認知計算中基于機器學習的數(shù)據(jù)處理模型研究.pdf

1、隨著互聯(lián)網(wǎng)環(huán)境中數(shù)據(jù)規(guī)模的劇烈增長，從海量的數(shù)據(jù)中提取有意義的信息變得越來越困難。認知計算技術(shù)作為人工智能領域的一個重要分支，在如今的互聯(lián)網(wǎng)環(huán)境下能夠起到十分重要的作用。而在認知計算技術(shù)中，如何快速有效的完成數(shù)據(jù)的處理工作是在整個認知計算系統(tǒng)中十分重要的一環(huán)。因此，本文主要研究認知計算中基于機器學習的數(shù)據(jù)處理模型。
　　文章首先提出了一種認知計算模型，然后研究了模型中可能用到的數(shù)據(jù)處理技術(shù)（分類、決策等）以及分布式環(huán)境下的任務調(diào)度

2、算法?？偨Y(jié)起來，研究主要內(nèi)容和創(chuàng)新之處主要表現(xiàn)在如下幾個方面：
　　針對互聯(lián)網(wǎng)應用的使用過程中產(chǎn)生大量的感知數(shù)據(jù)和數(shù)據(jù)流難以分析處理的問題，研究一種基于上下文感知數(shù)據(jù)流的認知計算模型，實現(xiàn)對上下文感知數(shù)據(jù)的有效分析。此外，針對VFDT(Very Fast Decision Tree)算法選擇分裂屬性的隨機性導致準確率不理想的問題，提出一種面向數(shù)據(jù)流的決策樹算法來對數(shù)據(jù)流進行有效的分類。
　　針對互聯(lián)網(wǎng)中的海量信息有效性與否的

3、決策問題，提出一種基于深度置信網(wǎng)絡和線性感知器的認知決策算法，在深度置信網(wǎng)絡訓練結(jié)果的基礎上搭建一種具有錯誤控制功能的認知決策模型，綜合考慮信息本身和上下文信息，最終給出信息有效與否的決策結(jié)果。
　　針對RAM(Reward optimAl Matching)算法中，資源隊列類別分類不準確導致的任務調(diào)度效率不高的問題，提出了一種基于改進型隊列匹配的任務調(diào)度算法來解決分布式的計算環(huán)境下的任務調(diào)度問題。該算法首先對資源進行聚類，然后根