

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、隨著大數據技術的不斷發(fā)展,大數據處理的思想和方法在越來越多的領域中得到了應用。在醫(yī)療領域,通過對醫(yī)療大數據的挖掘和分析,發(fā)現臨床癥狀、生活習慣、遺傳因素和實驗室數據等元素與疾病之間的關聯和演化規(guī)律,在臨床輔助決策、疾病預測模型、個性化治療和臨床試驗分析等領域發(fā)揮著重要的作用。
Apriori算法憑借其簡單高效和適用范圍廣等特點,成為目前最常用的醫(yī)療關聯規(guī)則挖掘的算法之一,被廣泛地應用于癌癥,糖尿病和心腦血管疾病等重大疾病的關聯
2、規(guī)則挖掘問題中。然而隨著醫(yī)療數據量的日益增長和數據操作復雜程度的不斷提高,傳統Apriori算法在處理相關問題時,所消耗的時間越來越長,在實際應用中受到了很大的限制。因此,如何使用Apriori算法快速地從海量數據中挖掘出關聯規(guī)則是一個亟待解決的問題。Google公司提出的MapReduce架構通過構建高性能計算集群可以有效地解決Apriori算法的效率問題,這也是目前應用最廣泛的加速方法。然而構建集群的高昂成本,很多研究者及中小型用戶
3、都無法承受。因此本文利用GPU(Graphic Processing Unit)具有更大的內存帶寬,更多的執(zhí)行單元以及更低的成本等優(yōu)勢,提出了一種基于多GPU的并行方法對Apriori算法進行加速。這種方法既能得到很好的加速效果,又能大幅度地降低成本,使得中小型機構進行大數據處理成為可能。
本文首先使用區(qū)間離散化和離散區(qū)間整數化等方法對Aprion算法進行了一些修改,使之能夠適應數值型數據關聯規(guī)則挖掘問題。接著本文對Aprio
4、ri算法進行了并行化處理,在解決了算法數據存儲優(yōu)化、算法負載均衡的數據劃分以及針對大數據的動態(tài)加載等問題的基礎上,通過把每一個事務數據記錄分配到GPU眾多的線程當中,高效地將Apriori算法中支持計數計算的過程轉移到GPU端,充分利用GPU強大的并行運算能力對算法進行加速。通過數據實驗驗證,本文提出的基于多GPU的并行Apriori算法不僅能夠有效減少數據挖掘時間,而且加速效果與GPU數量呈線程增長關系,具有有良好的可擴展性。最后,通
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 模糊關聯規(guī)則挖掘及其應用.pdf
- 基于關聯規(guī)則的數據挖掘算法及其應用.pdf
- 基于品類信息的關聯規(guī)則挖掘算法及其應用.pdf
- 關聯規(guī)則挖掘算法的研究及其應用.pdf
- 基于壓縮矩陣的關聯規(guī)則挖掘算法研究及其應用.pdf
- 模糊關聯規(guī)則挖掘及其研究應用.pdf
- 多尺度關聯規(guī)則挖掘方法.pdf
- 基于圖的關聯規(guī)則數據挖掘算法的研究及其應用.pdf
- 基于關聯規(guī)則數據挖掘的研究與應用.pdf
- 并行關聯規(guī)則挖掘算法研究及其應用.pdf
- 模糊關聯規(guī)則挖掘及其應用研究.pdf
- 關聯規(guī)則挖掘算法及其在Web挖掘上應用的研究.pdf
- 基于關聯規(guī)則的數據挖掘研究及應用.pdf
- 基于量化規(guī)則格的關聯規(guī)則挖掘及其分布處理研究.pdf
- 數據流關聯規(guī)則挖掘研究及其應用.pdf
- 關于數據挖掘中關聯規(guī)則挖掘算法的研究及其應用.pdf
- 基于群體智能的關聯規(guī)則挖掘及應用.pdf
- 基于改進的遺傳算法關聯規(guī)則的數據挖掘及其應用.pdf
- 基于關聯規(guī)則挖掘的網絡告警關聯.pdf
- 基于多支持度的正負關聯規(guī)則挖掘技術的研究.pdf
評論
0/150
提交評論