基于MapReduce的SVM態(tài)勢(shì)評(píng)估算法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論（0）
支持向量機(jī)（SVM）可以解決傳統(tǒng)態(tài)勢(shì)評(píng)估算法無(wú)法兼顧的“維數(shù)災(zāi)難…‘過(guò)學(xué)習(xí)”及“非線性”等難題，卻無(wú)法應(yīng)對(duì)大規(guī)模樣本的問(wèn)題。為了有效應(yīng)對(duì)態(tài)勢(shì)評(píng)估中的大數(shù)據(jù)處理挑戰(zhàn)，提出了一種基于MapReduce的SVM（ MR-SVM）態(tài)勢(shì)評(píng)估算法。該算法利用MapReduce并行計(jì)算模型，同時(shí)結(jié)合SVM可并行化的特點(diǎn)，通過(guò)設(shè)計(jì)主要的map函數(shù)和reduce函數(shù)，實(shí)現(xiàn)了SVM算法的并行化和主要參數(shù)的選取。在搭建的Hadoop平臺(tái)上對(duì)改進(jìn)算法與原算法進(jìn)行了比較驗(yàn)證：對(duì)于小規(guī)模樣本，改進(jìn)算法反而“化簡(jiǎn)為繁”，不比原算法效率高；但在大規(guī)模樣本的處理上，原算法的訓(xùn)練時(shí)間隨樣本規(guī)模呈指數(shù)型增長(zhǎng)，而改進(jìn)算法的訓(xùn)練時(shí)間隨樣本規(guī)模并沒(méi)有特別明顯的增幅，體現(xiàn)出了較好的時(shí)間優(yōu)勢(shì)。實(shí)驗(yàn)結(jié)果表明，基于MapReduce改進(jìn)的SVM很好地彌補(bǔ)了原算法“樣本規(guī)?！钡亩贪?，更適用于大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)態(tài)勢(shì)評(píng)估。
?
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
基于MapReduce的SVM態(tài)勢(shì)評(píng)估算法下載
相關(guān)電子資料下載
- 如何利用一些小技巧實(shí)現(xiàn)SVM的增量式訓(xùn)練 321
- 基于SVM的電機(jī)異常檢測(cè)系統(tǒng) 395
- 不同種植設(shè)施背景蔬菜作物無(wú)人機(jī)高光譜精細(xì)分類2.0 228
- 請(qǐng)問(wèn)如何FPGA上使用SVM進(jìn)行圖像處理呢？ 1129
- 卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)和應(yīng)用領(lǐng)域 1602
- SVM的使用方法 1262
- 使用Python從零實(shí)現(xiàn)多分類SVM 337
- 利用MJF實(shí)現(xiàn)一體化多功能可穿戴傳感器的制備 543
- 怎樣使用Python從零實(shí)現(xiàn)多分類SVM呢？ 363
- 逆變器的調(diào)制方法進(jìn)階篇—空間矢量調(diào)制SVM 989