Implementações paralelas para o algoritmo Online Sequential Extreme Learning Machine aplicado à previsão de material particulado

Abstract

O algoritmo Online Sequential Extreme Learning Machine é adequado para previsão de Fluxos de Dados com Desvios de Conceito. No entanto, esse tipo de previsão exige implementações de alto desempenho devido à alta taxa de entrada de amostras. Neste trabalho, analisamos implementações paralelas para o Online Sequential Extreme Learning Machine em linguagem de programação C, com as bibliotecas OpenBLAS, Intel MKL e MAGMA. A OpenBLAS e a Intel MKL fornecem funções que exploram os recursos multithread em CPUs com vários núcleos, o que estende o paralelismo para arquiteturas de multiprocessadores. Por sua vez, a MAGMA oferece funções que são executadas em paralelo em arquiteturas heterogêneas ou híbridas, como sistemas com processadores Multicore e unidades de processamento gráfico, a GPU. Assim, o objetivo deste trabalho é comparar o desempenho -- erro de previsão/precisão e tempo real de processamento do fluxo -- das implementações em C com o Online Sequential Extreme Learning Machine original no MATLAB, ao prever concentrações de material particulado no ar. Os resultados experimentais mostraram que, na maioria dos casos abordados aqui, pelo menos uma das implementações na linguagem C obteve melhor desempenho em relação ao tempo de processamento do fluxo, quando comparado com a versão de referência do MATLAB, executando até 7 vezes mais rápido.

Keywords

• computação de alto desempenho
• desvio de conceito
• fluxo de dados