| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 常见的特征选择方法研究现状 | 第8-11页 |
| 1.2.2 粒子群算法的研究现状 | 第11-12页 |
| 1.2.3 基于CUDA等异构平台的算法研究现状 | 第12页 |
| 1.3 本文的主要研究内容及组织结构 | 第12-13页 |
| 1.4 本章小结 | 第13-14页 |
| 2 特征选择和CUDA基本理论 | 第14-23页 |
| 2.1 特征选择的基本概念及一般过程 | 第14-16页 |
| 2.2 CUDA异构平台下的特征选择 | 第16-22页 |
| 2.2.1 CUDA简介 | 第16-17页 |
| 2.2.2 CUDA存储模型 | 第17-18页 |
| 2.2.3 CUDA的线程组织 | 第18-21页 |
| 2.2.4 CUDA的编程模型 | 第21-22页 |
| 2.2.5 CUDA平台下特征选择可行性分析 | 第22页 |
| 2.3 本章小结 | 第22-23页 |
| 3 CUDA平台下分层多组粒子群算法 | 第23-47页 |
| 3.1 特征选择搜索策略概述 | 第23-26页 |
| 3.2 标准粒子群算法 | 第26-27页 |
| 3.2.1 连续粒子群算法 | 第26页 |
| 3.2.2 离散粒子群算法 | 第26-27页 |
| 3.3 分层多组粒子群算法 | 第27-30页 |
| 3.3.1 分层多组模型的粒子群算法 | 第28-29页 |
| 3.3.2 算法的流程 | 第29-30页 |
| 3.4 基于概率的分组模型的收敛能力分析 | 第30-31页 |
| 3.5 CUDA平台下分层多块粒子群算法的实现 | 第31-35页 |
| 3.6 算法的主要过程 | 第35-40页 |
| 3.6.1 粒子群的初始化 | 第37页 |
| 3.6.2 粒子群的速度和位置，评估值更新 | 第37-38页 |
| 3.6.3 更新底层最佳粒子 | 第38-39页 |
| 3.6.4 更新顶层最佳粒子信息 | 第39页 |
| 3.6.5 分层多组粒子群算法的结束条件 | 第39-40页 |
| 3.7 实验结果与分析 | 第40-46页 |
| 3.7.1 基于CUDA的分层多块粒子群算法实验 | 第40-45页 |
| 3.7.2 实验结果分析 | 第45-46页 |
| 3.8 本章小结 | 第46-47页 |
| 4 基于分层多组粒子群算法的特征选择 | 第47-57页 |
| 4.1 特征选择的评估值计算 | 第47-51页 |
| 4.1.1 本文所选用的评估值计算方式 | 第47页 |
| 4.1.2 粗糙集基本原理 | 第47-49页 |
| 4.1.3 基于粗糙集适应值计算举例 | 第49-51页 |
| 4.2 CUDA平台下基于分层多组粒子群算法的特征选择 | 第51-52页 |
| 4.2.1 特征选择的流程 | 第51页 |
| 4.2.2 特征选择算法的主要过程 | 第51-52页 |
| 4.3 实验结果与分析 | 第52-56页 |
| 4.3.1 对WINE数据集进行特征选择的结果如下 | 第53-54页 |
| 4.3.2 对IRIS数据进行特征选择的结果如下： | 第54-55页 |
| 4.3.3 实验结果分析 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 总结与展望 | 第57-59页 |
| 5.1 课题总结 | 第57-58页 |
| 5.2 课题展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 附录 | 第65页 |
