基于MapReduce的期望最大化算法研究和實現(xiàn).pdf_第1頁
已閱讀1頁,還剩58頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、隨著領域中的數(shù)據(jù)量高速的增長,傳統(tǒng)計算方法在處理大規(guī)模數(shù)據(jù)集運算時出現(xiàn)了性能上的瓶頸。伴隨著“云計算”時代的到來,一種簡單的并行計算模型MapReduce進入了人們的視線,它將實現(xiàn)和業(yè)務邏輯分離,只需要簡單地調(diào)用接口就可以實現(xiàn)分布式的計算。作為一種解決方案,MapReduce有效的解決了傳統(tǒng)算法處理大規(guī)模數(shù)據(jù)集運算的性能瓶頸。期望最大化算法作為機器學習中的一個非常重要的算法,在當代的工業(yè)、商業(yè)和科學研究領域發(fā)揮了越來越重要的作用,而傳統(tǒng)

2、算法逐漸體現(xiàn)出了對大數(shù)據(jù)量的不適應。因此,將該算法移植到云平臺上,從而突破性能上的限制是非常有意義的事情。
  首先對Hadoop項目和MapReduce模型做了深入的分析,并在現(xiàn)有的MapReduce算法基礎上提出了一些改進方案,第三章介紹了最大期望算法的原理,并詳細地分析了該算法能移植到云平臺的原因。第四章提出了期望最大化算法在MapReduce中實現(xiàn)方案,分析了隱馬爾科夫模型訓練問題,該問題的解決方案是期望最大化算法的一種特

3、殊情況,并在此基礎上提出并實現(xiàn)了MR-BaumWelch算法。第五部分對MR-BaumWelch算法性能做了測試,并和單機計算框架Giza++做了對比分析,結(jié)果表明移植到MapReduce計算框架后,算法在處理數(shù)量和處理效率上都有較大的提升。
  MR-BaumWelch算法是在海量數(shù)據(jù)處理需求的前提下,將期望最大化算法和MapReduce計算模型結(jié)合的一種算法,實現(xiàn)了傳統(tǒng)算法向“云計算”平臺的遷移。并充分考慮到了未來業(yè)務的發(fā)展需

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(lián)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(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)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(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)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。

評論

0/150

提交評論