MATLAB集群下的支持向量機并行化應用研究.pdf

1、并行計算是計算機科學與計算數(shù)學相互融合的產(chǎn)物，它的出現(xiàn)為一些面臨改進瓶頸的算法帶來了新的解決方案，通過高性能的計算的方式，可以完成算法中復雜運算的部分，從而提升其時間執(zhí)行效率。支持向量機作為基于統(tǒng)計學習理論的模式識別方法，可以很好地處理分類以及回歸問題，在很多領(lǐng)域都有應用。然而面對龐大的迭代過程以及大量樣本的訓練等問題時，算法時間效率不盡人意，傳統(tǒng)的算法改進效果又難以符合要求。本文針對此，將并行計算的思想引入到支持向量機的各個應用方向，

2、來解決上述的諸多問題，以多目標跟蹤和股票預測兩個研究方向作為切入點。
　　 在多目標跟蹤領(lǐng)域的很多方面都可以運用支持向量機理論解決問題。數(shù)據(jù)關(guān)聯(lián)是多目標跟蹤系統(tǒng)中的核心部分，然而在密集的回波環(huán)境中，尤其是跟蹤門交叉區(qū)域若存在過多雜波，會令概率數(shù)據(jù)關(guān)聯(lián)算法的濾波值發(fā)散，并嚴重干擾跟蹤系統(tǒng)的性能。本文提出了一種新算法SVM-MC-JPDAF算法，它采用支持向量機(SVM)技術(shù)分類前景區(qū)中的回波，針對跟蹤門交叉區(qū)域的有效回波進行特別篩

3、選，并針對新算法帶來的計算負擔變大的問題利用分布式并行化的方式解決。仿真實驗結(jié)果表明，算法不但有效地降低了目標估計值的均方根誤差(RMSE)，而且在提高性能的同時控制了算法的執(zhí)行負擔。
　　 在股票價格預測領(lǐng)域中，應用支持向量機也取得了不錯的效果，但是隨著股票數(shù)據(jù)規(guī)模以及樣本維數(shù)的日益龐大，人們對于股票預測算法在保證準確之外的預測速度也提出了更高的要求。本文提出了一種合適的GPU/CPU并行計算模型，來解決最小二乘支持向量機(L