| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及趋势 | 第11-15页 |
| 1.2.1 SAR目标识别研究现状 | 第11-12页 |
| 1.2.2 GPU通用计算的研究现状 | 第12-15页 |
| 1.3 本论文的工作安排 | 第15-16页 |
| 第二章 SAR目标识别算法与CUDA相关技术 | 第16-29页 |
| 2.1 CUDA概述 | 第16-20页 |
| 2.1.1 CUDA编程模型 | 第16-17页 |
| 2.1.2 CUDA存储模型 | 第17-19页 |
| 2.1.3 CUDA C语言和CUDA API | 第19-20页 |
| 2.2 SAR图像特征提取方法 | 第20-25页 |
| 2.2.1 主成分分析法（PCA） | 第20-21页 |
| 2.2.2 线性判别分析(LDA) | 第21-23页 |
| 2.2.3 非负矩阵分解(NMF) | 第23-25页 |
| 2.3 支持向量机 | 第25-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 SAR目标识别算法的GPU并行实现 | 第29-58页 |
| 3.1 基于CUDA的PCA特征提取方法实现 | 第29-43页 |
| 3.1.1 PCA特征提取并行分析 | 第29-30页 |
| 3.1.2 矩阵乘法并行改进 | 第30-33页 |
| 3.1.3 Jacobi迭代法求矩阵特征值和特征向量 | 第33-40页 |
| 3.1.4 并行归约法求最值 | 第40-42页 |
| 3.1.5 PCA特征提取并行实现 | 第42-43页 |
| 3.2 基于CUDA的LDA特征提取方法实现 | 第43-45页 |
| 3.2.1 LDA特征提取并行分析 | 第43-44页 |
| 3.2.2 类内和类间散布矩阵的并行构造 | 第44-45页 |
| 3.2.3 LDA特征提取并行实现 | 第45页 |
| 3.3 基于CUDA的NMF特征提取方法实现 | 第45-47页 |
| 3.3.1 NMF特征提取并行分析 | 第45-46页 |
| 3.3.2 NMF特征提取并行实现 | 第46-47页 |
| 3.4 基于CUDA的SMO算法实现 | 第47-52页 |
| 3.4.1 SMO算法分析 | 第47-50页 |
| 3.4.2 SMO算法的并行实现 | 第50-52页 |
| 3.5 实验结果和性能分析 | 第52-57页 |
| 3.5.1 实验条件 | 第52页 |
| 3.5.2 数据集 | 第52-53页 |
| 3.5.3 实验结果及分析 | 第53-57页 |
| 3.6 本章小结 | 第57-58页 |
| 第四章 基于CUDA的目标识别并行算法的优化 | 第58-73页 |
| 4.1 CUDA程序优化概述 | 第58-63页 |
| 4.1.1 CUDA程序评估 | 第58-59页 |
| 4.1.2 CUDA程序优化策略 | 第59-63页 |
| 4.2 主机与设备间的通信优化 | 第63-64页 |
| 4.3 共享内存优化 | 第64-67页 |
| 4.3.1 矩阵乘法优化 | 第64-66页 |
| 4.3.2 优化结果分析 | 第66-67页 |
| 4.4 指令优化和防止bank conflict | 第67-70页 |
| 4.4.1 并行归约优化 | 第67-69页 |
| 4.4.2 优化结果分析 | 第69-70页 |
| 4.5 实验结果与分析 | 第70-72页 |
| 4.5.1 通信优化对目标识别算法性能的影响分析 | 第70页 |
| 4.5.2 共享内存优化对目标识别算法性能的影响分析 | 第70-71页 |
| 4.5.3 指令优化对目标识别算法性能的影响分析 | 第71页 |
| 4.5.4 综合优化后的计算效率对比 | 第71-72页 |
| 4.6 本章小结 | 第72-73页 |
| 第五章 总结和展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |