摘要：针对并行dcnn算法在大数据环境下网络冗余参数过多、收敛速度慢和并行效率低的问题,提出了一种并行化深度卷积神经网络优化算法——PdcnnO(parallel deep convolutional neural networks optimization algorithm)。首先,该算法设计了基于特征图的剪枝策略(PFM),预训练网络,获得压缩后的网络,有效减少了冗余参数,降低了dcnn训练时间和空间复杂度;其次,设计了修正正割线的共轭梯度法(CGMSE),获取局部分类结果,实现了共轭梯度法的快速收敛,提高了网络的收敛速度;最后,在reduce阶段提出了控制负载率的负载均衡策略(LBRLA),获取全局分类结果,实现了数据的快速均匀分组,从而提高了并行系统的加速比。实验表明,该算法不仅降低了dcnn在大数据环境下训练的时间和空间复杂度,而且提高了并行系统的并行化性能。

摘要：针对大数据环境下dcnn(deep convolutional neural network)算法中存在网络冗余参数过多、参数寻优能力不佳和并行效率低的问题,提出了大数据环境下基于特征图和并行计算熵的深度卷积神经网络算法MR-FPdcnn(deep convolutional neural network algorithm based on feature graph and parallel computing entropy using MapReduce)。该算法设计了基于泰勒损失的特征图剪枝策略FMPTL(feature map pruning based on Taylor loss),预训练网络,获得压缩后的dcnn,有效减少了冗余参数,降低了dcnn训练的计算代价。提出了基于信息共享搜索策略ISS(information sharing strategy)的萤火虫优化算法IFAS(improved firefly algorithm based on ISS),根据“IFAS”算法初始化dcnn参数,实现dcnn的并行化训练,提高网络的寻优能力。在Reduce阶段提出了基于并行计算熵的动态负载均衡策略DLBPCE(dynamic load balancing strategy based on parallel computing entropy),获取全局训练结果,实现了数据的快速均匀分组,从而提高了集群的并行效率。实验结果表明,该算法不仅降低了dcnn在大数据环境下训练的计算代价,而且提高了并行系统的并行化性能。

摘要：为优化铜冶炼工厂业务流程智慧可控监测机制,构建了基于铜冶炼工厂历史运维大数据挖掘的业务流程再造模型。利用铜冶炼工厂历史运维大数据构建特征数据池,利用LSTM对前置训练集进行特征辨识,实现铜冶炼工厂运维数据的精准预测,利用dcnn对后置测试集进行隐性知识感知,实现最优再造策略自主输出。对模型进行了工程应用,实践验证表明,该模型大幅度优化了铜冶炼工厂业务流程智慧可控监测机制,业务流程再造策略自主最优生成有效率符合产线需求。