基于Relief和BFO的并行支持向量机算法

来源：计算机应用研究杂志2022年第2期北京时间：

作者：胡健,王祥太,毛伊敏,刘蔚,

单位：1.江西理工大学信息工程学院,江西赣州341000；2.赣南科技学院电子信息工程学院,江西赣州341000；

摘要：针对大数据环境下并行支持向量机（SVM）算法存在冗余数据敏感、参数选取困难、并行化效率低等问题，提出了一种基于Relief和BFO算法的并行SVM算法RBFO-PSVM。首先，基于互信息和Relief算法设计了一种特征权值计算策略MI-Relief，剔除数据集中的冗余特征，有效地降低了冗余数据对并行SVM分类的干扰；接着，提出了基于MapReduce的MR-HBFO算法，并行选取SVM的最优参数，提高SVM的参数寻优能力；最后，提出核聚类策略KCS，减小参与并行化训练的数据集规模，并提出改进CSVM反馈机制的交叉融合级联式并行支持向量机CFCPSVM，结合MapReduce编程框架并行训练SVM，提高了并行SVM的并行化效率。实验表明， RBFO-PSVM算法对大型数据集的分类效果更佳，更适用于大数据环境。

关键词：SVM算法,MapReduce,CFCPSVM模型,MI-Relief策略,MR-HBFO算法,

基金资助：国家自然科学基金资助项目(41562019)；国家重点研发计划资助项目(2018YFC1504705)；江西省教育厅科技资助项目(GJJ209407,GJJ209405)；；