一种基于CUDA的并行SMO算法

发布时间：2017-08-30 14:04

  本文关键词：一种基于CUDA的并行SMO算法

  更多相关文章： SMO CUDA 并行SMO算法

【摘要】：序列最小优化算法(Sequential Minimal Optimization,SMO)是针对支持向量机算法执行速度慢而提出来的,它通过最小化分块来加速算法,对不同数据集来说,其算法加速可达100x~1 000x。但是随着数据量的增大,其算法执行时间仍然较慢。为了加速算法,本文结合现代较发达的图形处理单元(Graphics Processing Unit,GPU)计算,通过多处理器并行执行方式,提出对算法并行化。主要的并行点在于确定了两个参数α_1、α_2之后,求解局部最优,从而更新所有参数的过程是天然并行的,而且SIMD形式的并行性非常符合GPU的运算模式,通过将计算量大的参数更新部分转移到GPU进行计算,可以加速整个算法的运行。实验表明,并行算法可以达到150倍的加速效果。
【作者单位】： 中国石油大学(华东)理学院;中国石油大学(华东)网络及教育技术中心;
【关键词】： SMO CUDA 并行SMO算法
【分类号】：TP338.6
【正文快照】： 0引言SMO算法是由John C.Platt最先提出来的,其算法思想来源于Vapnik提出的“Chunking”算法[1],通过使得分块达到最小,来加速求解二次优化问题[2]。另一方面并行计算由来已久,利用并行计算可以获得更好的性价比,更好地利用电脑的硬件设备[3],尤其是GPU的通用计算能力。硬件平

【参考文献】

中国期刊全文数据库 前2条

1 朱齐丹;张智;邢卓异;;支持向量机改进序列最小优化学习算法[J];哈尔滨工程大学学报;2007年02期

2 张浩然,韩正之;回归支持向量机的改进序列最小优化学习算法[J];软件学报;2003年12期

【共引文献】

中国期刊全文数据库 前10条

1 汤斌飞;林超;黄迪;;一种基于CUDA的并行SMO算法[J];实验室研究与探索;2016年04期

2 李丹阳;蔡金燕;杜敏杰;朱赛;张峻宾;;基于改进SMO的SVDD快速训练算法[J];中国测试;2015年11期

3 汪海燕;黎建辉;杨风雷;;支持向量机理论及算法研究综述[J];计算机应用研究;2014年05期

4 谢志军;唐建华;;TD-LTE移动通信设备故障诊断算法研究[J];无线电工程;2014年04期

5 冷霞;;面向监控视频的人车分类技术的选择[J];计算机光盘软件与应用;2014年05期

6 赵长春;姜晓爱;金英汉;;非线性回归支持向量机的SMO算法改进[J];北京航空航天大学学报;2014年01期

7 项X;喻莹;;一种改进序贯最小优化算法的方法[J];现代电子技术;2013年08期

8 王越;吕奇峰;王泉;曾晶;;一种改进的支持向量机序列最小优化算法[J];重庆理工大学学报(自然科学);2013年03期

9 李广春;罗扬;;基于CENTRIST特征的实时行人检测算法的实现[J];电脑知识与技术;2013年02期

10 王鸣;孙奕鸣;;小波支持向量机的网络流量预测研究[J];计算机仿真;2012年11期

【二级参考文献】

中国期刊全文数据库 前4条

1 王华忠,俞金寿;统计学习理论与支持向量机在过程控制中的应用[J];化工自动化及仪表;2004年05期

2 王宇红,黄德先,高东杰,金以慧;基于支持向量机的非线性预测控制技术[J];信息与控制;2004年02期

3 张浩然,韩正之;回归支持向量机的改进序列最小优化学习算法[J];软件学报;2003年12期

4 刘江华 ,陈佳品 ,程君实;基于支持向量机的非线性系统辨识[J];测控技术;2002年11期

【相似文献】

中国期刊全文数据库 前4条

1 王刚;刘林;王朋;;基于微分进化和SMO算法的烟气含氧量软测量[J];电力科学与工程;2012年02期

2 赵长春;姜晓爱;金英汉;;非线性回归支持向量机的SMO算法改进[J];北京航空航天大学学报;2014年01期

3 周晓剑;马义中;;两种求解非正定核Laplace-SVR的SMO算法[J];控制与决策;2009年11期

4 ;[J];;年期

中国重要会议论文全文数据库 前2条

1 翟永杰;乔弘;李海丽;韩璞;刘柱云;;基于粒子群SMO算法的火电厂热工参数软测量[A];全国第二届信号处理与应用学术会议专刊[C];2008年

2 宋普云;沈雪勤;吴清;;一种改进的SMO算法[A];第六届全国计算机应用联合学术会议论文集[C];2002年

，

本文编号：759707