基于GPU的并行稀疏譜聚類系統(tǒng)的研究.pdf

1、面對大規(guī)模數(shù)據(jù)的情況，為了緩解譜聚類的計算壓力，利用稀疏表示系數(shù)構(gòu)建相似性矩陣，并將其應用到NJW譜聚類框架中，設計和實現(xiàn)了基于GPU的并行稀疏譜聚類系統(tǒng)。
　　在系統(tǒng)中，使用快速迭代收縮閾值算法（FISTA）和增廣拉格朗日乘子法（ALM）求解L1范數(shù)最小化問題，以獲得稀疏表示系數(shù)?？紤]到FISTA和ALM中的主要運算為矩陣矢量乘，為了提高其性能和效率，基于GPU，提出了兩個新穎的基于GPU的并行矩陣矢量乘。進而，基于這兩個算法，

2、實現(xiàn)了單個和并發(fā)多個L1最小化并行求解器。并且，使用Lanzcos算法求解稀疏對稱的Laplace矩陣的特征問題，并基于ELL稀疏矩陣壓縮格式和GPU，實現(xiàn)了高效的Lanzcos并行迭代器。此外，實現(xiàn)了基于GPU的k-means并行聚類分析器，可用于對降維空間的聚類分析。最后，使用“CUDA模塊”封裝內(nèi)核函數(shù)，實現(xiàn)了系統(tǒng)功能的模塊化，并與MATLAB混編方式實現(xiàn)了系統(tǒng)。
　　實驗結(jié)果表明，系統(tǒng)中設計的各個并行內(nèi)核是有效魯棒的，擁有