基于GPU的并行SVM算法的改进及其应用
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题的研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 支持向量机分类算法研究现状 | 第10-14页 |
| 1.2.2 基于GPU的并行SVM研究现状 | 第14-16页 |
| 1.3 本文所做的工作 | 第16页 |
| 1.4 论文内容的组织 | 第16-17页 |
| 第二章 GPU并行计算及SVM算法 | 第17-31页 |
| 2.1 GPU技术概述 | 第17-22页 |
| 2.1.1 GPU的发展 | 第17-19页 |
| 2.1.2 CUDA并行编程 | 第19-22页 |
| 2.2 支持向量机算法 | 第22-30页 |
| 2.2.1 SVM原理 | 第22-27页 |
| 2.2.2 SVM训练算法 | 第27-28页 |
| 2.2.3 SVM参数优化算法 | 第28-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 基于GPU的并行训练算法及改进 | 第31-49页 |
| 3.1 基于GPU的并行训练算法：P2SMO | 第31-39页 |
| 3.1.1 SMO算法 | 第31-34页 |
| 3.1.2 P2SMO算法 | 第34-36页 |
| 3.1.3 P2SMO算法在GPU上的实现 | 第36-39页 |
| 3.2 P2SMO算法改进 | 第39-43页 |
| 3.2.1 改进核函数缓存表访问策略 | 第39-41页 |
| 3.2.2 改进收敛条件 | 第41-43页 |
| 3.2.3 改进的P2SMO算法流程 | 第43页 |
| 3.3 实验与分析 | 第43-48页 |
| 3.3.1 实验平台 | 第43-44页 |
| 3.3.2 数据集 | 第44-45页 |
| 3.3.3 实验结果与分析 | 第45-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于GPU的SVM参数优化算法改进 | 第49-61页 |
| 4.1 GPU_GS算法设计与分析 | 第49-52页 |
| 4.1.1 GS算法 | 第49-50页 |
| 4.1.2 GPU_GS算法 | 第50-52页 |
| 4.2 GPU_PSO算法设计与分析 | 第52-57页 |
| 4.2.1 PSO算法 | 第52-55页 |
| 4.2.2 GPU_PSO算法 | 第55-57页 |
| 4.3 实验与分析 | 第57-59页 |
| 4.4 本章小结 | 第59-61页 |
| 第五章 并行SVM建模在入侵检测中的应用 | 第61-70页 |
| 5.1 入侵检测原理 | 第61-63页 |
| 5.2 基于GPU_SVM的入侵检测 | 第63-69页 |
| 5.2.1 实验数据描述 | 第63-65页 |
| 5.2.2 实验环境 | 第65页 |
| 5.2.3 数据预处理 | 第65-66页 |
| 5.2.4 实验结果与分析 | 第66-69页 |
| 5.3 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-71页 |
| 6.1 本文工作总结 | 第70页 |
| 6.2 研究展望 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76-77页 |
| 作者简介 | 第77页 |
