二章 相關(guān)技術(shù)25-37
• 2.1 NO_x的生成機(jī)理25-26
• 2.1.1 熱力型NO_x25-26
• 2.1.2 快速型NO_x26
• 2.1.3 燃料型NO_x26
• 2.2 極限學(xué)習(xí)機(jī)26-29
• 2.3 Hadoop大數(shù)據(jù)技術(shù)29-35
• 2.3.1 HDFS分布式文件系統(tǒng)30-33
• 2.3.2 MapReduce編程框架33-35
• 2.4 本章小結(jié)35-37
• 第三章 基于MapReduce的并行化極限學(xué)習(xí)機(jī)37-49
• 3.1 基于分治策略的極限學(xué)習(xí)機(jī)37-38
• 3.2 基于MapReduce的并行化ELM算法38-41
• 3.2.1 算法分析與設(shè)計38-39
• 3.2.2 算法實現(xiàn)39-41
• 3.3 實驗分析41-48
• 3.3.1 Hadoop平臺的總體設(shè)計41-43
• 3.3.2 實驗結(jié)果與分析43-48
• 3.4 本章小結(jié)48-49
• 第四章 基于MapReduce的并行化粒子群極限學(xué)習(xí)機(jī)49-61
• 4.1 粒子群算法49-51
• 4.1.1 粒子群算法49-50
• 4.1.2 PSO-ELM算法50-51
• 4.2 基于MapReduce的并行化PSO-ELM算法51-56
• 4.2.1 算法分析與設(shè)計51-53
• 4.2.2 算法實現(xiàn)53-56
• 4.3 實驗結(jié)果與分析56-60
• 4.4 本章小結(jié)60-61
• 第五章 基于并行化極限學(xué)習(xí)機(jī)的NO_x排放預(yù)測61-69
• 5.1 基于MapReduce的并行化NO_x排放模型61-63
• 5.1.1 鍋爐燃燒設(shè)備狀況61-62
• 5.1.2 輸入與輸出的設(shè)計62
• 5.1.3 數(shù)據(jù)采集及其預(yù)處理62-63
• 5.2 實驗分析63-66
• 5.2.1 基于PV-ELM的NO_x建模實驗63-65
• 5.2.2 基于DPSO-ELM的NO_x建模實驗65-66
• 5.3 本章小結(jié)66-69
• 第六章 總結(jié)與展望69-71
• 6.1 全文總結(jié)69-70
• 6.2 研究展望70-71
• 參考文獻(xiàn)71-77
• 致謝77-79
• 攻讀碩士學(xué)位期間發(fā)表的論文79

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 吳正娟;職為梅;楊勇;范明;;并行化的粒子群技術(shù)[J];微計算機(jī)信息;2009年36期

2 齊書陽;;迎接并行化的明天[J];軟件世界;2009年06期

3 曹琳,楊學(xué)軍,金國華;兩種并行化機(jī)制的分析[J];計算機(jī)研究與發(fā)展;1993年09期

4 金國華，，陳福接;并行化技術(shù)與工具[J];計算機(jī)研究與發(fā)展;1996年07期

5 蔡立志,童維勤,廖文昭;序列拼裝程序的并行化研究與實現(xiàn)[J];計算機(jī)工程與應(yīng)用;2003年14期

6 王偉;潘建偉;;有限差分法的并行化計算實現(xiàn)[J];電腦知識與技術(shù);2008年07期

7 程錦松;;迭代法的并行化[J];安徽大學(xué)學(xué)報(自然科學(xué)版);1997年03期

8 陳再高;王s

本文編號：517963