基于众核的聚类算法并行化研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第10-15页 |
| 1.0 研究背景及意义 | 第10-11页 |
| 1.1 国内外研究及发展状况 | 第11-13页 |
| 1.1.1 K-means算法研究现状 | 第11页 |
| 1.1.2 密度峰值聚类算法研究现状 | 第11-13页 |
| 1.2 主要研究内容与工作 | 第13页 |
| 1.3 本文的组织结构 | 第13-15页 |
| 2 众核平台与聚类分析 | 第15-27页 |
| 2.1 基于CUDA架构的GPU通用计算 | 第15-19页 |
| 2.1.1 CUDA编程模型 | 第15-17页 |
| 2.1.2 CUDA执行模型 | 第17-18页 |
| 2.1.3 CUDA存储器模型 | 第18-19页 |
| 2.2 基于CUDA的并行优化技术 | 第19-22页 |
| 2.2.1 并行规约 | 第19-21页 |
| 2.2.2 存储器合并技术 | 第21-22页 |
| 2.3 聚类算法概述 | 第22-25页 |
| 2.3.1 基于划分的聚类算法 | 第23页 |
| 2.3.2 基于层次的聚类算法 | 第23-24页 |
| 2.3.3 基于密度的聚类算法 | 第24页 |
| 2.3.4 基于网格的聚类算法 | 第24-25页 |
| 2.3.5 群体智能聚类算法 | 第25页 |
| 2.4 聚类评价指标 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 K-means聚类算法改进与并行化 | 第27-39页 |
| 3.1 K-Means聚类算法简介 | 第27-28页 |
| 3.1.1 K-means聚类算法思想 | 第27页 |
| 3.1.2 K-Means聚类算法存在的问题 | 第27-28页 |
| 3.2 初始类簇中心选择的改进 | 第28-30页 |
| 3.3 基于GPU的K-means算法并行化 | 第30-34页 |
| 3.3.1 并行化分析 | 第30-31页 |
| 3.3.2 并行化设计 | 第31-32页 |
| 3.3.3 并行化实现 | 第32-34页 |
| 3.4 实验结果与分析 | 第34-38页 |
| 3.4.1 实验环境 | 第34页 |
| 3.4.2 实验数据集 | 第34页 |
| 3.4.3 初始类簇中心选择实验 | 第34-36页 |
| 3.4.4 K-means算法并行化实验 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 密度峰值聚类算法改进与并行化 | 第39-60页 |
| 4.1 密度峰值聚类算法简介 | 第39-42页 |
| 4.1.1 DPC聚类算法思想 | 第39-41页 |
| 4.1.2 DPC聚类算法存在的问题 | 第41-42页 |
| 4.2 密度峰值聚类算法改进 | 第42-49页 |
| 4.2.1 局部密度计算改进 | 第42-43页 |
| 4.2.2 类簇中心选择改进 | 第43-45页 |
| 4.2.3 类合并策略 | 第45-47页 |
| 4.2.4 算法的主要流程和步骤 | 第47-49页 |
| 4.3 基于GPU的DPC聚类算法并行化 | 第49-53页 |
| 4.3.1 DPC聚类算法并行化分析 | 第49页 |
| 4.3.2 并行化设计 | 第49-51页 |
| 4.3.3 并行化实现 | 第51-53页 |
| 4.4 实验结果与分析 | 第53-59页 |
| 4.4.1 实验环境 | 第54页 |
| 4.4.2 实验数据集 | 第54页 |
| 4.4.3 选择类簇中心实验 | 第54-56页 |
| 4.4.4 改进的DPC聚类算法聚类实验 | 第56-57页 |
| 4.4.5 改进的DPC聚类算法并行化实验 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-62页 |
| 5.1 本文总结 | 第60页 |
| 5.2 未来展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67页 |
