| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 引言 | 第8-13页 |
| 研究背景 | 第8-9页 |
| 时间序列数据挖掘的研究背景 | 第9页 |
| 基于图形处理器的高性能计算在数据挖掘领域的研究背景 | 第9-11页 |
| 本文的主要工作和论文组织结构 | 第11-13页 |
| 1 时间序列数据挖掘研究现状 | 第13-26页 |
| ·时间序列概念 | 第13-14页 |
| ·研究现况 | 第14-17页 |
| ·一维时间序列 | 第14页 |
| ·高维时间序列 | 第14-16页 |
| ·数据流时间序列 | 第16-17页 |
| ·时间序列相似性度量概述 | 第17-26页 |
| ·欧氏距离 | 第17-18页 |
| ·Minkowski距离 | 第18-19页 |
| ·字符串编辑距离 | 第19-20页 |
| ·DTW距离 | 第20-22页 |
| ·LCSS距离 | 第22-24页 |
| ·测地线距离 | 第24-26页 |
| 2 基于多核架构的并行数据挖掘研究现状 | 第26-39页 |
| ·多核计算的发展历程 | 第26-29页 |
| ·CPU多核并行 | 第27-28页 |
| ·超级计算机、集群与分布式计算 | 第28页 |
| ·CPU+GPU异构并行 | 第28-29页 |
| ·CUDA架构模型概述 | 第29-34页 |
| ·CUDA的发展历史 | 第29-32页 |
| ·CUDA计算单元 | 第32-33页 |
| ·CUDA中的warp | 第33页 |
| ·CUDA中的执行模型 | 第33-34页 |
| ·基于GPU的并行数据挖掘算法研究现状 | 第34-39页 |
| ·关联规则算法的GPU加速策略 | 第34-36页 |
| ·聚类算法的GPU加速策略 | 第36-37页 |
| ·分类算法的GPU加速策略 | 第37-39页 |
| 3 基于GPU的时间序列相似性并行检索算法研究 | 第39-49页 |
| ·研究背景与意义 | 第39-40页 |
| ·时间序列的相似性检索 | 第40-41页 |
| ·基于GPU的并行时间序列相似性检索算法 | 第41-46页 |
| ·问题研究背景 | 第41-42页 |
| ·Parallel-LCSS算法预定义 | 第42-44页 |
| ·算法原理 | 第44-45页 |
| ·Parallel-LCSS算法执行步骤 | 第45-46页 |
| ·算法优化 | 第46页 |
| ·实验与结果分析 | 第46-49页 |
| ·实验平台 | 第46页 |
| ·实验结果 | 第46-49页 |
| 4 基于GPU的并行数据流时间序列相似性匹配算法 | 第49-63页 |
| ·研究背景与意义 | 第49-50页 |
| ·数据流的相似性匹配 | 第50-53页 |
| ·问题定义 | 第50-52页 |
| ·经典数据流的匹配算法 | 第52-53页 |
| ·数据流挖掘算法并行化可行性分析与处理模型 | 第53-55页 |
| ·数据流挖掘算法的多核并行化可行性分析 | 第53-54页 |
| ·基于GPU的数据流处理模型 | 第54-55页 |
| ·P-LBM数据流相似性检索算法 | 第55-63页 |
| ·算法原理 | 第55-56页 |
| ·算法优化 | 第56-58页 |
| ·P-LBM算法步骤 | 第58-60页 |
| ·实验 | 第60-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表学术论文情况 | 第67-68页 |
| 致谢 | 第68-69页 |