|
|
钻瓜专利网为您找到相关结果 352035个，建议您 升级VIP下载更多相关专利
- [发明专利]一种快速精确的粒球近邻分类算法-CN201611168229.1在审
-
夏书银
-
重庆邮电大学
-
2016-12-16
-
2017-05-31
-
G06K9/62
- 本发明涉及一种快速精确的粒球近邻分类算法，属于计算机技术领域。该算法使用被查询点到少量粒球的距离来替代样本点之间的距离的直接计算，使得该算法的时间复杂度可以保持在近邻线性，即O(n)，远小于现有的精确k最近邻算法。粒球近邻分类算法不需要进行k值的选择，这是现有k近邻算法所没有的特点。粒球近邻分类算法能够保留产生分类边界，从而有效地处理现有k最近邻算法在不平衡数据集精度失效的问题，获得了比现有k最近邻算法更好的精度。另外，相比现有基于树的精确最近邻算法，GBkNN算法不依赖任何树索引结构，所以能够更高效地处理高维数据，并且仍然保留了现有最近邻查询算法的优势在线,多分类，不依赖训练等。
- 一种快速精确近邻分类算法
- [发明专利]一种多GPU平台上并行双调排序的K-最近邻算法并行优化方法-CN202310398414.3在审
-
王耀彬;莫章彬;唐苹苹;王天海;韩翔宇
-
西南科技大学
-
2023-04-14
-
2023-06-23
-
G06F9/50
- 本发明公开了一种多GPU平台上并行双调排序的K‑最近邻算法并行优化方法，该方法包括如下步骤：搭建多GPU平台MGPUSim的系统环境；初始化MGPUSim工作负载与定义内核参数；进行k‑最近邻算法的数据预处理；输入常用UCI数据集将测试数据和训练数据集从CPU端拷入GPU；定义基于OpenCL的并行化内核；优化k‑最近邻算法的距离计算与距离排序阶段；判断数据进行分类，验证算法分类效果；识别性能瓶颈，验证改进；本发明针对目前K‑最近邻算法在图像识别和计算机视觉等领域，特别是在处理大规模数据集时运行效率不高，每个测试数据的距离排序阶段时间复杂度高的现状，利用MGPUSim更多的计算资源和存储能力，提出了一种在多GPU平台上K‑最近邻算法的并行化实现与优化方法，首先需要优化数据预处理，然后在GPU端采用并行双调排序与欧式距离的并行化优化。通过多GPU并行加速计算的方案，从源头上减少单个GPU的运行负担，提升并行K‑最近邻算法的效率。
- 一种gpu平台并行排序近邻算法优化方法
|
