论文部分内容阅读
在互联网技术大规模普及的时代,每天都会产生大量的信息。云计算的产生为了高速、有效地利用这些信息提供了一个具备高可用性、高吞吐率及高效益的解决方案。神经网络本身具有分布特性,使得其可以很好地在云平台下进行实现,吸引了很多研究人员的目光。目前的研究均是研究如何将BP (Back Propagation)神经网络算法进行并行化,对其他类型网络包括径向基函数网络(Radial Basis Function, RBF)等缺乏研究,同时也没有将并行化后的网络算法应用到具体的课题中的。径向基函数网络可以逼近任意的非线性函数,可以很好地处理系统内部难以解析的规律性,具有较强的泛化能力,并具有较快的学习收敛速度,已经成功应用于非线性函数逼近、模式识别和图像处理等众多领域。传统的径向基函数网络在进行训练时需要将所有训练样本加载到内存中。这个特点使得其在面对大规模数据显得力不从心。结合云计算平台对径向基函数网络进行并行化,可以很好地解决这个问题并提高收敛速度。具体的做法是使用HDFS对数据进行并行化,每个计算节点只处理部分的样本,对完整的样本集合处理完后进行综合以修改网络的参数,并进行多次迭代直到达到要求的精度。人脸识别是通过分析、比较人脸视觉的特征信息来进行身份鉴别的技术,被广泛应用于多个领域。经过多年的发展已经形成了多种较为成熟的识别方法。因此本文选择人脸识别作为基于云计算平台的神经网络的应用点,并与串行的人脸识别算法进行对比,验证基于云计算平台的神经网络算法的有效性和在训练效率上的提高。语音情感识别是一种通过分析语音信息来识别出说话人当时情感状态的技术。在语音情感识别中,对语音信号的预处理需要引入大量的运算,结合云计算平台,可以将这些运算进行并行化以缩短处理时间。本文结合基于云计算平台的神经网络算法,实现了基于云计算平台的语音情感识别应用。对于智能计算机、机器人而言,若要提供和谐的人机交互环境,仅仅拥有情感识别的能力是不够的,还需其能对人类的情感状态做出反应,即需具备情感能力。情感计算首先要求建立智能体的情感模型,本文参考前人工作,给出一个基于隐马尔科夫模型的三层情感计算模型,同时结合云计算平台和该情感模型进行了仿真实现。