基于云平臺的最小最大模塊化支持向量機的研究.pdf

1、支持向量機是一種經典的模式分類方法，它是在VC維和結構風險最小化原則等理論的基礎上提出來的。由于其良好的泛化性能，支持向量機已經被廣泛應用到許多領域。支持向量機的學習過程的本質是一個求解二次規(guī)劃的過程，需要的學習時間隨著樣本個數(shù)的增多成平方級增加。因此，使用傳統(tǒng)的支持向量機來解決大規(guī)模的學習問題是相當費時的，甚至是無法實現(xiàn)的。
　　為了提高支持向量機的學習效率，Lu教授提出了最小最大模塊化支持向量（M3-SVM）算法。該算法采用分

2、而治之的思想將大規(guī)模的問題分解為若個相互獨立的、規(guī)模較小的子問題，然后分別對這些子問題進行訓練。雖然這樣能夠大幅度的降低學習需要的時間，但這些子問題依然串行學習的。為了進一步提高支持向量機的學習效率，我們將M3-SVM與Hadoop平臺相結合。本論文的工作主要包括以下三個方面：
　　第一，基于云計算平臺的最小最大模塊化支持向量機研究。M3-SVM提出之初就考慮到了分布式并行計算，因此可以將M3-SVM算法與MapReduce并行框

3、架結合，充分利用多機的計算資源，以達到提高算法效率的目的。實驗結果表明：M3-SVM算法的并行化能夠在保證其泛化能力的前提下，明顯地提高模型的訓練速率。因此，并行化的M3-SVM算法可以有效處理大規(guī)模模式分類問題。
　　第二，基于云平臺的概念漂移數(shù)據(jù)流分類的研究?，F(xiàn)實生活中存在大量的流式數(shù)據(jù)，并且隨著時間的推移，數(shù)據(jù)流中包含的概念可能發(fā)生或多或少的漂移。如何能夠及時地檢測出這種概念漂移，并訓練出符合當前數(shù)據(jù)的分類器，是當前模式分類

4、研究所面臨的挑戰(zhàn)之一。為此，我們將并行M3-SVM應用到數(shù)據(jù)流的分類研究中，使其能夠實時地檢測出漂移現(xiàn)象以及訓練出符合當前數(shù)據(jù)的分類器模型。
　　第三，基于云平臺的最小最大模塊化支持向量機模式分類系統(tǒng)開發(fā)。該系統(tǒng)以模式分類為核心，設計了一個數(shù)據(jù)安全的、界面友好的、可交互的、可擴展的和可維護的最小最大模塊化支持向量機模式分類系統(tǒng)。該系統(tǒng)最大的特點是提供模式分類算法的可視化操作，其中包含了運行平臺的選擇、數(shù)據(jù)集的加載以及模式分類等應用