極限學(xué)習(xí)機并行化算法及在NOx排放預(yù)測中的應(yīng)用.pdf

1、極限學(xué)習(xí)機（Extreme Learning Machine，ELM)以其學(xué)習(xí)速度快、訓(xùn)練參數(shù)少和泛化性能好等特點，被廣泛應(yīng)用于數(shù)據(jù)挖掘中。但是面對如今的大規(guī)模數(shù)據(jù)，極限學(xué)習(xí)機與傳統(tǒng)的機器學(xué)習(xí)算法一樣，由于受到計算機內(nèi)存的限制，訓(xùn)練時間太長，甚至有可能無法運行。針對以上問題，本文將極限學(xué)習(xí)機與當(dāng)下流行的大數(shù)據(jù)技術(shù)相結(jié)合，利用MapReduce這個并行框架來實現(xiàn)極限學(xué)習(xí)機的并行化，使極限學(xué)習(xí)機達到高效處理大規(guī)模數(shù)據(jù)的目的。
　　隨著

2、經(jīng)濟的迅猛發(fā)展，能源消耗隨之逐年增加。我國能源結(jié)構(gòu)以煤為主，燃煤電廠產(chǎn)生的NOx日趨嚴(yán)重，如何有效地控制NOx的排放一直是人們關(guān)注的焦點。隨著工業(yè)4.0的提出和存儲技術(shù)的提高，工業(yè)處于一個數(shù)據(jù)爆發(fā)的時代，每時每刻都在產(chǎn)生新的數(shù)據(jù)，數(shù)據(jù)庫的存儲量也日益增加。為應(yīng)對我國火電行業(yè)信息化建設(shè)出現(xiàn)的大規(guī)模數(shù)據(jù)，尋找行之有效的大規(guī)模數(shù)據(jù)處理技術(shù)已經(jīng)成為一個熱門研究。
　　本文的主要工作如下：
　　(1)針對傳統(tǒng)極限學(xué)習(xí)機集成方法無法有效

3、處理大規(guī)模數(shù)據(jù)的問題，提出基于MapReduce框架的并行化極限學(xué)習(xí)機集成方法。通過分析極限學(xué)習(xí)機的集成方法，發(fā)現(xiàn)每個極限學(xué)習(xí)機網(wǎng)絡(luò)的訓(xùn)練為并列獨立進行，證明該過程是可以分解的。該算法由一個MapReduce Job實現(xiàn)，Map階段將集成學(xué)習(xí)中的每個極限學(xué)習(xí)機網(wǎng)絡(luò)并行地訓(xùn)練。通過實驗證明該算法在精確度上和單機極限學(xué)習(xí)機集成方法幾乎一樣，但訓(xùn)練速度更快，可以更加高效地處理大規(guī)模數(shù)據(jù)。
　　(2)針對極限學(xué)習(xí)機隨機初始化輸入權(quán)值和隱含

4、層偏置，可能存在非最優(yōu)的輸入權(quán)值和隱含層偏置的問題，提出基于MapReduce框架的并行化粒子群極限學(xué)習(xí)機方法。研究發(fā)現(xiàn)，在粒子群極限學(xué)習(xí)機算法的運算過程中，粒子適應(yīng)度值的計算與樣本的大小有關(guān)，若樣本太大會導(dǎo)致訓(xùn)練時間過長等問題。而適應(yīng)度函數(shù)采用極限學(xué)習(xí)機網(wǎng)絡(luò)的誤差，極限學(xué)習(xí)機在求解輸出權(quán)值的Moore-Penrose廣義逆中矩陣乘法是計算量最大的部分，由于其可以分解，故將其并行化。通過實驗證明，相比極限學(xué)習(xí)機，該算法得到了較高的預(yù)測準(zhǔn)