| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 第二章 相关理论基础 | 第17-29页 |
| 2.1 GPU概述 | 第17-22页 |
| 2.1.1 GPU体系架构 | 第17-19页 |
| 2.1.2 与多核CPU的区别 | 第19-20页 |
| 2.1.3 与超级计算机的区别 | 第20-22页 |
| 2.1.4 与分布式集群的区别 | 第22页 |
| 2.2 CUDA简介 | 第22-26页 |
| 2.2.1 Kernel函数 | 第23-24页 |
| 2.2.2 线程结构 | 第24-25页 |
| 2.2.3 CUDA存储模型 | 第25-26页 |
| 2.3 NVIDIA Nsight简介 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于GPU的快速排序法的并行实现 | 第29-37页 |
| 3.1 快速排序法简介 | 第29-30页 |
| 3.2 串行快速排序及其枢轴元素的选择 | 第30-31页 |
| 3.2.1 串行快速排序法 | 第30-31页 |
| 3.2.2 枢轴元素选取 | 第31页 |
| 3.3 并行快速排序 | 第31-36页 |
| 3.3.1 传统并行快速排序 | 第31-32页 |
| 3.3.2 基于GPU的并行快速排序 | 第32-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 GPU下基于R-Tree索引的K-近邻连接算法 | 第37-57页 |
| 4.1 K-近邻连接算法简介 | 第37-38页 |
| 4.2 KNNJ算法主要流程 | 第38-39页 |
| 4.3 基于GPU的R-Tree索引的建立 | 第39-49页 |
| 4.3.1 R-Tree节点的距离定义 | 第40-41页 |
| 4.3.2 并行计算模型 | 第41页 |
| 4.3.3 GPU下R-Tree索引的快速构建 | 第41-49页 |
| 4.4 基于GPU的并行KNNJ查询 | 第49-56页 |
| 4.4.1 KNNJ并行求距离 | 第49-50页 |
| 4.4.2 KNNJ并行距离排序 | 第50页 |
| 4.4.3 基于R-Tree索引的KNNJ查询 | 第50-52页 |
| 4.4.4 基于扩展框的剪枝策略 | 第52-55页 |
| 4.4.5 GPU下基于R-Tree索引的KNNJ查询 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 实验仿真及结果分析 | 第57-66页 |
| 5.1 实验环境配置 | 第57-59页 |
| 5.1.1 实验平台的搭建 | 第57-58页 |
| 5.1.2 实验数据集介绍 | 第58-59页 |
| 5.2 实验对比方案 | 第59页 |
| 5.3 实验结果分析 | 第59-65页 |
| 5.3.1 数据规模对快速排序法的影响 | 第60页 |
| 5.3.2 节点数对索引建立的影响 | 第60-61页 |
| 5.3.3 数据规模对索引建立的影响 | 第61-62页 |
| 5.3.4 K值大小对KNNJ查询的影响 | 第62-63页 |
| 5.3.5 索引节点数对KNNJ查询的影响 | 第63-64页 |
| 5.3.6 数据规模对KNNJ查询的影响 | 第64-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-67页 |
| 6.1 本文主要工作总结 | 第66页 |
| 6.2 下一阶段工作展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |
| 在学期间的研究成果及发表的学术论文 | 第71页 |