声明
摘要
CONTENTS
图表目录
主要符号表
1 绪论
1.1 研究背景和意义
1.2 数据流及其并行计算的研究现状
1.2.1 数据流管理系统的研究现状
1.2.2 数据流挖掘的研究现状
1.2.3 基于CPU的数据流并行处理研究现状
1.2.4 基于GPU的数据流并行处理研究现状
1.2.5 GPU通用并行计算对数据流处理的优势
1.3 本文研究内容和章节安排
2 数据流与并行计算的理论基础
2.1 数据流概述
2.1.1 数据流的模型定义
2.1.2 数据流挖掘和数据流管理系统
2.2 基于CPU和GPU的并行计算
2.2.1 并行计算机和模型
2.2.2 CPU上的MPI和OpenMP并行编程
2.2.3 GPU的并行计算技术
3 基于CPU并行技术的Online-HHT数据流预测方法研究
3.1 问题的提出
3.2 Online-HHT方法研究
3.2.1 时间序列数据流
3.2.2 HHT方法介绍
3.2.3 Online-HHT并行处理方法的提出
3.3 基于Online-HHT的数据流预测方法
3.3.1 链式可重写滑动窗口的设计
3.3.2 预测模型中径向基神经网络的确定
3.3.3 Online-HHT数据流预测并行处理方法
3.4 实验结果与分析
3.5 本章小结
4 基于CPU并行遗传算法的近期数据流频繁项集挖掘
4.1 问题的提出
4.2 数据流频繁项的挖掘方法
4.3 嵌套滑动窗口遗传算法及MPI并行设计
4.3.1 NSWGA算法的设计
4.3.2 NSWGA算法分析
4.4 实验结果与分析
4.5 本章小结
5 基于GPU的数据流通用并行计算模型研究
5.1 问题提出
5.2 CUDA并行计算模型
5.2.1 CUDA的线程和内存结构
5.2.2 CUDA的程序执行方式
5.2.3 单指令多线程模式SIMT
5.3 基于GPU的数据流处理通用模型研究
5.3.1 数据流处理模型
5.3.2 基于GPU的数据流处理模型框架
5.3.3 基于GPU的数据流通用处理模型架构详细设计
5.4 通用模型上的单数据流分位数计算方法
5.2.1 概要数据结构的分位数计算方法
5.2.2 GPU上数据流分位数并行维护方法
5.3 实验结果与分析
5.5 本章小结
6 基于GPU的单维多数据流相关性分析并行计算方法
6.1 问题的提出
6.2 基于GPU的多数据流处理框架
6.2.1 多粒度的数据流数据模型
6.2.2 分层的计算框架
6.2.3 单维多数据流并行计算粒度
6.2.4 单维多数据流GPU上并行计算结构
6.3 单维多数据流相关系数并行计算研究
6.3.1 相关性分析的数学模型
6.3.2 基于GPU的单维多数据流相关系数算法流程
6.3.3 单维多数据流的统计量增量并行计算
6.3.4 单维多数据流相关系数的GPU并行算法
6.4 实验结果与分析
6.5 本章小结
7 基于GPU的高维多数据流相关性分析并行计算方法
7.1 问题的提出
7.2 高维多数据流的GPU处理模型
7.2.1 非规则流
7.2.2 基于GPU的高维多数据流处理计算模型
7.2.3 计算模型分析
7.2.4 计算流程设计
7.2.5 并行计算的内核
7.3 高维多数据流相关性分析并行算法的设计
7.3.1 高维数据相关性分析数学基础
7.3.2 高维多数据流相关性分析的算法设计
7.3.3 高维多数据流相关性的GPU并行算法
7.4 实验结果与分析
7.5 本章小结
8 结论与展望
8.1 结论
8.2 展望
参考文献
攻读博士学位期间科研项目及科研成果
致谢
作者简介