典型文献
基于分布式并行分层极限学习机的大数据多模式质量预测
文献摘要：
考虑分布式系统质量预测中的大数据处理问题,提出一种基于分布式并行分层极限学习机(distribu-ted parallel hierarchical extreme learning machine,dp-HELM)的大数据多模式质量预测模型.根据Map-Reduce框架,将高效的极限学习机算法转化为分布式并行建模形式.由于分层极限学习机(hierarchical extreme learning machine,HELM)的深度学习网络结构在特征上具备的预测精度优势,结合深层隐藏层的ELM自动编码器,进一步开发了dp-HELM.通过dp-ELM和dp-HELM以同步并行方式进一步训练分布式并行K均值划分的过程模式,利用贝叶斯模型融合技术来集成用于在线预测的局部模型.将所提出的预测模型应用于预脱碳装置中残留的二氧化碳含量估算,实验结果表明了该方法的有效性与可行性.
文献关键词：
分布式系统;并行学习;分层极限学习机;大数据;质量预测
中图分类号：
作者姓名：
胡安明
作者机构：
广州理工学院 广东 广州510540
文献出处：
引用格式：
[1]胡安明-.基于分布式并行分层极限学习机的大数据多模式质量预测)[J].计算机应用与软件,2022(04):88-94,132
A类：
分层极限学习机
B类：
多模式,质量预测,分布式系统,系统质,大数据处理,distribu,ted,parallel,hierarchical,extreme,learning,machine,dp,HELM,Map,Reduce,极限学习机算法,深度学习网络,自动编码器,同步并行,贝叶斯模型,模型融合,融合技术,在线预测,局部模型,模型应用,脱碳装置,碳含量,并行学习
AB值：
0.324364
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。
