| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-17页 |
| ·模式识别概述 | 第9页 |
| ·图形处理器通用计算发展概述 | 第9-14页 |
| ·本文的研究意义和主要工作 | 第14-16页 |
| ·论文的组织安排 | 第16-17页 |
| 第二章 Tesla GPU 架构与 CUDA 介绍 | 第17-39页 |
| ·引言 | 第17-18页 |
| ·Tesla 图形与计算架构简介 | 第18-27页 |
| ·统一着色单元 | 第18-20页 |
| ·Tesla GPU 体系架构 | 第20-27页 |
| ·CUDA 概述 | 第27-38页 |
| ·CUDA 编程模型 | 第27-30页 |
| ·CUDA 的存储器模型 | 第30-35页 |
| ·CUDA 的执行模型 | 第35页 |
| ·CUDA API | 第35-36页 |
| ·CUDA C 语言与nvcc 编译器 | 第36-38页 |
| ·小结 | 第38-39页 |
| 第三章 特征子空间法中的奇异值分解 | 第39-46页 |
| ·引言 | 第39页 |
| ·奇异值分解及其性质 | 第39-40页 |
| ·基于奇异值分解的特征子空间目标识别法 | 第40-41页 |
| ·奇异值分解数值算法 | 第41-45页 |
| ·双边雅可比算法 | 第42-44页 |
| ·单边雅可比算法 | 第44-45页 |
| ·小结 | 第45-46页 |
| 第四章 奇异值分解的CUDA 并行实现与优化 | 第46-55页 |
| ·引言 | 第46页 |
| ·基于单边雅可比算法的512×512 矩阵SVD CUDA 实现 | 第46-51页 |
| ·单边雅可比算法在CUDA 上的并行移植分析 | 第46-49页 |
| ·单边雅可比算法的CUDA 实现与测试结果 | 第49-51页 |
| ·单边雅可比算法CUDA SVD 结果分析 | 第51页 |
| ·基于改进SVD 算法的512×512 矩阵SVD CUDA 实现 | 第51-54页 |
| ·一种改进的分块SVD 算法 | 第51-53页 |
| ·基于改进SVD 算法的CUDA 实现与测试结果 | 第53-54页 |
| ·小结 | 第54-55页 |
| 第五章 KFCM 算法与AC 算法在GPU 上的移植研究 | 第55-64页 |
| ·引言 | 第55页 |
| ·KFCM 算法的CUDA 实现 | 第55-59页 |
| ·KFCM 算法 | 第55-57页 |
| ·KFCM 的CUDA 实现与测试结果 | 第57-59页 |
| ·AC 多模式匹配算法的CUDA 实现 | 第59-62页 |
| ·AC 多模式匹配算法 | 第59-61页 |
| ·AC 算法的CUDA 实现与测试结果 | 第61-62页 |
| ·小结 | 第62-64页 |
| 第六章 全文总结 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 在学期间的研究成果 | 第70-71页 |
