基于多核计算的分类数据挖掘算法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-12页 |
| 第一章 绪论 | 第12-22页 |
| ·数据挖掘研究概述 | 第12-18页 |
| ·数据挖掘技术的发展概述 | 第13页 |
| ·分类数据挖掘的常用方法 | 第13-17页 |
| ·数据挖掘的应用 | 第17-18页 |
| ·研究背景、内容及意义 | 第18-20页 |
| ·研究背景 | 第18-19页 |
| ·研究内容 | 第19-20页 |
| ·研究意义 | 第20页 |
| ·本文的组织结构 | 第20-22页 |
| 第二章 多核平台与相关技术分析 | 第22-39页 |
| ·多核处理器分析 | 第22-25页 |
| ·多核处理器的发展历史 | 第22-24页 |
| ·多核处理器的体系结构 | 第24-25页 |
| ·多核计算的相关问题 | 第25-29页 |
| ·程序并发性问题 | 第25-26页 |
| ·加速比问题 | 第26页 |
| ·CPU 负载平衡问题 | 第26-28页 |
| ·多核编程中的锁竞争问题 | 第28-29页 |
| ·多核并行的实现方案 | 第29-38页 |
| ·Windows 线程库 | 第29-32页 |
| ·pthread API 多线程库 | 第32-35页 |
| ·OpenMP | 第35-38页 |
| ·本章小结 | 第38-39页 |
| 第三章 基于多核计算的最近邻分类算法 | 第39-53页 |
| ·最近邻分类算法简介 | 第39-41页 |
| ·最近邻分类算法的实现 | 第41页 |
| ·最近邻分类算法的分析 | 第41-42页 |
| ·KNN 分类算法的优点 | 第41页 |
| ·KNN 分类算法的不足 | 第41-42页 |
| ·最近邻分类算法的改进 | 第42-43页 |
| ·基于多核计算的最近邻分类算法 | 第43-51页 |
| ·并行方案的提出 | 第43-45页 |
| ·MDKNN 算法 | 第45-46页 |
| ·MTKNN 算法 | 第46-48页 |
| ·实验与分析 | 第48-51页 |
| ·本章小结 | 第51-53页 |
| 第四章 基于多核计算的决策树算法 | 第53-66页 |
| ·决策树简介 | 第53-55页 |
| ·决策树相关概念 | 第53-54页 |
| ·决策树学习的适用问题 | 第54页 |
| ·决策树的建树原则 | 第54页 |
| ·决策树经典算法 | 第54-55页 |
| ·ID3 算法 | 第55-57页 |
| ·信息论概念 | 第55-56页 |
| ·ID3 基本原理 | 第56页 |
| ·ID3 算法描述 | 第56-57页 |
| ·基于多核计算的 ID3 算法 | 第57-61页 |
| ·任务队列设计 | 第57-59页 |
| ·并行决策树算法 MPID3 | 第59-61页 |
| ·实验与分析 | 第61-65页 |
| ·实验准备 | 第61-62页 |
| ·实验结果 | 第62-63页 |
| ·实验分析 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 第五章 基于多核计算的贝叶斯分类算法 | 第66-79页 |
| ·贝叶斯分类算法简介 | 第66-69页 |
| ·贝叶斯定理概念 | 第66页 |
| ·几种经典的贝叶斯分类器 | 第66-69页 |
| ·贝叶斯网络分类器的相关概念 | 第69-71页 |
| ·贝叶斯网络拓扑结构 | 第69页 |
| ·贝叶斯网络学习 | 第69-71页 |
| ·基于多核计算的贝叶斯网络算法 | 第71-77页 |
| ·PNL 简介 | 第71页 |
| ·多核并行的算法实现 | 第71-75页 |
| ·实验与分析 | 第75-77页 |
| ·本章小结 | 第77-79页 |
| 第六章 结束语 | 第79-82页 |
| ·本文总结 | 第79-80页 |
| ·研究展望 | 第80-82页 |
| 参考文献 | 第82-87页 |
| 致谢 | 第87-88页 |
| 在学期间的研究成果及发表的学术论文 | 第88页 |
