并行化论文_赵洋,汪亨,吴延群,余波

导读:本文包含了并行化论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:算法,多核,数据,用项,油藏,高效,峰值。

并行化论文文献综述

赵洋,汪亨,吴延群,余波^[1]（2019）在《SVDU的多协处理器并行化方法研究》一文中研究指出安全级图形显示单元作为安全级核电控制系统的配套人机交互界面,用于为核电厂操作员提供安全级核电控制系统内的状态监视和手动控制功能。随着国内核电产业的发展,核电业主对安全级图形显示单元提出更高的应用要求,而现有的安全级软件设计原则限制了安全级图形显示单元功能的持续改进。本文通过对安全级图形显示单元的系统功能和底层支撑技术的分析,提出通过多协处理器并行化方法改进安全级图形显示单元的总体设计,并详细阐述了该方法的系统架构、运行机制、技术实现及其优劣性。(本文来源于《仪器仪表用户》期刊2019年12期）

刘佳耀,王佳斌^[2]（2019）在《Slope One-BI算法的改进及其在大数据平台的并行化》一文中研究指出针对大数据时代下Slope One算法推荐效率不高的问题,提出结合聚类和动态K近邻的双极Slope One推荐算法.首先,结合Canopy和K-medoids的聚类算法把相似的用户汇聚到一起.然后,在所属聚类中,根据用户之间相似度的具体情况动态地寻找最近邻,并用Slope One-BI算法推荐预测.最后,在Spark平台上实现并行化.在电影数据集上的实验结果表明:基于Spark平台的优化算法与其他协同过滤算法相比,推荐精度具有明显优势.(本文来源于《华侨大学学报(自然科学版)》期刊2019年06期）

丰彪,余世舟^[3]（2019）在《并行化快速评估算法初步研究》一文中研究指出本文针对传统应急评估软件计算速度偏慢、评估时间过长的问题,利用GPU加速计算技术,开展应急快速评估算法的并行化研究。在分析串行评估算法性能瓶颈的基础上,运用计算任务并行化和数据处理并行化的方法,提出了基于CPU-GPU混合架构的并行化评估模型,给出了分区和分层的数据并行处理方案。与传统的串行评估模型相比,并行评估模型可以充分发挥当前主流计算机的计算能力,计算速度更快,数据处理能力更强,更适合震后应急救援工作的实际需求。该模型经软件优化后,可大大缩短震后快速评估所需的时间,为震后早期决策提供更为及时有效的支持。(本文来源于《自然灾害学报》期刊2019年05期）

李姚舜,刘黎志^[4]（2019）在《逻辑回归中的批量梯度下降算法并行化研究》一文中研究指出逻辑回归中的批量梯度下降算法需要访问全部数据样本,在单节点环境下计算耗时较长。针对大批量数据集的训练问题,提出了一种基于MapReduce框架的并行化算法。首先利用HDFS文件系统存储训练数据集,MapReduce框架会对输入数据集进行分片处理,每一个分片交由一个Map节点进行处理;Map过程的输出结果会传给Combiner节点,进行各个分片内部的数据归并;所有分片的归并结果会通过Shuffle过程,进行各个分片间的数据合并,汇总成一个输出文件;输出文件会传给Reduce节点进行运算,最后将计算结果用于参数更新。实验结果表明,集群环境下的参数训练结果正确,随着数据集的扩大,并行化计算的优势逐渐显现。(本文来源于《武汉工程大学学报》期刊2019年05期）

蒲鑫,孟祥茹,高岑,王美吉,刘锦扬^[5]（2019）在《基于Spark并行化改进混合地点推荐》一文中研究指出推荐算法是数据挖掘中最重要的算法之一.地点推荐是推荐系统的重要研究内容.针对目前地点推荐面临的数据稀疏、冷启动、个性化程度低等问题,设计并实现了基于Spark并行化处理的改进混合地点推荐模型.该算法融合了基于内容的推荐和基于协同过滤的推荐,结合了用户当前的偏好和其他用户的意见.使用基于用户-地点属性偏好的矩阵填充方式,以此改善数据稀疏性问题;同时,对于海量数据,系统采用Spark分布式集群实现并行计算,缩短了模型训练时间.实验结果表明,与其他推荐算法相比,该算法能有效改善数据稀疏性、提升推荐效果.(本文来源于《计算机系统应用》期刊2019年10期）

何登平,何宗浩,李培强^[6]（2019）在《基于Spark的并行化高效用项集挖掘算法》一文中研究指出针对传统基于链表结构的Top-K高效用挖掘算法在大数据环境下不能满足挖掘需求的问题,提出一种基于Spark的并行化高效用项集挖掘算法(STKO)。首先从阈值提升、搜索空间缩小等方面对TKO算法进行改进;然后选择Spark平台,改变原有数据存储结构,利用广播变量优化迭代过程,在避免大量重新计算的同时使用负载均衡思想实现Top-K高效用项集的并行挖掘。实验结果表明,该并行算法能有效地挖掘出大数据集中的高效用项集。(本文来源于《计算机工程与科学》期刊2019年10期）

陶婧^[7]（2019）在《基于Spark的分布式大数据并行化聚类方法研究》一文中研究指出为提高异构复合存储数据库中分布式大数据的检索识别能力,提出一种基于Spark融合聚类的异构复合存储数据库中的分布式大数据并行化聚类方法,构建异构复合存储数据库存储结构模型,提取数据库中的分布式大数据的统计序列特征量,采用相空间结构重组方法进行分布式大数据的信息特征挖掘,在高维相空间中实现分布式大数据关联信息检测和特征挖掘。对提取的特征量采用Spark融合聚类方法实现并行聚类,结合自适应的学习算法实现数据聚类中心的自动搜索,提高聚类的收敛性。仿真结果表明,采用该方法进行异构复合存储数据库中分布式大数据聚类的自适应性能较好,聚类准确度较高,误分率较低,具有很好的数据库检索和特征识别能力。(本文来源于《湖北第二师范学院学报》期刊2019年08期）

郑志锋,王一,韩鑫,丁磊,邓志勇^[8]（2019）在《油藏数值模拟有限元并行化求解策略》一文中研究指出油藏数值模拟采用有限单元法能有效地提高计算精度,但有限单元法在油藏数值模拟时计算量大、计算耗时较长。采用并行化求解的算法能进一步提高计算效率。本文通过构建理想化油藏有限元数值模型,设计了一种适用于油藏数值模拟的有限元并行化求解策略,并通过实例进行检验,证明该策略具备良好的并行效率,有效提高了油藏数值模拟的计算速度。(本文来源于《石化技术》期刊2019年07期）

袁逸铭,刘宏志,李海生^[9]（2019）在《基于密度峰值的改进K-Means文本聚类算法及其并行化》一文中研究指出针对K均值(K-means)聚类算法进行文本聚类时随机选取初始聚类中心点的问题,提出一种基于密度峰值进行初始聚类中心点选取的适用于文本聚类的K-means算法(DPMCSKM),为了更好地适应大规模聚类计算的要求,设计并实现了基于MapReduce的DPMCSKM并行化算法。实验结果表明,DPMCSKM算法可以有效地进行文本聚类,与K-means、基于密度峰值的快速搜索聚类算法选取初始簇中心点的K-means以及多簇球形K-means算法相比在聚类质量上均有一定的提升,在收敛速度上也有较好的表现;DPMCSKM并行化算法在可扩展性上,具有较好的加速比。(本文来源于《武汉大学学报(理学版)》期刊2019年05期）

丁芙蓉,张功萱^[10]（2019）在《基于CUDA并行化的K-Means聚类算法优化》一文中研究指出论文分析了基于CUDA并行化的K-means聚类算法在CPU和GPU上的执行特征,提出了一种基于CPU/GPU异步计算模式的并行优化方法。该方法将聚类的各步骤映射到CPU和GPU上,通过异步执行方式使CPU和GPU的计算重迭,对聚类过程进一步并行化,提高了程序运行效率。最后,在多核CPU和GPU异构平台上对UCI数据集和人工合成的数据集进行实验,结果表明,论文提出的优化方法比经典的基于CUDA并行化的K-Means聚类算法性能有所提升。(本文来源于《计算机与数字工程》期刊2019年07期）

并行化论文开题报告

（1）论文研究背景及目的

此处内容要求：

首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。

写法范例：

针对大数据时代下Slope One算法推荐效率不高的问题,提出结合聚类和动态K近邻的双极Slope One推荐算法.首先,结合Canopy和K-medoids的聚类算法把相似的用户汇聚到一起.然后,在所属聚类中,根据用户之间相似度的具体情况动态地寻找最近邻,并用Slope One-BI算法推荐预测.最后,在Spark平台上实现并行化.在电影数据集上的实验结果表明:基于Spark平台的优化算法与其他协同过滤算法相比,推荐精度具有明显优势.

（2）本文研究方法

调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。

实证研究法：依据现有的科学理论和实践的需要提出设计。

定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。

定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。

跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。

模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

并行化论文参考文献

[1].赵洋,汪亨,吴延群,余波.SVDU的多协处理器并行化方法研究[J].仪器仪表用户.2019

[2].刘佳耀,王佳斌.SlopeOne-BI算法的改进及其在大数据平台的并行化[J].华侨大学学报(自然科学版).2019

[3].丰彪,余世舟.并行化快速评估算法初步研究[J].自然灾害学报.2019

[4].李姚舜,刘黎志.逻辑回归中的批量梯度下降算法并行化研究[J].武汉工程大学学报.2019

[5].蒲鑫,孟祥茹,高岑,王美吉,刘锦扬.基于Spark并行化改进混合地点推荐[J].计算机系统应用.2019

[6].何登平,何宗浩,李培强.基于Spark的并行化高效用项集挖掘算法[J].计算机工程与科学.2019

[7].陶婧.基于Spark的分布式大数据并行化聚类方法研究[J].湖北第二师范学院学报.2019

[8].郑志锋,王一,韩鑫,丁磊,邓志勇.油藏数值模拟有限元并行化求解策略[J].石化技术.2019

[9].袁逸铭,刘宏志,李海生.基于密度峰值的改进K-Means文本聚类算法及其并行化[J].武汉大学学报(理学版).2019

[10].丁芙蓉,张功萱.基于CUDA并行化的K-Means聚类算法优化[J].计算机与数字工程.2019

论文知识图

标签：算法论文;  多核论文;  数据论文;  用项论文;  油藏论文;  高效论文;  峰值论文;