使用CUDA平台加速支持向量机的若干算法
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-13页 |
| ·研究背景 | 第10页 |
| ·国内外研究现状 | 第10-11页 |
| ·本文的研究意义 | 第11页 |
| ·论文的主要工作 | 第11-12页 |
| ·论文的组织结构 | 第12-13页 |
| 第二章 GPU通用计算理论和CUDA简介 | 第13-25页 |
| ·GPU发展简介 | 第13-14页 |
| ·GPU通用计算概述 | 第14-16页 |
| ·传统GPGPU开发 | 第15页 |
| ·从GPGPU到CUDA | 第15-16页 |
| ·CUDA简介 | 第16-23页 |
| ·CUDA编程模型 | 第16-22页 |
| ·CUDA架构下的存储系统 | 第22-23页 |
| ·CPU与GPU的比较 | 第23-24页 |
| ·性能比较 | 第23页 |
| ·适用于GPU通用计算的类型 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 支持向量机的分类 | 第25-37页 |
| ·概述 | 第25页 |
| ·SVM的原理 | 第25-30页 |
| ·SVM的基本思想 | 第25-28页 |
| ·线性不可分的情形 | 第28-30页 |
| ·分离曲面与核函数 | 第30-31页 |
| ·其它的SVM模型 | 第31-35页 |
| ·目标问题是一个凸二次规划问题的SVM | 第32页 |
| ·目标问题是一个线性规划问题的SVM | 第32-33页 |
| ·目标问题是一个线性方程组的SVM | 第33-35页 |
| ·小结 | 第35页 |
| ·支持向量机的特征及其核心思想 | 第35-36页 |
| ·支持向量机的特征 | 第35-36页 |
| ·支持向量机的核心思想 | 第36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于CUDA的SVM实现 | 第37-80页 |
| ·概述 | 第37页 |
| ·基于CUDA的C-SVM实现 | 第37-51页 |
| ·凸二次规划问题介绍 | 第37-38页 |
| ·凸二次规划的常用算法 | 第38-43页 |
| ·基于CUDA的C-SVM实现 | 第43-49页 |
| ·实验数据分析 | 第49-51页 |
| ·基于CUDA的LPSVM实现 | 第51-66页 |
| ·线性规划和单纯形法 | 第51-53页 |
| ·修正的单纯形法 | 第53-55页 |
| ·基于CUDA的LPSVM算法设计 | 第55-58页 |
| ·矩阵运算的算法设计 | 第58-64页 |
| ·实验数据分析 | 第64-66页 |
| ·基于CUDA的LSSVM实现 | 第66-75页 |
| ·雅克比(Jacobi)迭代法 | 第66-67页 |
| ·共轭梯度法 | 第67-68页 |
| ·LSSVM的算法 | 第68-70页 |
| ·基于CUDA的LSSVM实现 | 第70-74页 |
| ·实验数据分析 | 第74-75页 |
| ·与硬件相关的优化 | 第75-78页 |
| ·维度的确定 | 第75-76页 |
| ·存储器访问优化 | 第76-77页 |
| ·防止bank conflict | 第77-78页 |
| ·使用纹理存储器和常数存储器加速 | 第78页 |
| ·本章小结 | 第78-80页 |
| 结论 | 第80-81页 |
| 参考文献 | 第81-84页 |
| 攻读硕士学位期间取得的研究成果 | 第84-85页 |
| 致谢 | 第85页 |
