| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 并行化极限学习机研究现状 | 第9-10页 |
| 1.2.2 并行化卷积神经网络研究现状 | 第10-11页 |
| 1.3 本文研究内容及创新点 | 第11页 |
| 1.4 本文结构安排 | 第11-13页 |
| 第二章 相关理论与技术 | 第13-19页 |
| 2.1 CUDA相关理论 | 第13-16页 |
| 2.1.1 引言 | 第13页 |
| 2.1.2 GPU的硬件结构 | 第13-14页 |
| 2.1.3 CUDA的线程调度 | 第14-15页 |
| 2.1.4 CUDA的存储器 | 第15-16页 |
| 2.2 MapReduce分布式平台技术 | 第16-18页 |
| 2.2.1 引言 | 第16-17页 |
| 2.2.2 Hadoop分布式平台 | 第17页 |
| 2.2.3 Spark分布式平台 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第三章 并行化改进型粒子群算法优化极限学习机 | 第19-33页 |
| 3.1 引言 | 第19页 |
| 3.2 极限学习机算法 | 第19-21页 |
| 3.3 基于健康度的粒子群算法 | 第21-27页 |
| 3.3.1 HHPSO算法设计 | 第21-24页 |
| 3.3.2 HHPSO算法步骤 | 第24页 |
| 3.3.3 HHPSO性能测试 | 第24-27页 |
| 3.4 HHPSO优化的极限学习机 | 第27-29页 |
| 3.5 HHPSO-ELM的并行化实现 | 第29-30页 |
| 3.6 实验结果与分析 | 第30-32页 |
| 3.7 本章小结 | 第32-33页 |
| 第四章 并行化Strassen矩阵乘法加速卷积神经网络 | 第33-48页 |
| 4.1 引言 | 第33页 |
| 4.2 卷积神经网络算法 | 第33-37页 |
| 4.3 Strassen矩阵乘法 | 第37-38页 |
| 4.4 Strassen矩阵乘法在GPU上的并行化实现 | 第38-40页 |
| 4.5 Strassen矩阵乘法在卷积过程中的实现 | 第40-41页 |
| 4.6 实验结果与分析 | 第41-46页 |
| 4.7 本章小结 | 第46-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 全文总结 | 第48页 |
| 5.2 研究展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第56页 |
