| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究工作的背景与意义 | 第9-10页 |
| 1.2 基于CUDA的机器学习并行化研究现状 | 第10-13页 |
| 1.2.1 机器学习研究现状 | 第10-11页 |
| 1.2.2 GPU通用计算 | 第11-12页 |
| 1.2.3 基于CUDA的机器学习GPU并行化研究现状 | 第12-13页 |
| 1.3 论文的主要研究内容 | 第13页 |
| 1.4 论文的结构安排 | 第13-14页 |
| 第二章 基于CUDA的GPU并行计算相关技术 | 第14-23页 |
| 2.1 GPU硬件组织方式 | 第14页 |
| 2.2 CUDA中的运行单元 | 第14-16页 |
| 2.3 GPU内存结构 | 第16-17页 |
| 2.4 基于CUDA C/C++基础编程 | 第17-22页 |
| 2.4.1 主机代码以及设备编码 | 第17页 |
| 2.4.2 核函数 | 第17-19页 |
| 2.4.3 内存操作 | 第19-22页 |
| 2.4.4 CUDA代码优化 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 机器学习中的分类算法与聚类算法 | 第23-32页 |
| 3.1 机器学习分类算法 | 第24-28页 |
| 3.1.1 KNN算法 | 第25-26页 |
| 3.1.2 决策树算法 | 第26-28页 |
| 3.2 机器学习聚类算法 | 第28-31页 |
| 3.2.1 k-means聚类算法 | 第28-29页 |
| 3.2.2 DBScan聚类算法 | 第29-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第四章 基于CUDA的机器学习分类算法 | 第32-46页 |
| 4.1 KNN算法的并行化方案 | 第32-36页 |
| 4.1.1 利用CUDA进行距离计算 | 第32-34页 |
| 4.1.2 利用CUDA进行排序 | 第34-36页 |
| 4.1.3 处理多个未知对象的情况 | 第36页 |
| 4.2 决策树算法的并行化方案 | 第36-44页 |
| 4.2.1 数据结构 | 第38-39页 |
| 4.2.2 属性列表的分割 | 第39-41页 |
| 4.2.3 决策树算法的并行化 | 第41-43页 |
| 4.2.4 决策树CUDA并行化整体流程 | 第43-44页 |
| 4.3 通用GPU计算在分类算法中的研究 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于CUDA的机器学习聚类算法 | 第46-59页 |
| 5.1 k-means算法的并行化方案 | 第46-50页 |
| 5.1.1 利用CUDA计算其余样本到质心的距离 | 第47-48页 |
| 5.1.2 利用CUDA更新质心 | 第48-50页 |
| 5.1.3 性能优化 | 第50页 |
| 5.2 DBScan算法的并行化方案 | 第50-56页 |
| 5.2.1 DBScan聚类算法并行化分析 | 第52-53页 |
| 5.2.2 基于CUDA将DBScan距离计算并行化 | 第53-54页 |
| 5.2.3 使用CUDA构建原始簇 | 第54页 |
| 5.2.4 合并原始簇 | 第54-55页 |
| 5.2.5 DBScan算法GPU并行化整体流程 | 第55-56页 |
| 5.3 通用GPU计算在聚类算法中的研究 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 KNN和K-MEANS算法的实现与应用 | 第59-69页 |
| 6.1 KNN算法的实现与性能分析 | 第59-62页 |
| 6.2 K-MEANS算法的实现与性能分析 | 第62-64页 |
| 6.3 机器学习算法利用CUDA加速在实际工程中的应用 | 第64-68页 |
| 6.4 本章小结 | 第68-69页 |
| 第七章 总结与展望 | 第69-70页 |
| 6.1 全文总结 | 第69页 |
| 6.2 后续工作展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 攻读研究生期间的成果 | 第71-72页 |
| 参考文献 | 第72-75页 |
