極限學習機并行化算法及在NOx排放預測中的應用.pdf

1、極限學習機（Extreme Learning Machine，ELM)以其學習速度快、訓練參數(shù)少和泛化性能好等特點，被廣泛應用于數(shù)據(jù)挖掘中。但是面對如今的大規(guī)模數(shù)據(jù)，極限學習機與傳統(tǒng)的機器學習算法一樣，由于受到計算機內(nèi)存的限制，訓練時間太長，甚至有可能無法運行。針對以上問題，本文將極限學習機與當下流行的大數(shù)據(jù)技術相結合，利用MapReduce這個并行框架來實現(xiàn)極限學習機的并行化，使極限學習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。我國能源結構以煤為主，燃煤電廠產(chǎn)生的NOx日趨嚴重，如何有效地控制NOx的排放一直是人們關注的焦點。隨著工業(yè)4.0的提出和存儲技術的提高，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。為應對我國火電行業(yè)信息化建設出現(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)極限學習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習機集成方法。通過分析極限學習機的集成方法，發(fā)現(xiàn)每個極限學習機網(wǎng)絡的訓練為并列獨立進行，證明該過程是可以分解的。該算法由一個MapReduce Job實現(xiàn)，Map階段將集成學習中的每個極限學習機網(wǎng)絡并行地訓練。通過實驗證明該算法在精確度上和單機極限學習機集成方法幾乎一樣，但訓練速度更快，可以更加高效地處理大規(guī)模數(shù)據(jù)。
　　(2)針對極限學習機隨機初始化輸入權值和隱含

4、層偏置，可能存在非最優(yōu)的輸入權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習機方法。研究發(fā)現(xiàn)，在粒子群極限學習機算法的運算過程中，粒子適應度值的計算與樣本的大小有關，若樣本太大會導致訓練時間過長等問題。而適應度函數(shù)采用極限學習機網(wǎng)絡的誤差，極限學習機在求解輸出權值的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，相比極限學習機，該算法得到了較高的預測準