基于CUDA的车牌字符识别
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-12页 |
| 1.1.1 智能交通系统 | 第8-10页 |
| 1.1.2 GPU通用计算的发展 | 第10-12页 |
| 1.2 车牌字符识别研究现状 | 第12-13页 |
| 1.3 本文工作 | 第13-14页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 组织安排 | 第14页 |
| 1.4 本章总结 | 第14-15页 |
| 第二章 CUDA技术介绍 | 第15-25页 |
| 2.1 CUDA概述 | 第15-16页 |
| 2.2 GPU体系架构 | 第16-17页 |
| 2.3 CUDA编程模型 | 第17-20页 |
| 2.4 CUDA的存储器模型 | 第20-23页 |
| 2.5 CUDA程序执行过程 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 SVM多分类算法与凸二次规划问题分解 | 第25-31页 |
| 3.1 支持向量机模型 | 第25-26页 |
| 3.2 SVM解决多分类问题 | 第26页 |
| 3.3 凸二次规划问题的分解和求解 | 第26-30页 |
| 3.3.1 凸二次规划问题的常用解法 | 第27-29页 |
| 3.3.2 SMO算法 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 基于CUDA的SVM并行实现 | 第31-38页 |
| 4.1 CPU和GPU任务的划分 | 第31-32页 |
| 4.2 SMO算法的两种计算模型 | 第32-35页 |
| 4.3 实验与分析 | 第35-37页 |
| 4.3.1 数据集 | 第35页 |
| 4.3.2 环境参数 | 第35页 |
| 4.3.3 实验结果 | 第35-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第五章 基于CUDA的SVM优化 | 第38-51页 |
| 5.1 CUDA程序优化概述 | 第38-42页 |
| 5.2 矩阵乘法的优化 | 第42-46页 |
| 5.2.1 矩阵乘法的基本实现 | 第42-44页 |
| 5.2.2 矩阵乘法的优化 | 第44-45页 |
| 5.2.3 实验分析比较 | 第45-46页 |
| 5.3 并行规约的优化 | 第46-50页 |
| 5.3.1 并行规约过程 | 第46-48页 |
| 5.3.2 并行规约的优化 | 第48-50页 |
| 5.3.3 实验分析比较 | 第50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-52页 |
| 参考文献 | 第52-54页 |
| 致谢 | 第54-55页 |
| 攻读硕士期间发表的论文 | 第55-56页 |
