典型文献
基于聚类和WOA的并行支持向量机算法
文献摘要：
针对并行SVM在大数据环境下对冗余数据敏感、参数寻优能力差以及并行过程中出现的负载不均衡等问题,提出了一种基于聚类算法和鲸鱼优化算法的并行支持向量机算法MR-KWSVM.首先,该算法提出KF策略来删减冗余数据,利用删减冗余数据后的数据集训练SVM,降低SVM对冗余数据的敏感性;其次,提出了基于非线性收敛因子和自适应惯性权重的鲸鱼智能优化算法IW-BNAW,利用"IW-BNAW"算法获取SVM的最优参数,提高支持向量机的参数寻优能力;最后,在利用MapReduce构造并行SVM的过程中,提出时间反馈策略用于reduce节点的负载调度,提高了集群的并行效率,实现了高并行的SVM.实验结果表明,所提算法不仅保证了SVM在大数据环境下的高并行计算能力,SVM的分类准确度也有明显提高,并且具有更好的泛化性能.
文献关键词：
SVM算法;KF策略;IW_BNAW算法;MapReduce框架;TFB策略
中图分类号：
作者姓名：
刘卫明;安冉;毛伊敏
作者机构：
江西理工大学信息工程学院 江西赣州341000
文献出处：
引用格式：
[1]刘卫明;安冉;毛伊敏-.基于聚类和WOA的并行支持向量机算法)[J].计算机科学,2022(07):64-72
A类：
并行支持向量机,KWSVM,BNAW
B类：
WOA,支持向量机算法,大数据环境下,冗余数据,参数寻优,寻优能力,聚类算法,鲸鱼优化算法,MR,KF,删减,集训,非线性收敛因子,自适应惯性权重,智能优化算法,IW,最优参数,高支,MapReduce,reduce,并行效率,并行计算,计算能力,泛化性能,TFB
AB值：
0.262397
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
