基于模糊逻辑系统的分布式学习算法研究

发布时间：2023-09-28 22:51

　　近年来,越来越多的研究致力于分布式学习。具体来说,在大数据的背景下,互联网每秒产生并收集TB级乃至EB级的数据。不仅数据量庞大,而且对于数据的复杂性和数据的多样性,传统的机器学习方法同样面临着巨大的挑战。目前,许多分布式学习算法已经被开发来解决大数据背景下不同的分布式学习问题。本文主要包括以下两个研究。第一项研究是通过应用一个分布式优化算法考虑了一个在无向连通网络下的分布式学习问题。我们首先描述并公式化这个分布式学习问题,并且提出了基于模糊逻辑系统(FLS)的分布式合作学习(DCL)算法。网络中的每个节点使用该算法训练自己的输出权重向量达到全局代价函数的最优。此训练过程使用的是分布在不同的节点上却不能聚集到网络中任意一个节点上的数据。然后,通过使用代数图论和Lyapunov方法给出一个定理来建立基于FLS的DCL算法的收敛性理论分析。该收敛性分析的结果证明基于FLS的DCL是指数收敛的。进而,简要描述了用来解决此问题的四个现有的分布式学习算法,即基于分布式平均一致性(DAC)学习算法、基于交替方向乘子法(ADMM)的学习算法、先自适应后组合(ATC)和先组合后自适应(CTA)的扩散最小...

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景
    1.2 研究进展
    1.3 本文的工作
第二章 预备知识
    2.1 图论
    2.2 FLS
    2.3 基于gossip的通信协议
    2.4 稳定性理论
        2.4.1 稳定性相关概念
        2.4.2 相关Lyapunov稳定性定理
第三章 网络下基于FLS的DCL：性能分析与比较
    3.1 引言
    3.2 基于FLS的DCL算法
        3.2.1 问题陈述
        3.2.2 算法设计
        3.2.3 收敛性分析
    3.3 分布式学习算法比较
        3.3.1 现有的分布式学习算法
        3.3.2 算法比较
    3.4 应用和仿真实现
        3.4.1 回归问题
        3.4.2 分类问题
    3.5 本章小结
第四章 时变随机网络下使用一个基于gossip的通信协议的DCL
    4.1 引言
    4.2 GBDCL算法
        4.2.1 问题描述
        4.2.2 算法设计
        4.2.3 收敛性分析
    4.3 应用和仿真实现
        4.3.1 回归问题
        4.3.2 分类问题
    4.4 本章小结
第五章 结论与展望
    5.1 结论
    5.2 展望
参考文献
附录A
致谢
作者简介



本文编号：3848771