| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题的研究背景 | 第8-9页 |
| 1.2 雷达信号分选算法及国内外研究现状 | 第9-12页 |
| 1.3 本课题的研究内容 | 第12-13页 |
| 1.4 本文的章节安排 | 第13-15页 |
| 第2章 基于Fast-ICA的K-Means分选算法原理 | 第15-28页 |
| 2.1 雷达信号分选概述 | 第15-17页 |
| 2.1.1 雷达信号分选参数 | 第16-17页 |
| 2.2 Fast-ICA算法原理与实现 | 第17-22页 |
| 2.2.1 Fast-ICA分选算法原理及实现 | 第19-22页 |
| 2.3 K-Means聚类算法原理与实现 | 第22-25页 |
| 2.3.1 K-Means聚类分选算法原理及实现 | 第22-25页 |
| 2.4 基于Fast-ICA的K-Means算法原理与实现 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 GPGPU软硬件模型 | 第28-37页 |
| 3.1 GPGPU硬件模型 | 第28-30页 |
| 3.1.1 GPGPU硬件架构 | 第28-29页 |
| 3.1.2 GPGPU逻辑结构 | 第29-30页 |
| 3.2 GPU软件模型-CUDA | 第30-35页 |
| 3.2.1 CUDA存储器模型 | 第30-31页 |
| 3.2.2 CUDA编程模型 | 第31-33页 |
| 3.2.3 CUDA软件体系 | 第33-35页 |
| 3.3 CUDA库函数与性能优化 | 第35-36页 |
| 3.3.1 CUDA库函数 | 第35页 |
| 3.3.2 CUDA程序性能优化 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于Fast-ICA的K-Means算法并行设计 | 第37-47页 |
| 4.1 Fast-ICA分选算法并行设计与实现 | 第37-40页 |
| 4.2 K-Means聚类分选算法并行设计与实现 | 第40-44页 |
| 4.3 基于Fast-ICA的均值聚类分选算法的设计与实现 | 第44-46页 |
| 4.3.1 硬件设备参数 | 第44-45页 |
| 4.3.2 基于Fast-ICA的聚类信号分选算法并行实现 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 并行信号分选算法功能测试与分析 | 第47-60页 |
| 5.1 雷达分选信号环境模型仿真 | 第47-49页 |
| 5.1.1 并行硬件平台 | 第47页 |
| 5.1.2 雷达脉冲信号建模 | 第47-49页 |
| 5.2 并行的Fast-ICA信号分选算法结果验证与性能分析 | 第49-52页 |
| 5.2.1 并行化的Fast-ICA信号分选算法结果验证 | 第49-51页 |
| 5.2.2 并行Fast-ICA信号分选算法性能分析 | 第51-52页 |
| 5.3 并行的K-Means聚类信号分选算法结果验证与性能分析 | 第52-56页 |
| 5.3.1 并行K-Means聚类信号分选算法结果验证 | 第53-55页 |
| 5.3.2 并行K-Means聚类信号分选算法性能分析 | 第55-56页 |
| 5.4 并行的基于Fast-ICA的K-Means聚类分选算法性能测试 | 第56-59页 |
| 5.5 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66页 |
