模式识别的算法加速器关键技术研究
| 摘要 | 第1-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第12-17页 |
| ·课题应用背景 | 第12-13页 |
| ·课题技术背景 | 第13-15页 |
| ·硬件加速概述 | 第13-14页 |
| ·FPGA 概述 | 第14-15页 |
| ·课题研究内容 | 第15页 |
| ·论文结构 | 第15-17页 |
| 第二章 并行聚类算法的加速器关键技术 | 第17-33页 |
| ·聚类算法 | 第17-18页 |
| ·聚类算法概述 | 第17页 |
| ·算法应用与研究现状 | 第17-18页 |
| ·K-means 算法 | 第18-21页 |
| ·算法原理 | 第18-20页 |
| ·算法步骤 | 第20页 |
| ·算法特征分析 | 第20-21页 |
| ·硬件并行K-means 算法 | 第21-30页 |
| ·体系结构设计 | 第21-23页 |
| ·Preprocessor 整体设计 | 第23-25页 |
| ·PE 整体设计 | 第25-27页 |
| ·Preprocessor 子模块设计 | 第27-28页 |
| ·PE 子模块设计 | 第28-30页 |
| ·性能分析 | 第30-32页 |
| ·实验环境 | 第30-31页 |
| ·FPGA 资源利用 | 第31页 |
| ·与单CPU 平台的软件比较 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 并行支持向量机算法加速器关键技术 | 第33-49页 |
| ·SVM 算法简介 | 第33-38页 |
| ·用于分类的SVM 算法 | 第33-35页 |
| ·用于回归的SVM 算法 | 第35-37页 |
| ·非线性SVM 算法 | 第37-38页 |
| ·SVM 训练算法发展现状 | 第38-40页 |
| ·训练算法的发展 | 第38-39页 |
| ·训练算法硬件实现研究现状 | 第39-40页 |
| ·硬件并行SVM 算法 | 第40-46页 |
| ·体系结构设计 | 第41-42页 |
| ·PE 整体设计 | 第42-44页 |
| ·PE 模块设计 | 第44-46页 |
| ·性能分析 | 第46-48页 |
| ·实验平台 | 第46-47页 |
| ·FPGA 资源利用 | 第47-48页 |
| ·与单CPU 平台比较 | 第48页 |
| ·本章小结 | 第48-49页 |
| 第四章 并行遗传算法加速器关键技术 | 第49-61页 |
| ·遗传算法的生物学基础 | 第49-50页 |
| ·遗传与变异 | 第49-50页 |
| ·模拟生物进化模型 | 第50页 |
| ·遗传算法的基本操作及流程 | 第50-54页 |
| ·基本操作 | 第50-53页 |
| ·运行参数 | 第53页 |
| ·算法流程 | 第53-54页 |
| ·并行遗传算法 | 第54-56页 |
| ·同步主仆式 | 第54-55页 |
| ·异步并发式 | 第55页 |
| ·网络式 | 第55-56页 |
| ·硬件并行遗传算法 | 第56-60页 |
| ·体系结构设计 | 第56-57页 |
| ·PE 整体设计 | 第57-58页 |
| ·PE 模块设计 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 人工神经网络并行算法加速器关键技术 | 第61-72页 |
| ·人工神经网络 | 第61-63页 |
| ·人工神经网络概述 | 第61-62页 |
| ·人工神经元理论模型 | 第62-63页 |
| ·神经网络模型 | 第63页 |
| ·反向传播算法 | 第63-66页 |
| ·算法介绍 | 第64-66页 |
| ·算法步骤 | 第66页 |
| ·硬件并行BP 算法 | 第66-70页 |
| ·体系结构设计 | 第67-68页 |
| ·PE 模块设计 | 第68-70页 |
| ·本章小结 | 第70-72页 |
| 第六章 结束语 | 第72-73页 |
| ·工作总结 | 第72页 |
| ·进一步的工作 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 作者在学期间取得的学术成果 | 第77页 |
