| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景和意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.3 主要研究内容 | 第17-18页 |
| 1.4 本文主要工作和安排 | 第18-19页 |
| 第二章 并行编程技术及并行进化算法研究 | 第19-25页 |
| 2.1 并行计算设备 | 第19-21页 |
| 2.1.1 GPU | 第19-21页 |
| 2.1.2 MIC | 第21页 |
| 2.2 OpenCL | 第21-23页 |
| 2.3 OpenMP | 第23-24页 |
| 2.4 并行进化算法 | 第24-25页 |
| 第三章 基于免疫优势克隆理论的并行图像纹理特征选择算法 | 第25-47页 |
| 3.1 引言 | 第25-27页 |
| 3.1.1 特征选择问题 | 第25-26页 |
| 3.1.2 图像纹理 | 第26-27页 |
| 3.2 免疫优势克隆选择算法 | 第27-31页 |
| 3.2.1 免疫优势克隆理论 | 第27-28页 |
| 3.2.2 免疫优势克隆选择算法的实现 | 第28-31页 |
| 3.3 主从式模型PICSA | 第31-35页 |
| 3.4 基于多GPU岛式模型PICSA | 第35-36页 |
| 3.5 实验结果与分析 | 第36-45页 |
| 3.5.1 实验环境 | 第36-37页 |
| 3.5.2 实验数据集 | 第37-38页 |
| 3.5.3 实验结果与分析 | 第38-40页 |
| 3.5.4 单GPU-MSPICSA加速性能分析 | 第40-41页 |
| 3.5.5 双GPU-IMPICSA加速性能分析 | 第41-43页 |
| 3.5.6 可移植性分析 | 第43-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 基于邻域信息的并行粒子群聚类SAR图像变化检测算法 | 第47-65页 |
| 4.1 引言 | 第47-48页 |
| 4.2 基于邻域信息的并行粒子群聚类算法 | 第48-52页 |
| 4.2.1 粒子群算法 | 第48-49页 |
| 4.2.2 FLICM | 第49-50页 |
| 4.2.3 PSOCLI | 第50-52页 |
| 4.3 PPSOCLI并行设计 | 第52-55页 |
| 4.3.1 基于OpenCL的PPSOCLI并行算法设计 | 第52-54页 |
| 4.3.2 基于OpenMP的PPSOCLI并行算法设计 | 第54-55页 |
| 4.4 实验结果与分析 | 第55-62页 |
| 4.4.1 实验环境 | 第55页 |
| 4.4.2 实验评价标准 | 第55页 |
| 4.4.3 实验数据集 | 第55-57页 |
| 4.4.4 实验结果与分析 | 第57-59页 |
| 4.4.5 并行算法加速性能分析 | 第59-61页 |
| 4.4.6 OpenMP加速性能分析 | 第61-62页 |
| 4.5 本章小结 | 第62-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 本文总结 | 第65页 |
| 5.2 研究展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-75页 |
| 作者简介 | 第75-76页 |
