基于MapReduce的貝葉斯網(wǎng)絡(luò )參數學(xué)習方法

首頁(yè) > 過(guò)刊瀏覽>2015年第23卷第9期 >3207-3208, 3212

基于MapReduce的貝葉斯網(wǎng)絡(luò )參數學(xué)習方法
DOI:
                        
                    
CSTR:
                        [cstr]
                    
作者:
                        
                        
                    
作者單位:(西北工業(yè)大學(xué) 電子信息學(xué)院,西安 710072)
作者簡(jiǎn)介:賈卓然(1992-),男,碩士研究生,主要從事大數據處理與分析方向的研究。 李 波(1978-),男,副教授,研究生導師,博士,主要從事航空火力控制,作戰效能分析方向的研究。[FQ)]
通訊作者:
中圖分類(lèi)號:
基金項目:航天技術(shù)支撐基金(2013-HT-XGD)。

Bayesian Network Parameter Learning using MapReduce Based on MapReduce

Author:

Affiliation:

(School of Electronics and Information, Northwestern Polytechnical University, Xi'an 710072, China)

Fund Project:

摘要

圖/表

訪(fǎng)問(wèn)統計

參考文獻

相似文獻

引證文獻

資源附件

文章評論

摘要:

期望最大化(Expectation Maximization,EM)算法常被應用于貝葉斯網(wǎng)絡(luò )參數學(xué)習過(guò)程,但在處理海量數據時(shí)由于迭代計算過(guò)程的復雜性和處理器、內存等資源的限制,該算法的效能受到極大影響；通過(guò)對大數據環(huán)境下傳統線(xiàn)性貝葉斯網(wǎng)絡(luò )參數學(xué)習方法計算復雜性瓶頸問(wèn)題的研究,提出了基于MapReduce平臺的貝葉斯網(wǎng)絡(luò )并行期望最大化(Parallel Expectation Maximization,PEM)參數學(xué)習算法；利用不完備訓練樣本集,對態(tài)勢評估貝葉斯網(wǎng)絡(luò )進(jìn)行參數學(xué)習；仿真結果表明:在大數據條件下PEM算法能夠準確的學(xué)習網(wǎng)絡(luò )參數,同時(shí)有效減少參數學(xué)習所需時(shí)間且具有較好的可拓展性。

Abstract:

Expectation maximization (EM) algorithm is usually used in the parameter learning process of Bayesian networks. However, the performance of this algorithm is restricted by the numerical iterative complexity and CPU, RAM. As for the numerical bottleneck when using traditional Expectation Maximization algorithm, the parallel expectation maximization (PEM) algorithm based on MapReduce is proposed. Situation evaluation Bayesian network is built to verify PEM algorithm. The results have shown this algorithm has good precision, efficiency and scalability in big data processing.

參考文獻

相似文獻

引證文獻

引用本文

賈卓然,李波,張明.基于MapReduce的貝葉斯網(wǎng)絡(luò )參數學(xué)習方法計算機測量與控制[J].,2015,23(9):3207-3208, 3212.

復制

文章指標

點(diǎn)擊次數:
下載次數:
HTML閱讀次數:
引用次數:

歷史

收稿日期:2015-03-18
最后修改日期:2015-05-05
錄用日期:
在線(xiàn)發(fā)布日期: 2015-10-08
出版日期:

国产欧美精品一区二区,中文字幕专区在线亚洲,国产精品美女网站在线观看,艾秋果冻传媒2021精品,在线免费一区二区,久久久久久青草大香综合精品,日韩美aaa特级毛片,欧美成人精品午夜免费影视

引用本文

分享

文章指標

歷史

文章二維碼