摘要 | 第1-6页 |
Abstract | 第6-11页 |
1 绪论 | 第11-23页 |
·引言 | 第11页 |
·增量式聚类分析概述 | 第11-15页 |
·聚类分析 | 第11-13页 |
·增量式聚类分析 | 第13-15页 |
·并行增量式聚类算法与 GPGPU 概述 | 第15-18页 |
·并行计算的需求与 GPGPU 的优势 | 第15-16页 |
·并行增量式聚类算法相关研究现状 | 第16-18页 |
·本文的研究意义 | 第18页 |
·本文研究内容及成果 | 第18-20页 |
·本文章节安排 | 第20-23页 |
2 GPGPU 加速背景下的增量式聚类及相关算法分析 | 第23-41页 |
·引言 | 第23页 |
·增量式聚类分析相关概念的形式化定义 | 第23-25页 |
·GPGPU 加速的并行计算所具有的特点 | 第25-27页 |
·GPGPU 加速的计算机系统存在的并行性 | 第25-26页 |
·GPGPU 友好程序具有的特点 | 第26-27页 |
·增量式聚类及相关算法分析 | 第27-33页 |
·增量式聚类算法精度与 GPGPU 并行性分析 | 第33-39页 |
·逐个数据块处理方式 | 第34-37页 |
·逐个数据点处理方式 | 第37-39页 |
·“聚类精度-GPGPU 并行性”平衡性分析 | 第39-41页 |
3 自顶向下的增量式高斯混合模型聚类算法 | 第41-79页 |
·引言 | 第41页 |
·现有算法的不足 | 第41-45页 |
·聚类模型阶次辨识 | 第41-43页 |
·簇对的统计等价性辨识 | 第43页 |
·等价簇对的合并 | 第43-45页 |
·本章提出的 TDIGMM 算法 | 第45-51页 |
·总体流程 | 第45-46页 |
·近似累计的贝叶斯信息准则 | 第46-48页 |
·具有弹性的簇对统计等价性辨识方法 | 第48-49页 |
·改进的等价簇对合并方法 | 第49-51页 |
·实验及分析 | 第51-77页 |
·算法性能指标 | 第52-53页 |
·实验环境及参数设置 | 第53-54页 |
·输入数据分块方式及数据点次序对 TDIGMM 算法精度的影响 | 第54-57页 |
·精度及并行性分析 | 第57-77页 |
·本章小结 | 第77-79页 |
4 以演进粒度为中心的非参数化增量式聚类算法 | 第79-109页 |
·引言 | 第79页 |
·增量式聚类算法演进粒度分析 | 第79-88页 |
·增量式聚类算法演进粒度相关概念形式化定义 | 第80-81页 |
·演进粒度与错误隶属的关系 | 第81-87页 |
·演进粒度与 GPGPU 并行性的关系 | 第87-88页 |
·本章提出的 EGC 算法 | 第88-93页 |
·基本思路 | 第88页 |
·整体流程 | 第88-91页 |
·生成微型簇的方法 | 第91页 |
·处理微型簇的方法 | 第91-93页 |
·实验及分析 | 第93-108页 |
·算法性能指标 | 第93-95页 |
·实验环境及参数设置 | 第95页 |
·精度及并行性分析 | 第95-108页 |
·本章小结 | 第108-109页 |
5 基于通用计算设备架构(CUDA)优化并行增量式聚类算法 | 第109-123页 |
·引言 | 第109页 |
·并行数据传输 | 第109-112页 |
·CUDA 架构下数据传输的并行性 | 第110-111页 |
·使用流水线模式隐藏数据传输延迟 | 第111-112页 |
·数据重排序——优化 EGC 算法 | 第112-114页 |
·CUDA 的内存层级结构及 GPGPU 全局内存访问模式的特点 | 第112-113页 |
·现有工作及其不足 | 第113页 |
·通过数据重排序优化 EGC 算法 | 第113-114页 |
·数据预读取——优化 TDIGMM 算法 | 第114-117页 |
·现有工作及其不足 | 第114-116页 |
·使用数据预读取优化 TDIGMM 算法 | 第116-117页 |
·实验结果及分析 | 第117-120页 |
·数据并行传输 | 第118-119页 |
·数据重排序 | 第119页 |
·数据预读取 | 第119-120页 |
·本章小结 | 第120-123页 |
6 总结与展望 | 第123-127页 |
·论文工作总结 | 第123-124页 |
·后续工作与发展方向 | 第124-127页 |
参考文献 | 第127-135页 |
致谢 | 第135-137页 |
攻读博士学位期间发表的学术论文和参加科研情况 | 第137-139页 |