RSOM树并行算法研究

论文摘要

针对大数据集聚类方法研究是聚类技术发展的方向，已有的聚类算法在应用中大都存在聚类效率低、可扩展性差等问题，无法适应复杂空间聚类问题的要求，因此研究能适应复杂数据空间的聚类算法显得尤为重要。RSOM网络树具有分布式存储结构，并能根据判别准则进行生长，可有效地适应于海量数据的情况，并可采用并行计算技术提高算法效率。 本文以RSOM网络树算法原理为基础，根据RSOM网络树的层次性分布式结构特点，利用基于SMP系统的多线程技术设计并实现了RSOM聚类树的并行训练算法和并行识别算法。文中用雷达目标识别数据集和字母识别数据集对基于SMP系统多线程技术的RSOM网络树并行算法进行了测试，测试结果表明，算法相对于左序遍历算法的单线程计算在性能上有了显著提高。 另外，利用基于网络计算机的并行计算技术，本文设计了基于网络集中式调度的RSOM并行算法和分布式调度的RSOM并行算法，这两种算法都可以通过将RSOM树的多个节点在多台计算节点上训练实现RSOM树的并行生长。文中指出，基于分布式调度的RSOM并行算法相对于基于集中式调度的RSOM并行算法来说，其通信延迟要小得多，分布式调度的并行算法的加速比将得到有效提高，因而后者算法的效率将比前者高得多。

论文目录

• 目录
• 图目录
• 表目录
• 摘要
• ABSTRACT
• 第一章 绪论
• §1.1 论文研究背景
• §1.2 数据聚类研究现状
• §1.3 并行计算技术研究现状
• §1.3.1 并行计算机、并行计算软件环境及分布式并行计算系统
• §1.3.2 并行算法
• §1.4 论文主要工作
• 第二章 聚类树
• §2.1 聚类树模型
• §2.2 聚类分解
• §2.2.1 数据聚类
• §2.2.2 用k-means算法划分聚类
• §2.2.3 用SOM网络划分聚类
• §2.3 小结
• 第三章 基于SMP系统多线程的RSOM并行算法
• §3.1 SMP-PC并行处理系统
• §3.2 多线程程序设计的模型
• §3.3 基于SMP系统的RSOM并行算法
• §3.3.1 基本定义
• §3.3.2 RSOM并行训练算法
• §3.3.3 RSOM并行识别算法
• §3.4 试验分析
• §3.4.1 雷达目标识别数据集测试
• §3.4.2 字母识别数据集测试
• §3.5 小结
• 第四章 RSOM分布式并行算法设计
• §4.1 网络分布计算
• §4.1.1 硬件概念
• §4.1.2 软件概念
• §4.2 基于网络集中式调度的RSOM并行算法设计
• §4.2.1 控制节点对状态表的设置
• §4.2.2 控制节点任务调度
• §4.3 基于网络分布式调度的RSOM并行算法设计
• §4.4 小结
• 第五章 结束语
• 致谢
• 参考文献
• 作者在学期间取得的学术成果