| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-10页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 国内外研究现状 | 第8页 |
| 1.3 论文结构 | 第8-10页 |
| 2 K-means算法与文本聚类的相关技术研究 | 第10-20页 |
| 2.1 文本聚类 | 第10-17页 |
| 2.1.1 文本聚类的预处理 | 第10-11页 |
| 2.1.2 文本聚类特征选择 | 第11-13页 |
| 2.1.3 聚类算法 | 第13-15页 |
| 2.1.4 K-means算法及其改进算法 | 第15-17页 |
| 2.2 基于GPU的并行编程架构 | 第17-19页 |
| 2.2.1 OpenCL编程架构 | 第17页 |
| 2.2.2 CUDA编程架构 | 第17-19页 |
| 2.3 本章小结 | 第19-20页 |
| 3 基于GPU的并行K-means算法的设计与实现 | 第20-36页 |
| 3.1 基于GPU的并行算法设计原则 | 第20-23页 |
| 3.1.1 GPU平台的优势 | 第20-21页 |
| 3.1.2 GPU并行计算的线程优化 | 第21-23页 |
| 3.2 基于GPU并行的改进K-means算法设计 | 第23-30页 |
| 3.2.1 基于距离选择初始簇心的改进K-means算法 | 第23-24页 |
| 3.2.2 基于GPU的并行K-means算法设计 | 第24-30页 |
| 3.3 文本聚类系统的设计与实现 | 第30-35页 |
| 3.3.1 文本数据处理模块 | 第30-34页 |
| 3.3.2 聚类算法模块 | 第34页 |
| 3.3.3 结果输出模块 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 基于GPU的并行K-means算法在文本聚类中的测试 | 第36-44页 |
| 4.1 测试环境与测试数据 | 第36-37页 |
| 4.2 测试结果 | 第37-43页 |
| 4.2.1 算法效率对比 | 第37-38页 |
| 4.2.2 算法精度对比 | 第38-40页 |
| 4.2.3 文本聚类系统测试结果 | 第40-43页 |
| 4.3 本章小结 | 第43-44页 |
| 5 总结和展望 | 第44-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 附录1攻读硕士学位期间参与的项目和发表的论文 | 第49页 |
