基于GPU的LOF算法加速
| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 第1章 绪论 | 第11-19页 |
| ·异常检测 | 第11-13页 |
| ·K-近邻问题 | 第13-14页 |
| ·图形处理器 | 第14-16页 |
| ·GPU应用于异常检测 | 第16-17页 |
| ·论文工作与主要贡献 | 第17-18页 |
| ·论文内容组织 | 第18-19页 |
| 第2章 相关工作 | 第19-33页 |
| ·GPU体系结构 | 第19-20页 |
| ·CUDA | 第20-23页 |
| ·线程组织 | 第20-21页 |
| ·存储访问 | 第21-23页 |
| ·kNN问题 | 第23-27页 |
| ·暴力求解方法 | 第24页 |
| ·树索引结构方法 | 第24-26页 |
| ·近似查找方法 | 第26-27页 |
| ·LOF算法及其变种 | 第27-29页 |
| ·利用GPU加速kNN和LOF算法 | 第29-31页 |
| ·小结 | 第31-33页 |
| 第3章 基于GPU的kNN算法加速研究 | 第33-41页 |
| ·问题分析 | 第33-34页 |
| ·距离计算 | 第34-36页 |
| ·查找k个最小距离 | 第36-39页 |
| ·预设阈值过滤方案 | 第37-39页 |
| ·其它方案 | 第39页 |
| ·小结 | 第39-41页 |
| 第4章 基于GPU的LOF算法实现 | 第41-51页 |
| ·总体设计 | 第41-42页 |
| ·数据预处理 | 第42-44页 |
| ·数据结构定义 | 第42-43页 |
| ·数据归一化 | 第43-44页 |
| ·训练集离线处理 | 第44-45页 |
| ·训练集实例的距离计算 | 第44-45页 |
| ·训练集实例的k-距离序列 | 第45页 |
| ·内存拷贝 | 第45-46页 |
| ·通过设备存储器 | 第46页 |
| ·通过分页锁定主机存储器 | 第46页 |
| ·LOF值计算和异常判断 | 第46-49页 |
| ·小结 | 第49-51页 |
| 第5章 实验评估 | 第51-59页 |
| ·实验环境 | 第51页 |
| ·参数优化 | 第51-55页 |
| ·距离计算阶段的线程配置 | 第51-53页 |
| ·候选距离集合的规模阈值 | 第53-55页 |
| ·性能评估 | 第55-57页 |
| ·距离计算阶段 | 第55-56页 |
| ·k-近邻查找阶段 | 第56-57页 |
| ·与已有LOF算法的比较 | 第57-58页 |
| ·小结 | 第58-59页 |
| 第6章 结束语 | 第59-61页 |
| ·论文总结 | 第59-60页 |
| ·进一步的工作 | 第60-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第67页 |
