基于GPU的并行矢量数据分析与索引技术研究
| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第10-28页 |
| 第一节 研究目的和意义 | 第10-13页 |
| 第二节 国内外研究现状 | 第13-21页 |
| 一、 并行计算模型 | 第14-16页 |
| 二、 并行空间分析 | 第16-17页 |
| 三、 空间索引 | 第17-20页 |
| 四、 存在的问题 | 第20-21页 |
| 第三节 研究内容、方法、技术路线、创新点 | 第21-24页 |
| 一、 研究内容 | 第21-22页 |
| 二、 研究方法 | 第22-23页 |
| 三、 技术路线 | 第23-24页 |
| 四、 创新点 | 第24页 |
| 第四节 论文的组织结构 | 第24-28页 |
| 第二章 基于 GPU 的矢量数据并行计算框架 | 第28-48页 |
| 第一节 空间数据的基本概念 | 第28-33页 |
| 一、 空间数据的特征 | 第28-29页 |
| 二、 空间数据模型 | 第29-31页 |
| 三、 空间数据结构 | 第31页 |
| 四、 空间分析 | 第31-33页 |
| 第二节 空间分析流程 | 第33-35页 |
| 第三节 基于 GPU 的并行空间分析框架 | 第35-47页 |
| 一、 GPU 概述 | 第35-42页 |
| 二、 基于 GPU 空间分析的分层设计方法 | 第42页 |
| 三、 基于 GPU 矢量计算框架 | 第42-46页 |
| 四、 代价模型 | 第46-47页 |
| 本章小结 | 第47-48页 |
| 第三章 基于 GPU 的并行叠加分析方法 | 第48-70页 |
| 第一节 叠加分析 | 第48-50页 |
| 一、 叠加分析基本概念 | 第48页 |
| 二、 叠加分析分类 | 第48-50页 |
| 三、 多边形叠加方式 | 第50页 |
| 第二节 多边形间叠加分析算法 | 第50-62页 |
| 一、 经典的叠加算法 | 第50-53页 |
| 二、 改进的叠加算法 | 第53-62页 |
| 第三节 基于 GPU 的叠加分析算法 | 第62-65页 |
| 第四节 实验 | 第65-68页 |
| 一、 计算环境 | 第65页 |
| 二、 实验数据 | 第65-67页 |
| 三、 实验结果 | 第67-68页 |
| 本章小结 | 第68-70页 |
| 第四章 基于 GPU 的并行空间索引方法 | 第70-92页 |
| 第一节 空间索引分类 | 第70-74页 |
| 一、 基于二叉树的空间索引 | 第70-71页 |
| 二、 格网空间索引 | 第71-72页 |
| 三、 四叉树索引 | 第72-73页 |
| 四、 基于 B-树的空间索引 | 第73-74页 |
| 第二节 R-树索引 | 第74-82页 |
| 一、 动态 R-树 | 第74-80页 |
| 二、 静态 R-树 | 第80-82页 |
| 第三节 基于 GPU 的静态 R-树 | 第82-86页 |
| 一、 基本概念 | 第82页 |
| 二、 静态 R-树数据结构 | 第82-83页 |
| 三、 静态 R-树生成算法 | 第83-84页 |
| 四、 空间数据排序 | 第84-86页 |
| 第四节 搜索算法 | 第86-89页 |
| 一、 传统搜索算法 | 第86-88页 |
| 二、 代价模型与查询优化 | 第88-89页 |
| 第五节 实验 | 第89-91页 |
| 一、 计算环境 | 第89页 |
| 二、 实验数据 | 第89-90页 |
| 三、 实验结果 | 第90-91页 |
| 本章小结 | 第91-92页 |
| 第五章 结论与展望 | 第92-94页 |
| 第一节 研究结论 | 第92-93页 |
| 第二节 论文的不足之处 | 第93页 |
| 第三节 研究展望 | 第93-94页 |
| 参考文献 | 第94-104页 |
| 攻读博士学位期间发表论文 | 第104-106页 |
| 致谢 | 第106页 |
