改进Adaboost下BP神经网络并行化训练方法

• 作者: 吴正江 张霄宏 陈如校
• 来源期刊: 小型微型计算机系统
• 学科: 工学
• 关键词: 神经网络算法 并行 Spark Adaboost
• 年，卷（期）: 2018,（5）
• 所属期刊栏目: 人工智能与算法研究
• 页码范围: 1058-1062
• 页数: 5页
• 分类号: TP391
• 字数: 4132字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-1220.2018.05.034

摘要

大规模数据分类时借鉴了大量小规模数据分类的思想,但需要解决两个问题:大规模条件下算法收敛速度及准确性问题.BP算法(反向传播算法)以其良好的非线性逼近能力、泛化能力以及实用性成为了人工神经网络训练算法中应用最为广泛的算法同时使用BP算法训练易陷入瘫痪,收敛速度较慢,算法易陷入局部极小值,造成网络的正确率低下的问题.为了将BP算法用于大规模数据分类问题,本文通过引入Adaboost算法,并对其进行改进以适应BP神经网络在大数据量情况下的应用,改善其性能.基于SPARK平台的实验表明,本文提出的算法具有良好的并行加速性能,且具有较高的分类准确率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吴正江	河南理工大学计算机科学与技术学院	10	24	3.0	4.0
2	张霄宏	河南理工大学计算机科学与技术学院	22	106	4.0	9.0
3	陈如校	河南理工大学计算机科学与技术学院	2	7	2.0	2.0