| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.2.1 关联规则挖掘算法 | 第10页 |
| 1.2.2 GPU通用计算 | 第10-11页 |
| 1.3 研究目的及意义 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 关联规则挖掘算法与GPU并行运算 | 第13-24页 |
| 2.1 关联规则挖掘 | 第13-14页 |
| 2.2 关联规则挖掘过程 | 第14页 |
| 2.3 关联规则挖掘算法综述 | 第14-15页 |
| 2.4 GPU体系架构与CUDA环境 | 第15-23页 |
| 2.4.1 GPU体系架构 | 第15-16页 |
| 2.4.2 GPU与CPU | 第16-18页 |
| 2.4.3 CUDA简介 | 第18-23页 |
| 2.4.3.1 CUDA编程模型 | 第19-21页 |
| 2.4.3.2 CUDA线程结构 | 第21-22页 |
| 2.4.3.3 CUDA存储结构 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于GPU的并行Apriori算法的设计与实现 | 第24-54页 |
| 3.1 Apriori算法 | 第25-30页 |
| 3.1.1 算法介绍 | 第25-27页 |
| 3.1.2 算法举例说明 | 第27-30页 |
| 3.2 基于Bit的数据存储结构的设计 | 第30-35页 |
| 3.2.1 传统数据存储结构 | 第30-31页 |
| 3.2.2 垂直存储结构 | 第31-33页 |
| 3.2.3 基于位表的存储结构 | 第33-35页 |
| 3.3 支持度计算过程 | 第35-42页 |
| 3.3.1 基于位表的候选集生成过程 | 第35-38页 |
| 3.3.2 基于位表的支持度计算过程在GPU的实现 | 第38-42页 |
| 3.4 GPU中实现频繁候选集的生成过程 | 第42-44页 |
| 3.5 GPU生成频繁项目候选集的可行性研究 | 第44-47页 |
| 3.5.1 合并存储器访问 | 第45-47页 |
| 3.5.1.1 优化存储空间访存 | 第45-46页 |
| 3.5.1.2 优化访存数据尺寸 | 第46页 |
| 3.5.1.3 数据填充 | 第46-47页 |
| 3.5.2 数据集过大引起的非合并内存访问的问题 | 第47页 |
| 3.6 CPU中实现频繁项候选集的生成过程 | 第47-52页 |
| 3.6.1 前缀树结构 | 第48-49页 |
| 3.6.2 前缀树结构表示项集 | 第49-51页 |
| 3.6.3 GPU+CPU生成频繁项候选集 | 第51-52页 |
| 3.7 输入输出方式 | 第52-53页 |
| 3.8 本章小结 | 第53-54页 |
| 第四章 基于GPU的并行Apriori算法的性能测试与分析 | 第54-63页 |
| 4.1 测试环境 | 第54-55页 |
| 4.2 测试数据集 | 第55页 |
| 4.3 测试算法 | 第55-56页 |
| 4.4 算法性能测试方法 | 第56页 |
| 4.5 基于不同数据集的算法性能对比 | 第56-62页 |
| 4.5.1 T10I4D100K.dat测试结果 | 第57-58页 |
| 4.5.2 Chess.dat测试结果 | 第58-59页 |
| 4.5.3 T40I10D100K.dat测试结果 | 第59-61页 |
| 4.5.4 Connect.dat测试结果 | 第61-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-67页 |
| 致谢 | 第67-68页 |
| 作者攻读学位期间发表的学术论文目录 | 第68页 |
