| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 1 绪论 | 第10-12页 |
| 2 多核处理器与并行计算 | 第12-20页 |
| 2.1 微处理器的发展 | 第12-13页 |
| 2.2 多核CPU处理器 | 第13-15页 |
| 2.3 GPU——图形处理器 | 第15-17页 |
| 2.4 并行计算的编程方式 | 第17-20页 |
| 3 GPU高性能计算 | 第20-27页 |
| 3.1 GPU的高性能计算 | 第20-23页 |
| 3.1.1 传统GPU体系结构 | 第20-22页 |
| 3.1.2 可编程的GPU | 第22-23页 |
| 3.2 GPU通用计算 | 第23-24页 |
| 3.3 CUDA架构的GPU通用计算 | 第24-27页 |
| 4 聚类算法的研究 | 第27-33页 |
| 4.1 数据挖掘 | 第27-29页 |
| 4.1.1 数据挖掘介绍 | 第27-28页 |
| 4.1.2 知识发现与数据挖掘 | 第28-29页 |
| 4.2 聚类分析 | 第29-33页 |
| 4.2.1 k均值算法的程序设计 | 第30-32页 |
| 4.2.2 分层聚类算法的程序设计 | 第32-33页 |
| 5 基于CUDA的聚类算法实现 | 第33-49页 |
| 5.1 CUDA编程模型 | 第33-38页 |
| 5.1.1 线程模型 | 第33-35页 |
| 5.1.2 内存模型 | 第35-37页 |
| 5.1.3 CPU与GPU的协作 | 第37-38页 |
| 5.1.4 CUDA编程环境 | 第38页 |
| 5.2 聚类算法实现 | 第38-46页 |
| 5.2.1 环境搭建 | 第38-39页 |
| 5.2.2 k均值聚类算法的程序设计及实现 | 第39-43页 |
| 5.2.3 单链合并式分层聚类算法的程序设计及实现 | 第43-46页 |
| 5.3 实验结果分析 | 第46-49页 |
| 6 GPU聚类的分布式计算实现 | 第49-56页 |
| 6.1 分布式的CRM系统设计 | 第49-50页 |
| 6.2 HADOOP框架中的GPU聚类实现 | 第50-55页 |
| 6.2.1 Map/Reduce模式的程序设计 | 第50-53页 |
| 6.2.3 分布式环境执行 | 第53-55页 |
| 6.3 结论与分析 | 第55-56页 |
| 7 结论与展望 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间发表的学术论文目录 | 第60-63页 |
| 附件 | 第63页 |