Resumen

Con el fin de explorar un modelo de predicción dinámica con buen rendimiento de generalización del contenido de [Si] en hierro fundido, se propone un algoritmo SVM mejorado para mejorar su practicidad en el conjunto de muestras de big data del proceso de fundición. En primer lugar, proponemos un esquema de paralelización para diseñar un algoritmo de solución SVM basado en el modelo MapReduce en una plataforma Hadoop para mejorar la velocidad de solución del SVM en conjuntos de muestras de big data. En segundo lugar, basándonos en las características de la proyección estocástica de subgradiente, el tiempo de ejecución del algoritmo solucionador SVM no depende del tamaño del conjunto de muestras, y se propone un algoritmo SVM estructurado basado en el algoritmo de propagación de vecinos, y sobre esta base, se diseñan un algoritmo paralelo para resolver la matriz de covarianza del conjunto de entrenamiento y un algoritmo paralelo para la iteración de la proyección de subgradiente aleatorio. Finalmente, se analiz

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Modelo de predicción dinámica; Algoritmo SVM; Conjunto de muestras de big data; Esquema de paralelización; Proyección estocástica de subgradiente; Matriz de covarianza
• Keywords:Dynamic prediction model; SVM algorithm; Big data sample set; Parallelization scheme; Stochastic subgradient projection; Covariance matrix