Resumen

Aprovechando la habilidad del núcleo y la propiedad dispersa, la máquina de vectores de relevancia (RVM) podría adquirir una solución dispersa, con una capacidad de generalización equivalente en comparación con la máquina de vectores de soporte. La propiedad dispersa requiere mucho menos tiempo en la predicción, por lo que la RVM tiene potencial para clasificar imágenes hiperespectrales a gran escala. Sin embargo, RVM no está muy influenciado por su lento procedimiento de entrenamiento. Para resolver el problema, en este trabajo se acelera la clasificación de la imagen hiperespectral utilizando RVM mediante la técnica de computación paralela. La paralelización se revela desde los aspectos de la estrategia multiclase, el conjunto de múltiples clasificadores débiles y las operaciones matriciales. Los RVM paralelos se implementan utilizando el lenguaje C más las funciones paralelas de los paquetes de álgebra lineal y la biblioteca de interfaz de paso de mensajes. Los métodos propuestos se evalúan mediante el conjunto de datos AVIRIS Indian Pines en el clúster Beowulf y las plataformas multinúcleo. Se demuestra que los RVM paralelos aceleran de forma evidente el procedimiento de entrenamiento.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:rvm, imagen hiperespectral, rvms en paralelo, propiedad sparse, datos de aviris indian pines, capacidad de generalización equivalente, paquetes de álgebra lineal, clasificadores múltiples débiles, técnica de computación en paralelo, máquina vectorial de relevancia
• Keywords:rvm, hyperspectral image, parallel rvms, sparse property, aviris indian pines data, equivalent generalization ability, linear algebra packages, multiple weak classifiers, parallel computing technique, relevance vector machine