多核学习方法

多核学习方法是当前核机器学习领域的一个新的热点. 核方法是解决非线性模式分析问题的一种有效方法, 但在一些复杂情形下, 由单个核函数构成的核机器并不能满足诸如数据异构或不规则、样本规模巨大、样本不平坦分布等实际的应用需求, 因此将多个核函数进行组合, 以获得更好的结果是一种必然选择. 本文根据多核的构成, 从合成核、多尺度核、无限核三个角度, 系统综述了多核方法的构造理论, 分析了多核学习典型方法的特点及不足, 总结了各自的应用领域, 并凝炼了其进一步的研究方向.     

基于神经正切核的多核学习方法

多核学习方法是一类重要的核学习方法,但大多数多核学习方法存在如下问题：多核学习方法中的基核函数大多选择传统的具有浅层结构的核函数,在处理数据规模大且分布不平坦的问题时表示能力较弱;现有的多核学习方法的泛化误差收敛率大多为,收敛速度较慢。为此,提出了一种基于神经正切核（NTK）的多核学习方法。首先,将具有深层次结构的NTK作为多核学习方法的基核函数,从而增强多核学习方法的表示能力。然后,根据主特征值比例度量证明了一种收敛速率可达的泛化误差界;在此基础上,结合核对齐度量设计了一种全新的多核学习算法。最后,在多个数据集上进行了实验,实验结果表明,相比Adaboost和K近邻（KNN）等分类算法,新提出的多核学习算法具有更高的准确率和更好的表示能力,也验证了所提方法的可行性与有效性。     

主成分线性回归模型分析应用程序性能

应用程序的性能分析能够给体系架构设计者和性能优化者提供有效的参考和指导.采用主成分线性回归模型分析了SPEC CPU2006的整型程序性能.模型选取性能监测单元采样到的事件为自变量,每条指令的时钟周期数(CPI)作为因变量.模型中采用主成分分析法消除了性能事件之间的相关性.实验结果表明,模型的拟合优度在90%以上,对性能进行预测的平均相对误差为15%.模型从量化上分析了L1,L2高速缓存缺失作为影响性能的关键因素是怎样影响程序性能的.     

基于异构多核并行加速的嵌入式神经网络人脸识别方法

针对传统视频监控设备进行前端人脸识别时处理大量人脸数据所面临的计算性能不足的问题,提出了一种基于CPU-多核加速器异构结构的前馈神经网络并行加速框架,然后借助主成分分析方法对人脸数据进行特征提取用于神经网络的训练,并将训练好的神经网络模型导入神经网络加速框架中进行分类识别的方法。该方法最终在集成Zynq SoC和Epiphany的Parallella嵌入式并行计算平台中进行了系统实现。实验数据表明,该方法在保证识别准确率一致的情况下,能够提供相对于Zynq中的双核ARM处理器8倍的识别加速能力,在嵌入式人脸识别加速方面具有显著作用。     

基于KPCA和SVM的网络入侵检测

入侵检测系统是网络安全的重要组成部分。目前的入侵检测算法存在着先验知识少的情况下推广能力差的问题。本文提出了利用核主成分分析（KPCA）和支持向量机（SVM）相结合进行入侵检测的方法。与传统算法相比,本文的方法对网络异常连接有更高的检测率和更强的泛化能力。文章最后在KDDCUP数据集上进行的实验,证明了本文方法的适用性和高效性。     

基于统计学习理论的人脸识别方法研究

人脸识别过程中,待识别人脸图像的预处理、特征选择与提取以及分类器的选择是非常重要的。利用核主成分分析方法提取的人脸图像特征信息能较好地反映人脸特征的非线性结构信息,然后将此特征数据作为支持向量机的输入数据、结合二叉树判别策略,能够实现对多类人脸图像的分类识别。实验结果表明该方法能够取得较好的识别效果。     

基于统计学习理论的人脸识别方法研究

人脸识别过程中，待识别人脸图像的预处理、特征选择与提取以及分类器的选择是非常重要的。利用核主成分分析方法提取的人脸图像特征信息能较好地反映人脸特征的非线性结构信息，然后将此特征数据作为支持向量机的输入数据、结合二叉树判别策略，能够实现对多类人脸图像的分类识别。实验结果表明该方法能够取得较好的识别效果。     

基于非线性回归方程偏导数分析应用程序性能敏感度的方法

性能敏感度反映了应用程序性能相对于性能影响因素的变化率,对性能敏感度的量化分析可为体系结构设计和程序性能优化提供有意义的参考和指导.提出了一种分析程序性能敏感度的非线性回归模型(PS-NLRM),能够量化不同应用程序的性能敏感度.通过主成分分析消除了影响性能的性能事件之间的相关性,通过曲线拟合引入非线性项,建立了程序性能CPI和性能事件之间的非线性回归方程.模型应用在SPEC CPU2006整型程序之上,通过了t检验和F检验,达到90%以上的拟合度.基于非线性回归方程相对于性能事件的偏导数,得到不同应用程序的性能对性能事件的敏感度.利用性能敏感度对SPEC CPU2006整型程序性能进行预测的平均相对误差约为4.5%,比传统线性回归模型预测误差下降50%.     

多核DSP间基于SRIO数据传输的设计与实现

在使用Digital Signal Processor(DSP)芯片进行数字信号处理时,由于数据量大,线程较多,通常采用多片DSP协同处理。本文旨在研究DSP间数据和信息传输的实现,并以三片TI的TMS320C6474芯片为例,基于SRIO协议,设计一种传输架构,实现了DSP间的数据传输。最终实现DSP间2.520 Gb/s的数据传输速率,为理论值的50.40%,但如果除去线程调度和DSP间同步所用时间,其SRIO接口的数据传输速率可达到3.886 Gb/s,为理论值的77.72%。该设计具有较大的通用性,对其他同类型的芯片间的数据传输设计具有极大的参考性。     

集中式无线局域网流间干扰分析及资源分配机制

分析无线信道变化对集中式无线局域网下行业务性能的影响,指出流间干扰会导致所有下行业务流性能下降.提出一种基于信道状态的资源分配机制,该机制基于信道状态动态地调整业务流分组的传输次数,根据业务流的QoS需求,采用优先级调度算法调度分组.实验结果表明,该机制可以合理地分配资源,减小流间干扰带来的性能下降.     

基于改进灰狼算法优化多核支持向量回归机及其应用

为更好发现数据中的复杂规律,避免核函数选择的盲目性和局部最优等非线性优化问题,本文提出一种基于改进灰狼算法优化多核支持向量回归机算法.首先,基于全局核函数和局部核函数构建多核支持向量机采油速度预测模型;其次,利用基于云模型和二次插值算法改进灰狼优化算法对核函数权值和参数的选取进行优化;最后,应用灰色关联分析理论确定采油速度影响因素集,并作为多核支持向量回归机预测模型的输入.与6种采油速度预测方法进行对比,所提方法具有较好的全局寻优能力和较高的预测率的优点.     

基于层次结构的绿色计算生态系统能耗分析

针对云计算中能源消耗缺少全面分析和度量的问题,从生态系统角度出发,提出基于层次结构的绿色计算生态系统,设计绿色计算生态系统能耗分析模型,并对其能耗因子进行分析。通过ACTTest实验测试程序,对绿色计算生态系统中的Web构件、集群技术和调用开销能耗进行测试。测试结果表明,该系统具有较好的节能效果,并且可实现绿色计算。     

基于异构多核的CCA并行构件模型

并行构件技术的出现提高了并行软件的开发效率,但现有的并行构件技术缺乏对异构多核平台的支持.为了提高并行构件程序在异构平台上的执行性能,扩展CCA(通用构件体系结构)并行构件模型支持CCA异构并行构件,提出了一种异构的CCA并行构件模型.使用管理者—工人模式调度CCA异构并行构件内的计算任务到异构多核平台上加速执行.在CCA构件工具包的基础上实现了支持扩展CCA并行构件模型的编译系统和运行时框架.在CELL BE和GPU两种异构多核处理器上进行的实验证明了提出的方法比原始的CCA构件程序具有较优的性能.提出的并行构件模型应用在并行程序开发中可以提高并行程序的性能.     

仿真环境下的云计算数据中心能耗评估方法

数据中心能耗优化问题是云计算领域的重要研究方向,但在真实环境中进行相关研究需要承担巨额的研究成本,并且实验周期长,因此仿真技术在该领域广泛应用.为提高数据中心能耗感知仿真实验的准确性和可信度,本文分析了仿真平台的内置能耗模型和其他学者提出的能耗评估方法,并在此基础上提出了基于CPU和内存利用率的能耗评估方法,该方法考虑了CPU利用率对内存能耗的影响,采用多元非线性模型进行回归分析.实验证明,本文提出的能耗评估方法在适用于仿真平台的同时具有较高的预测精度,有效地提高了云计算仿真平台能耗评估的准确性.     

多核技术在动态模式识别算法中的应用

利用LabVIEW多核编程环境,采用曙光16核服务器作为硬件平台,实现了动态模式识别下的多模式快速识别。同时,以压气机Mansoux模型为应用背景,设计压气机旋转失速识别快速检测系统,该系统解决了基于确定学习理论的多模式识别算法中涉及的大量计算问题,实验结果和性能分析进一步验证了该检测系统的快速性和可行性。     

有机小分子偶极矩影响因素研究

分子内部电荷分布不均使分子具有极性,分子的极性又影响了分子间的氢键、范德华力等相互作用力,进而影响宏观物质的化学特性,如化合物的溶解性、正辛醇,水分配系数和液相色谱保留行为等。化学特性的本质来源于其分子微观电荷状态,而偶极矩正是反映分子内电荷分布情况的重要物理量,因此估测分子的偶极矩十分重要。文中选取8种结构类型共107个分子,用Dragon软件计算出每个分子的929个分子参数,用多元线性回归法和主成分分析法分析参数对偶极矩值的影响。分析结果表明,相比主成分分析法,多元线性回归的stepwise法为最优建模方法。该模型统计结果良好(R~2=0.878,SEC=0.330,F=65.697),预测结果良好(R~2=0.792,SEP=0.665)。结果表明分子的平均原子电负性、距离矩阵参数、分子的组成、相邻原子的对称性、价键连接指数和分子的电性拓扑指数是影响偶极矩的主要因素。建立的最优回归模型对有机小分子的偶极矩具有很好的预测能力,对研究物质的宏观化学特性有一定的帮助作用。     

基于EM算法的多椭圆形目标检测

提出了一种椭圆形多目标检测算法。根据椭圆形目标在形状上与高斯分布相对应的特点;计算目标的特征均值和协方差矩阵;采用主元素法来描述椭圆形目标的大小、位置及主轴。对于包含多个目标的重叠区域;设计了一种加权的EM迭代算法;从而精确计算该区域的目标数、各椭圆的统计特性及位置、形状和大小。把该算法应用于水果及运动目标检测;获得稳定、精确的分割结果。     

基于电子鼻技术的信阳毛尖茶咖啡碱检测方法

本文采用电子鼻系统对三个等级的信阳毛尖茶进行了检测.采用Loading分析和相关分析对传感器阵列进行优化,选出四个传感器为最终的新传感器阵列,用于信阳毛尖茶的品质识别.PCA分析结果显示,可以将不同等级的茶叶完全区分开,而且效果比较好.利用PCR、MLR和QPSa方法分别建立信阳毛尖茶基于气敏传感器阵列的咖啡碱预测模型...     

并行计算在动态模式识别中的实现和应用*

研究一种针对最近提出的动态环境下的机器学习理论——确定学习理论的算法实现,提出一种采用并行计算实现确定学习理论中的动态模式识别的方法。利用并行计算中的OpenMP多核编程环境,采用曙光16核服务器为硬件平台,实现对动态模式识别算法的快速性。同时,以压气机Mansoux模型为应用背景,把确定学习理论的动态模式识别方法应用到压气机旋转失速/喘振的快速检测中,利用多核并行计算实现了从包含多种旋转失速/喘振模式的模式库中快速识别当前模式的方法,为文章中方法提供了一个有效的验证。     

基于稀疏学习的低秩属性选择算法

针对回归模型在进行属性选择未考虑类标签之间关系从而导致回归效果不理想,提出了一种新的具有鲁棒性的低秩属性选择算法。具体为,在线性回归的模型框架下,通过低秩约束来考虑类标签间的相关性和通过稀疏学习理论中的[l2,p-]范数来考虑属性间的关联结构,以此去除不相关的冗余属性的影响;算法通过嵌入子空间学习方法（线性判别分析（LDA））来调整属性选择结果。经实验验证,提出的属性选择算法在六个公开数据集上的效果均优于四种对比算法。