计算机测量与控制
計算機測量與控製
계산궤측량여공제
Computer Measurement & Control
2015年
9期
3207-3208,3212
,共3页
大数据%贝叶斯网络%参数学习%期望最大化算法%MapReduce
大數據%貝葉斯網絡%參數學習%期望最大化算法%MapReduce
대수거%패협사망락%삼수학습%기망최대화산법%MapReduce
big data%Bayesian network%parameter learning%expectation-maximization algorithm%MapReduce
期望最大化(Expectation Maximization,EM)算法常被应用于贝叶斯网络参数学习过程,但在处理海量数据时由于迭代计算过程的复杂性和处理器、内存等资源的限制,该算法的效能受到极大影响;通过对大数据环境下传统线性贝叶斯网络参数学习方法计算复杂性瓶颈问题的研究,提出了基于MapReduce平台的贝叶斯网络并行期望最大化(Parallel Expectation Maximization,PEM)参数学习算法;利用不完备训练样本集,对态势评估贝叶斯网络进行参数学习;仿真结果表明:在大数据条件下PEM算法能够准确的学习网络参数,同时有效减少参数学习所需时间且具有较好的可拓展性.
期望最大化(Expectation Maximization,EM)算法常被應用于貝葉斯網絡參數學習過程,但在處理海量數據時由于迭代計算過程的複雜性和處理器、內存等資源的限製,該算法的效能受到極大影響;通過對大數據環境下傳統線性貝葉斯網絡參數學習方法計算複雜性瓶頸問題的研究,提齣瞭基于MapReduce平檯的貝葉斯網絡併行期望最大化(Parallel Expectation Maximization,PEM)參數學習算法;利用不完備訓練樣本集,對態勢評估貝葉斯網絡進行參數學習;倣真結果錶明:在大數據條件下PEM算法能夠準確的學習網絡參數,同時有效減少參數學習所需時間且具有較好的可拓展性.
기망최대화(Expectation Maximization,EM)산법상피응용우패협사망락삼수학습과정,단재처리해량수거시유우질대계산과정적복잡성화처리기、내존등자원적한제,해산법적효능수도겁대영향;통과대대수거배경하전통선성패협사망락삼수학습방법계산복잡성병경문제적연구,제출료기우MapReduce평태적패협사망락병행기망최대화(Parallel Expectation Maximization,PEM)삼수학습산법;이용불완비훈련양본집,대태세평고패협사망락진행삼수학습;방진결과표명:재대수거조건하PEM산법능구준학적학습망락삼수,동시유효감소삼수학습소수시간차구유교호적가탁전성.
