الگوریتم خوشه بندی مبتنی بر موجک موازی روی GPU ها با استفاده از CUDA و مقایسه دو روش فرکانس پایین و نشانه گذاری جزء متصل

در جامعه ی مهندسی کامپیوتر و جامعه ی علمی، توجه زیادی به رشد سریع کارهای مبتنی بر CUP در واحدهای پردازش گرافیکی (GPU ها) با توسعه ی GPU های چندهسته ای شده است چرا که پهنای باند حافظه و قدرتمحاسباتی بالایی دارند. آنالیز کلاستر یک تکنیک فراگیر برای گروه بندی مجموعه ای از اشیا در کلاس های اشیای مشابه می باشد و در رشته های زیادی مانند داده های معدن کاوی، بیوانفورماتیک و تشخیص الگو به طور وسیع به کارمی رود. موج کلاستر، مفهوم کلاستر را به عنوان یک ناحیه ی متراکم تعریف می کند که شامل اجزای متصل به هم درفضای ویژگی تبدیل می باشد. در این پژوهش، پیاده سازی الگوریتم موج کلاستر را به عنوان یک روش خوشه بندیجدید براساس تبدیل موجک روی موازی سازی سطح GPU ارایه می کند و کارکرد موازی برای مجموعه های داده ی مکانی بسیار بزرگ را مورد بررسی قرار می دهد. پیاده سازی CUDA مربوط به دو زیرالگوریتم روش موج کلاستر؛ به نام های استخراج مولفه ی فرکانس پایین از سیگنال با استفاده از تبدیل موجک و نشانه گذاری مولفه ی متصل ارایه شدهاست. سپس، ارزیابی کارکرد مربوط به هر یک از این زیرالگوریتم ها گزارش داده می شود. پس از پیاده سازی تبدیلموجک روش تقسیم و غلبه و پس از روش پنجره ی لغزان چندمسیره، پیاده سازی روش نشانه گذاری جزء متصل می آید.در استخراج مولفه ی فرکانس پایین ماکزیمم سرعت به دست آمده در هسته ی 107x و در محاسبه ی نشانه گذاری جزء متصل، هسته ی 6x بوده است، البته باید توجه داشت که الگوریتم ها به صورت ترتیبی روی CPU اجرا می شود.

کلیدواژه ها:

محاسبه ی CUDA ، GPU ، آنالیز کلاستر ، الگوریتم موج کلاستر