| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 选题背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 论文内容 | 第18页 |
| 1.4 论文章节安排 | 第18-21页 |
| 第二章 聚类分析和CUDA平台 | 第21-35页 |
| 2.1 聚类分析技术 | 第22-29页 |
| 2.1.1 聚类分析的定义 | 第22-25页 |
| 2.1.2 聚类分析的方法 | 第25-29页 |
| 2.2 CUDA平台介绍 | 第29-33页 |
| 2.2.1 GPU并行 | 第29-31页 |
| 2.2.2 CUDA编程模型 | 第31-32页 |
| 2.2.3 CUDA存储器模型 | 第32-33页 |
| 2.3 本章小结 | 第33-35页 |
| 第三章 CUDA并行技术及优化 | 第35-45页 |
| 3.1 CUDA并行准备 | 第35-38页 |
| 3.1.1 并行、串行在GPU/CPU上的问题分解 | 第35-36页 |
| 3.1.2 多维数组转一维数组 | 第36-37页 |
| 3.1.3 循环裂变和循环交换技术 | 第37-38页 |
| 3.2 CUDA并行实施 | 第38-39页 |
| 3.3 CUDA并行优化 | 第39-43页 |
| 3.3.1 存储器策略 | 第39-40页 |
| 3.3.2 数据的预读取 | 第40-41页 |
| 3.3.3 临时数组的变量化 | 第41-42页 |
| 3.3.4 计算精度 | 第42页 |
| 3.3.5 参数调整 | 第42-43页 |
| 3.4 其他优化措施 | 第43-44页 |
| 3.4.1 指令混合的优化 | 第43页 |
| 3.4.2 使用硬件数学函数 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 K-means聚类算法优化设计 | 第45-59页 |
| 4.1 K-means初始聚类中心的改进 | 第45-49页 |
| 4.1.1 基于距离选择聚类中心的K-means | 第46-47页 |
| 4.1.2 实验分析 | 第47-49页 |
| 4.2 基于CUDA的并行K-means的改进 | 第49-57页 |
| 4.2.1 K-means并行化分析 | 第50-51页 |
| 4.2.2 基于CUDA的并行K-means算法流程 | 第51-52页 |
| 4.2.3 基于CUDA的并行K-means算法实现 | 第52-55页 |
| 4.2.4 实验分析 | 第55-57页 |
| 4.3 本章小结 | 第57-59页 |
| 第五章 DBSCAN聚类算法优化设计 | 第59-65页 |
| 5.1 DBSCAN并行化分析 | 第59-60页 |
| 5.2 基于CUDA的并行DBSCAN算法流程 | 第60-61页 |
| 5.3 基于CUDA的并行DBSCAN算法实现 | 第61-62页 |
| 5.4 实验分析 | 第62-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 总结和展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |
