论文部分内容阅读
农作物产量预测已经成为关系到国家粮食安全,调整宏观经济的一个重要工具,对我们国家社会的健康发展有重要的意义。极限学习机(ELM)已经被广泛地运用在很多领域,比如图像识别,生物信息等。遗传极限学习机通过加入遗传算法的改进,大大提高了这个算法的精确度。但是随着大数据时代的到来,两个主要的问题阻碍了这一算法的进一步应用。第一,该算法太耗时。第二,极限学习机算法和很多机器学习的算法一样,是需要在内存中操作的,这会大大降低算法的学习速度,提高在硬件上的要求。 本文中提出一种基于MapReduce的遗传极限学习机算法,因为极限学习机的网络训练过程中有大量的矩阵运算,逆转等运算,同时遗传算法个体之间的交叉演化和迭代过程中,很多复杂的步骤也可以通过MapReduce并行执行。所以提出在MapReduce框架下的遗传极限学习机算法,并且测试它的速度提升和基于核和Reducer函数的性质。同时将算法应用在我国粮食产量预测和美国不同地区玉米产量的预测。实验结果证明,该算法大大缩短了运行时间,同时在农产品产量预测上有着优异的表现。