声明
致谢
摘要
1 绪论
1.1 聚类算法及应用概述
1.2 并行技术及发展现状
1.3 论文主要研究内容
1.4 论文组织结构
2 论文相关理论与技术
2.1 聚类算法
2.1.1 基于划分的方法
2.1.2 基于层次的方法
2.1.3 基于密度的方法
2.1.4 基于网格的方法
2.1.5 基于模型的方法
2.2 图形处理器GPU
2.2.1 GPU介绍
2.2.2 CUDA架构
3 基于密度的Density Peaks聚类算法并行化研究
3.1 Density Peaks聚类算法
3.1.1 Density Peaks聚类算法思想
3.1.2 Density Peaks聚类算法存在问题
3.2 Density Peaks聚类算法的改进
3.2.1 密度计算方法改进
3.2.2 距离定义调整
3.2.3 聚类中心决策
3.2.4 改进算法描述
3.3 改进的Density Peaks聚类算法的并行化设计
3.3.1 基于GPU的任务划分
3.3.2 CUDA并行线程模块
3.3.3 距离矩阵存储优化
3.4 实验结果与分析
3.4.1 评价指标
3.4.2 实验环境
3.4.3 实验结果
3.5 小结
4 Density Peaks聚类并行算法在视网膜血管提取中的应用
4.1 视网膜血管分割研究现状简述
4.2 视网膜结构
4.3 视网膜像素特征提取
4.3.1 SWT特征
4.3.2 WLD特征
4.3.3 Gabor响应特征
4.4 针对视网膜血管提取应用的算法设计
4.5 实验结果与分析
4.5.1 实验环境
4.5.2 实验结果
4.6 小结
5 总结与展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集