基于云平臺(tái)的最小最大模塊化支持向量機(jī)的研究.pdf

1、支持向量機(jī)是一種經(jīng)典的模式分類方法，它是在VC維和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則等理論的基礎(chǔ)上提出來(lái)的。由于其良好的泛化性能，支持向量機(jī)已經(jīng)被廣泛應(yīng)用到許多領(lǐng)域。支持向量機(jī)的學(xué)習(xí)過(guò)程的本質(zhì)是一個(gè)求解二次規(guī)劃的過(guò)程，需要的學(xué)習(xí)時(shí)間隨著樣本個(gè)數(shù)的增多成平方級(jí)增加。因此，使用傳統(tǒng)的支持向量機(jī)來(lái)解決大規(guī)模的學(xué)習(xí)問(wèn)題是相當(dāng)費(fèi)時(shí)的，甚至是無(wú)法實(shí)現(xiàn)的。
　　為了提高支持向量機(jī)的學(xué)習(xí)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(wèn)題分解為若個(gè)相互獨(dú)立的、規(guī)模較小的子問(wèn)題，然后分別對(duì)這些子問(wèn)題進(jìn)行訓(xùn)練。雖然這樣能夠大幅度的降低學(xué)習(xí)需要的時(shí)間，但這些子問(wèn)題依然串行學(xué)習(xí)的。為了進(jìn)一步提高支持向量機(jī)的學(xué)習(xí)效率，我們將M3-SVM與Hadoop平臺(tái)相結(jié)合。本論文的工作主要包括以下三個(gè)方面：
　　第一，基于云計(jì)算平臺(tái)的最小最大模塊化支持向量機(jī)研究。M3-SVM提出之初就考慮到了分布式并行計(jì)算，因此可以將M3-SVM算法與MapReduce并行框

3、架結(jié)合，充分利用多機(jī)的計(jì)算資源，以達(dá)到提高算法效率的目的。實(shí)驗(yàn)結(jié)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(xùn)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(wèn)題。
　　第二，基于云平臺(tái)的概念漂移數(shù)據(jù)流分類的研究。現(xiàn)實(shí)生活中存在大量的流式數(shù)據(jù)，并且隨著時(shí)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(shí)地檢測(cè)出這種概念漂移，并訓(xùn)練出符合當(dāng)前數(shù)據(jù)的分類器，是當(dāng)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(yīng)用到數(shù)據(jù)流的分類研究中，使其能夠?qū)崟r(shí)地檢測(cè)出漂移現(xiàn)象以及訓(xùn)練出符合當(dāng)前數(shù)據(jù)的分類器模型。
　　第三，基于云平臺(tái)的最小最大模塊化支持向量機(jī)模式分類系統(tǒng)開(kāi)發(fā)。該系統(tǒng)以模式分類為核心，設(shè)計(jì)了一個(gè)數(shù)據(jù)安全的、界面友好的、可交互的、可擴(kuò)展的和可維護(hù)的最小最大模塊化支持向量機(jī)模式分類系統(tǒng)。該系統(tǒng)最大的特點(diǎn)是提供模式分類算法的可視化操作，其中包含了運(yùn)行平臺(tái)的選擇、數(shù)據(jù)集的加載以及模式分類等應(yīng)用