在实验中，随机生成n组初始化的权值数组，并将首次迭代次数设置为5000，以达到基本的误差收敛平缓阶段，然后将权重组中误差精度最高的1/6选出，进入下一次MapReduce过程，程序设置时间上限为3 h和误差接受范围为(0～0.000 1)，如果运算时间达到了规定的上限时间，误差还没有被接受，将继续选择误差最接近的1/6组，进行下一次MapReduce过程，依次循环下去，若误差到达约定范围之内，便跳出循环，接受权重。预测结果见表2。

    在768 M共35 890条数据中，单机模式预测正确预测29 150条，正确率为81%；MapRedece并行模式正确预测35 841条，正确率为99.86%。表明Hadoop环境下的BP算法能够准确地进行脉象识别。

    2.4 结果分析

    BP算法传统单机串行模式下要到达程序设定的误差精度，普通的PC端难以承受该计算量，运算时耗太长。本研究针对上述问题设置了2个对照组。

    第1组：使单串行机模式和MapReduce并行模式在同一时间点运行，并在运行至30 s时截止取得权值，然后对256 M数据进行运算并与标准数据比较取得误差作图 ......