面向高維數(shù)據(jù)的并行非線性最小二乘分類器研究.pdf

1、隨著大數(shù)據(jù)時代的到來以及云計(jì)算等先進(jìn)數(shù)據(jù)技術(shù)的發(fā)展，高維數(shù)據(jù)處理已經(jīng)滲透到科研和生活的各個方面，在諸如科學(xué)研究、生物醫(yī)學(xué)、網(wǎng)絡(luò)通信等眾多領(lǐng)域起到至關(guān)重要的作用。作為經(jīng)典的數(shù)據(jù)分析方法之一，傳統(tǒng)分類方法在面向高度復(fù)雜的高維數(shù)據(jù)時已捉襟見肘，許多處理低維數(shù)據(jù)運(yùn)行良好的分類算法在高維數(shù)據(jù)中的分類效果亟待提高。因此，如何構(gòu)建面向于高維數(shù)據(jù)的有效分類算法成為數(shù)據(jù)挖掘等領(lǐng)域的熱點(diǎn)問題。
　　本文系統(tǒng)地介紹并分析了幾種基本分類算法及相應(yīng)改進(jìn)算法

2、的優(yōu)缺點(diǎn)，同時對高維數(shù)據(jù)分類的通用特征降維方法進(jìn)行了總結(jié)，討論了這些方法在應(yīng)用時的一些局限性。本文結(jié)合傳統(tǒng)算法的優(yōu)點(diǎn)，提出了一種適用于高維數(shù)據(jù)分類的新算法——并行非線性最小二乘法，并在新算法的基礎(chǔ)上提出改進(jìn)的隨機(jī)版本，最后，基于以上算法的性能評估實(shí)驗(yàn)表明新算法具有更好的性能和精確度。本文的主要研究成果可歸納如下:
　　1、為解決最小二乘法處理高維數(shù)據(jù)效率低下的問題，結(jié)合并行分類方法提出了一種處理高維數(shù)據(jù)的并行非線性最小二乘分類算法

3、。該方法平均地劃分?jǐn)?shù)據(jù)維，并行計(jì)算局部模型參數(shù)，整合后形成全局參數(shù)，通過一個迭代優(yōu)化過程，可以大幅提升參數(shù)的性能。
　　2、在并行非線性最小二乘分類算法的基礎(chǔ)上提出改進(jìn)的隨機(jī)版本。通過將迭代過程開始時的平均劃分?jǐn)?shù)據(jù)維變成隨機(jī)地分割數(shù)據(jù)，可在時間復(fù)雜性基本不變的情況下，進(jìn)一步提高了并行非線性最小二乘分類算法的性能。
　　3、完成了新算法的性能評估實(shí)驗(yàn)。以最小二乘法作為基準(zhǔn)方法，選擇共同的高維數(shù)據(jù)集作為實(shí)驗(yàn)樣本，對新方法的學(xué)習(xí)效