Implementações paralelas para o algoritmo Online Sequential Extreme Learning Machine aplicadas a Previsão de concentração de Material Particulado no ar

• Luís Fernando L. Grim UNICAMP
• Andrés Bueno UNICAMP
• André Leon S. Gradvohl UNICAMP

DOI: https://doi.org/10.5753/eradsp.2018.13606

Resumo

Neste trabalho propomos duas implementações para o algoritmo Online Sequential Extreme Learning Machine em Linguagem C, uma com Open-BLAS e outra com MAGMA, ambas bibliotecas de código aberto. O objetivo é comparar o desempenho – erro de previsão e tempo real de execução – entre as implementações, ao prever concentrações de material particulado no ar. Os resultados mostraram que o tamanho do bloco de atualização do algoritmo influencia o tempo de execução de cada implementação de maneira distinta.

Referências

Akusok, A., Bjork, K. M., Miche, Y., and Lendasse, A. (2015). High-Performance Extreme Learning Machines: A Complete Toolbox for Big Data Applications. IEEE Access, 3:1011–1025.

CETESB (2016). Qualidade do ar no estado de Sao Paulo 2015. Technical report, CETESB, São Paulo.

Gama, J., Zliobaite, I., Bifet, A., Pechenizkiy, M., and Bouchachia, A. (2014). A survey on concept drift adaptation. Computing Surveys, 46(4):1–37.

Honaker, J., King, G., and Blackwell, M. (2011). Amelia II: A program for missing data. Journal of Statistical Software, 45(7):1–47.

Huang, G.-B. (2013). MATLAB Codes of ELM Algorithm.

Krawczyk, B. (2016). GPU-accelerated extreme learning machines for imbalanced data streams with Concept Drift. Procedia Computer Science, 80:1692–1701.

Liang, N.-Y., Huang, G.-B., Saratchandran, P., and Sundararajan, N. (2006). A Fast and Accurate Online Sequential Learning Algorithm for Feedforward Networks. IEEE Transactions on Neural Networks, 17(6):1411–1423.

NVIDIA (2012). CUDA Toolkit 4.2 CUBLAS Library.

Tomov, S., Dongarra, J., and Baboulin, M. (2010). Towards dense linear algebra for hybrid GPU accelerated manycore systems. Parallel Computing, 36(5-6):232–240.