基于hadoop的混合神经网络计算平台研究与实现

《基于hadoop的混合神经网络计算平台研究与实现》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、；＾考ｆ乂葦Ｓｏｕ化ＣｈｉｎａＵｎｉｖｅｒｓｉｔｏｆＴｅｃｈｎｏｌｏｙｇｙ硕±学位论文基于Ｈａｄｏｏｐ的混合神经网络计算平台研究与实现，作者姓名罗练海学科专业计算机科学与技术指导教师肖南峰教授所在学院计算机科学与工程学院论文提交日期２０１６年５月ResearchandImplementationofHybridNeuralNetworkComputingPlatformBasedonHadoopADissertationSub

2、mittedfortheDegreeofMasterCandidate：LuoLianhaiSupervisor：Prof.XiaoNanfengSouthChinaUniversityofTechnologyGuangzhou,China分类号：TP3学校代号：10561学号：201420112896华南理工大学硕士学位论文基于Hadoop的混合神经网络计算平台研究与实现作者姓名：罗练海指导教师姓名、职称：肖南峰教授申请学位级别：工学硕士学科专业名称：计算机科学与技术研究方向：智能技术与机器人

3、论文提交日期：2016年5月3日论文答辩日期：2016年6月3日学位授予单位：华南理工大学学位授予日期：年月日答辩委员会成员：主席：陆璐委员：徐红云胡劲松俞鹤伟陈百基华南理工大学学位论文原创性声明：．本人郑重声明所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加标注引巧的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中Ｗ明确方式标明。本人完全意识到本声明的法律后果由本人承担。作

4、者签名：ｆ多东日期：別八年＾月３日；４学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，呂Ｐ：巧究生在校攻读学位期间论文王作的知识产权单位属华南理工大学。学校看权保存并向国家有关部口或机构送交论文的复印件和电子版，充许学位论文被查阅（除在保密期内的保密论文外）；学校可公布学位论文的全、部或部分内容，可允许采用影印、缩印或其它复制手段保存、汇编学位一论文。本人电子文档的内容和纸质论文的内容相致。本学位论文属于＇：．□保密（校保密

5、委员会审定为涉密学位论文时间：年日），＿＿＿月＿＿于＿年月日解密后适用本授权书。＿＿＿＿ｇ不保密，同意在校园网上发布，供校内师生和与学校有共享协议的单位浏览；同意将本人学位论文提交中国学术期刊（光盘版）电子杂志社全文出版和编入ｃｍａ《中国知识资源总＂库》，传播学位论文的全部或部分内容。Ｖ＂（请在［＾上相应方框内打）作者签名：罗绣數日期：Ｍ／林ｍ化指导教师签名：日期Ｗ壽冷幸介１巧作者联系电话：电子邮箱：联系姐址（含邮编）：摘要人工神经网络主要利用计算机

6、程序模拟人脑活动，对人类学习与记忆过程进行仿真学习。浅层神经网络和单一类型的神经网络通常只适合于解决某一类问题，并不适合应用于人脑的仿真研究。深度神经网络和混合神经网络等多种类型的神经网络通过串联或并联方式连接起来，可以更加逼真地模拟人脑学习与记忆过程。深度神经网络和混合神经网络都需要大量的计算资源，其学习和训练的时间往往很长。为此，本硕士论文作者所属实验室前期曾研发了一个基于网格的混合神经网络计算平台HNetCP来进行混合神经网络计算。同时对于一般用户而言，以Hadoop为代表的云计算技术是解

7、决大规模运算问题的最佳选择之一。因此，本硕士论文在所属实验室已有的研究工作基础上，在Hadoop上实现了不同神经网络算法的MapReduce化，目的是要有效地进行模拟人脑学习与记忆研究。人脸识别是模拟人脑学习与记忆过程最为重要的应用之一。人脸识别的降维和特征提取过程需要大量的计算资源。在面对高维图像的识别问题时，单台计算机的效率往往过低，难以满足实际需求。本硕士论文针对人脸识别技术的特点，提出了使用并行化的主成分分析法和线性判别分析法对图像进行降维和特征提取，然后对RBF网络进行了MapRedu

8、ce并行化实现，使用RBF网络分类器对图像进行识别和分类。分别使用串行算法和并行算法在ORL人脸数据库上进行了测试。并通过实验检验了并行化的特征提取算法和网络分类算法能够较大提高人脸识别的效率。此外，深度学习是使用多层神经网络模拟人脑学习与记忆过程的一种研究方法，其中深度信念网络是深度学习的一个重要研究领域。面对日益增加的数据量，深度信念网络的训练效率变得更加重要。为此，本硕士论文实现了一个基于Hadoop的分布式深度信念网络，在第一阶段对每一个受限玻尔兹曼机的网络权重和神经元偏置并行化地进行训