摘要 | 第4-5页 |
Abstract | 第5页 |
引言 | 第8-10页 |
1 GPU与数据流 | 第10-22页 |
1.1 GPU通用计算和CUDA架构 | 第10-14页 |
1.1.1 GPU通用计算发展简介 | 第10-13页 |
1.1.2 CUDA编程模型 | 第13-14页 |
1.2 数据流和数据流挖掘 | 第14-18页 |
1.2.1 简介 | 第14-15页 |
1.2.2 描述模型 | 第15页 |
1.2.3 概要数据结构 | 第15-17页 |
1.2.4 挖掘算法 | 第17-18页 |
1.3 GPU处理数据流的研究现状 | 第18-22页 |
1.3.1 数据流处理的挑战 | 第18-19页 |
1.3.2 GPU并行处理数据流的优势 | 第19-20页 |
1.3.3 GPU处理数据流挖掘的研究现状 | 第20-22页 |
2 GPU上数据流处理架构 | 第22-30页 |
2.1 数据的处理架构 | 第22-23页 |
2.2 GPU并行数据流处理架构 | 第23-28页 |
2.3 基于GPU的数据流处理的数据模型 | 第28-29页 |
2.4 本章小结 | 第29-30页 |
3 基于K-means的数据流聚类的并行优化 | 第30-41页 |
3.1 数据流聚类简介 | 第30页 |
3.2 数据流的聚类挖掘的相关工作 | 第30-31页 |
3.3 K-means算法的并行优化 | 第31-34页 |
3.3.1 K-means算法 | 第31-32页 |
3.3.2 K-means算法的并行优化 | 第32-34页 |
3.4 实验和结果 | 第34-40页 |
3.4.1 实验核心代码 | 第34-37页 |
3.4.2 实验数据和环境 | 第37-40页 |
3.4.3 实验结果和分析 | 第40页 |
3.5 本章小结 | 第40-41页 |
4 GPU上基于KCCA的高维数据流关联分析 | 第41-54页 |
4.1 问题概述和相关工作 | 第41-42页 |
4.1.1 高维非平稳数据流的相关性分析的并行化的问题概述 | 第41-42页 |
4.1.2 相关工作 | 第42页 |
4.2 Kernel CCA | 第42-47页 |
4.2.1 高维向量的线性关系 | 第42-44页 |
4.2.2 典型关联性分析(CCA) | 第44-45页 |
4.2.3 Kernel CCA | 第45-47页 |
4.3 并行方法设计 | 第47-50页 |
4.3.1 核矩阵的并行计算 | 第48-49页 |
4.3.2 局部更新策略 | 第49-50页 |
4.4 实验和结果 | 第50-53页 |
4.4.1 实验核心代码 | 第50-51页 |
4.4.2 实验数据和实验环境 | 第51-52页 |
4.4.3 实验结果和分析 | 第52-53页 |
4.5 本章小结 | 第53-54页 |
结论 | 第54-55页 |
参考文献 | 第55-58页 |
攻读硕士学位期间发表学术论文情况 | 第58-59页 |
致谢 | 第59-60页 |