概率图模型推理算法及其并行化研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 概率图模型推理算法的研究现状 | 第10页 |
| 1.2.2 概率图模型推理算法并行化研究现状 | 第10-11页 |
| 1.3 论文研究内容 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 概率图模型表示和推理算法 | 第13-22页 |
| 2.1 概率图模型的表示 | 第13-16页 |
| 2.1.1 贝叶斯网络结构 | 第13-15页 |
| 2.1.2 马尔可夫网络结构 | 第15-16页 |
| 2.2 概率图模型的推理算法 | 第16-21页 |
| 2.2.1 消元算法 | 第16-19页 |
| 2.2.2 团树传播算法 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 GPU和CUDA计算平台 | 第22-28页 |
| 3.1 图形处理器GPU | 第22-24页 |
| 3.1.1 GPU简介 | 第22-23页 |
| 3.1.2 GPU通用计算简介 | 第23页 |
| 3.1.3 GPU与CPU | 第23-24页 |
| 3.2 CUDA计算平台 | 第24-27页 |
| 3.2.1 CUDA的软件体系结构 | 第24-25页 |
| 3.2.2 CUDA的线程结构 | 第25-26页 |
| 3.2.3 CUDA的编程模型 | 第26-27页 |
| 3.3 本章小结 | 第27-28页 |
| 第四章 基于GPU的概率图模型推理算法并行化 | 第28-43页 |
| 4.1 并行化概率图模型推理算法的关键技术 | 第28-31页 |
| 4.1.1 消元算法中数据的矩阵化存储方式 | 第28-29页 |
| 4.1.2 团树传播算法中数据的矩阵化存储方式 | 第29-31页 |
| 4.2 基于GPU的消元算法节点级并行化 | 第31-34页 |
| 4.2.1 GPU并行变量消除过程 | 第31-33页 |
| 4.2.2 算法整体流程 | 第33-34页 |
| 4.3 基于GPU的团树传播算法节点级并行化 | 第34-37页 |
| 4.3.1 GPU并行和积消息传递部分 | 第35-36页 |
| 4.3.2 算法整体流程 | 第36-37页 |
| 4.4 基于GPU的团树传播算法拓扑级并行化 | 第37-41页 |
| 4.4.1 GPU拓扑级并行下数据存储方式 | 第38-39页 |
| 4.4.2 GPU拓扑级并行化团树传播算法过程 | 第39-41页 |
| 4.4.3 算法整体流程 | 第41页 |
| 4.5 本章小结 | 第41-43页 |
| 第五章 性能测试与结果分析 | 第43-50页 |
| 5.1 测试环境 | 第43页 |
| 5.2 实验数据 | 第43-44页 |
| 5.3 测试方法 | 第44页 |
| 5.4 节点级并行化实验结果与分析 | 第44-47页 |
| 5.4.1 消元算法节点级并行化实验结果 | 第44-45页 |
| 5.4.2 团树传播算法节点级并行化实验结果 | 第45-46页 |
| 5.4.3 节点级并行化实验结果分析 | 第46-47页 |
| 5.5 拓扑级并行化实验结果与分析 | 第47-49页 |
| 5.5.1 团树传播算法拓扑级并行化实验结果 | 第47-48页 |
| 5.5.2 拓扑级并行化实验结果分析 | 第48-49页 |
| 5.6 本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-51页 |
| 6.1 总结 | 第50页 |
| 6.2 展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 论文发表情况 | 第56页 |
