【摘要】： 人們對計算能力的需求是永無止境的。在傳統(tǒng)的單核CPU發(fā)展遇到瓶頸而朝著多核方向發(fā)展的同時,圖形處理器以其強大的運算能力,逐漸進入了人們的視野。通用GPU計算成為一個熱點的研究方向。然而當前的通用GPU計算所應用的領域,仍以圖形圖像處理和三維場景模擬為主。 本文關(guān)注于將GPU應用在數(shù)據(jù)挖掘和機器學習領域的分類算法中。在對GPU的體系結(jié)構(gòu)和性能特點進行研究的基礎上,提出基于GPU的算法設計原則,并以部分典型算法為例,進行了實現(xiàn)和檢驗。具體工作包括以下幾方面: 首先,探討將通用GPU計算應用于分類算法的可行性。經(jīng)分析論證,在大規(guī)模和高維度數(shù)據(jù)集的分類上,應用基于CUDA的GPU運算,如能滿足相應的設計約束,則能取到較好效果。 其次,提出了一種基于GPU的K最近鄰分類算法(GSNN算法)。該算法在距離計算階段提出了一種分塊策略,在最近鄰選擇階段采用了一種評估選擇的方法。這兩個方法都充分利用了GPU的結(jié)構(gòu)特點,發(fā)揮了其運算能力,得到很高的加速比。第三,針對支持向量機算法復雜度較高,難以應用于大樣本分類的問題,提出了GMP-CSVC算法。算法基于序貫最小優(yōu)化方法,在運算過程中,發(fā)揮了GPU的優(yōu)勢,并盡量減少程序分支,取得了較好的效果。 最后,針對SVM分類器的參數(shù)尋優(yōu)過程,提出了基于GPU的GMP-nuSVC算法。算法在參數(shù)尋優(yōu)的訓練階段采用了基于ν-SVM的改進算法、核矩陣緩存調(diào)度方案,在標號判定階段采用了分塊計算方法,從而實現(xiàn)對原始SVM分類算法改進的基礎上,大幅度提升了性能。 本文成功地將圖形處理器應用于數(shù)據(jù)挖掘和機器學習領域的分類算法上,擴大了算法的可計算邊界,大幅度減少了訓練時間,對分類算法的應用和通用GPU計算的算法研究,都有一定的參考價值。
【學位授予單位】：蘇州大學
【學位級別】：碩士
【學位授予年份】：2010
【分類號】：TP332

【參考文獻】

相關(guān)期刊論文 前10條

1 曾志強;吳群;廖備水;朱順痣;;改進工作集選擇策略的序貫最小優(yōu)化算法[J];計算機研究與發(fā)展;2009年11期

2 桂葉晨;馮前進;劉磊;陳武凡;;基于CUDA的雙三次B樣條縮放方法[J];計算機工程與應用;2009年01期

3 李軍;李艷輝;陳雙平;;CUDA架構(gòu)下的快速圖像去噪[J];計算機工程與應用;2009年11期

4 魯為;王樅;;決策樹算法的優(yōu)化與比較[J];計算機工程;2007年16期

5 肖江;胡柯良;鄧元勇;;基于CUDA的矩陣乘法和FFT性能測試[J];計算機工程;2009年10期

6 吳連貴;易瑜;李肯立;;基于CUDA的地震數(shù)據(jù)相干體并行算法[J];計算機應用;2009年03期

7 李建民 ,張鈸 ,林福宗;序貫最小優(yōu)化的改進算法[J];軟件學報;2003年05期

8 吳恩華;圖形處理器用于通用計算的技術(shù)、現(xiàn)狀及其挑戰(zhàn)[J];軟件學報;2004年10期

9 賈華丁;游志勝;王磊;;基于MTC結(jié)構(gòu)的支持向量機并行訓練算法[J];四川大學學報(工程科學版);2007年06期

10 潘麗芳;楊炳儒;;基于簇的K最近鄰(KNN)分類算法研究[J];計算機工程與設計;2009年18期

本文編號：2762525