基于粒度和信息熵的并行支持向量机算法研究.pptx

content目录01研究背景与问题提出02核心理论基础综述03算法设计与创新机制04GIESVM-MR算法流程解析05实验设计与性能验证06应用场景与拓展潜力07总结与研究展望

研究背景与问题提出01

大数据环境下传统支持向量机面临高时间与空间复杂度的严峻挑战01训练效率低传统SVM时间复杂度为O(n3)，处理大规模数据时训练缓慢；空间复杂度达O(n2)，内存占用高；难以满足实时计算需求。02资源消耗大大量冗余样本增加计算负担；并行处理中通信开销显著；整体资源利用率偏低。03易受噪声影响对异常点敏感，可能误判为支持向量；干扰最优超平面构建；降低模型鲁棒性与泛化能力。04分布式性能差在分布式环