基于GPU的数据挖掘算法并行化研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 GPU通用计算 | 第12-13页 |
| 1.2.2 并行数据挖掘 | 第13页 |
| 1.3 论文的主要研究内容 | 第13-14页 |
| 1.4 论文的组织与安排 | 第14-16页 |
| 第2章 相关技术及研究基础 | 第16-28页 |
| 2.1 数据挖掘聚类技术 | 第16-20页 |
| 2.1.1 聚类技术原理 | 第16-18页 |
| 2.1.2 常用聚类算法 | 第18-20页 |
| 2.2 数据挖掘分类技术 | 第20-22页 |
| 2.2.1 分类技术原理 | 第20页 |
| 2.2.2 常用分类算法 | 第20-22页 |
| 2.3 GPU并行计算技术 | 第22-27页 |
| 2.3.1 GPU体系结构 | 第22-23页 |
| 2.3.2 CUDA软件体系 | 第23-24页 |
| 2.3.3 CUDA线程模型 | 第24页 |
| 2.3.4 CUDA存储器模型 | 第24-26页 |
| 2.3.5 CUDA编程模型 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于GPU的k-means算法 | 第28-40页 |
| 3.1 引言 | 第28页 |
| 3.2 GS_k-means算法框架 | 第28-31页 |
| 3.2.1 k-means算法分析 | 第28-29页 |
| 3.2.2 GS_k-means算法整体计算流程 | 第29-31页 |
| 3.3 GS_k-means算法的并行实现 | 第31-38页 |
| 3.3.1 基于GPU的全局选择器 | 第31-33页 |
| 3.3.2 基于Cublas的距离矩阵计算 | 第33-35页 |
| 3.3.3 基于同一标签排序分组的中心点更新 | 第35-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第4章 基于GPU的K最近邻分类算法 | 第40-51页 |
| 4.1 引言 | 第40页 |
| 4.2 GS_KNN算法框架 | 第40-43页 |
| 4.2.1 K最近邻分类算法分析 | 第40-41页 |
| 4.2.2 GS_KNN算法整体计算流程 | 第41-43页 |
| 4.3 GS_KNN算法的并行实现 | 第43-50页 |
| 4.3.1 基于Cublas的距离矩阵计算 | 第43-44页 |
| 4.3.2 基于k次最小值查找的最近邻选择 | 第44-47页 |
| 4.3.3 基于双调排序的最近邻选择 | 第47-50页 |
| 4.3.4 基于GPU的决定分类标号 | 第50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 实验及结果分析 | 第51-63页 |
| 5.1 实验环境与实验数据 | 第51-53页 |
| 5.2 实验分析 | 第53-62页 |
| 5.2.1 GS_K-means算法实验分析 | 第53-57页 |
| 5.2.2 GS_KNN算法实验分析 | 第57-62页 |
| 5.3 本章小结 | 第62-63页 |
| 第6章 结论与展望 | 第63-65页 |
| 6.1 结论 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间参加的科研项目和成果 | 第70页 |
