MATLAB集群下的支持向量机并行化应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-12页 |
| 1.1 并行计算技术及意义 | 第9页 |
| 1.2 支持向量机的研究现状 | 第9-10页 |
| 1.3 本文的组织结构 | 第10-12页 |
| 2 并行计算技术 | 第12-17页 |
| 2.1 分布式并行计算 | 第12-14页 |
| 2.1.1 MATLAB并行工具箱 | 第12-13页 |
| 2.1.2 MATLAB下的分布式集群环境 | 第13-14页 |
| 2.2 GPU并行计算技术及环境 | 第14-17页 |
| 2.2.1 GPU介绍 | 第14页 |
| 2.2.2 GPU高性能并行计算技术 | 第14-17页 |
| 3 支持向量机理论 | 第17-21页 |
| 3.1 最优分类面 | 第17页 |
| 3.2 支持向量机基本原理 | 第17-19页 |
| 3.3 支持向量机的核函数 | 第19-21页 |
| 4 SVM-MC-JPDAF算法及分布式并行化 | 第21-32页 |
| 4.1 多目标跟踪中的基本概念 | 第21-22页 |
| 4.1.1 多目标跟踪 | 第21页 |
| 4.1.2 数据关联 | 第21-22页 |
| 4.1.3 跟踪门 | 第22页 |
| 4.2 多种数据关联方法比较 | 第22-23页 |
| 4.3 联合概率数据关联 | 第23-24页 |
| 4.4 联合概率数据关联中引入支持向量机分类 | 第24-25页 |
| 4.5 SVM-MC-JPDAF算法 | 第25-28页 |
| 4.6 实验结果与分析 | 第28-31页 |
| 4.7 本章小结 | 第31-32页 |
| 5 LSSVM并行股票预测算法 | 第32-43页 |
| 5.1 常见的股票预测算法 | 第32-35页 |
| 5.1.1 指数平滑预测法 | 第32-33页 |
| 5.1.2 BP神经网络 | 第33-34页 |
| 5.1.3 支持向量机 | 第34-35页 |
| 5.1.4 小结 | 第35页 |
| 5.2 最小二乘支持向量机 | 第35-37页 |
| 5.3 新的并行计算模型 | 第37-39页 |
| 5.4 实验结果分析及讨论 | 第39-41页 |
| 5.4.1 实验环境和评价标准 | 第39页 |
| 5.4.2 算法结果分析 | 第39-41页 |
| 5.5 本章总结 | 第41-43页 |
| 结论 | 第43-44页 |
| 参考文献 | 第44-47页 |
| 攻读硕士学位期间发表学术论文情况 | 第47-48页 |
| 致谢 | 第48页 |
