Parallel implementation proposal of clustering algorithms in hardware
Este trabalho apresenta um estudo sob algoritmos de clusterização de dados implementados em hardware dedicado para aplicações em geral, objetivando aumentar a velocidade de processamento. Algoritmos de clusterização têm sido amplamente adotados para encontrar a padrões entre dados, em diferentes ár...
Na minha lista:
Autor principal: | |
---|---|
Outros Autores: | |
Formato: | doctoralThesis |
Idioma: | pt_BR |
Publicado em: |
Universidade Federal do Rio Grande do Norte
|
Assuntos: | |
Endereço do item: | https://repositorio.ufrn.br/handle/123456789/31003 |
Tags: |
Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
|
Resumo: | Este trabalho apresenta um estudo sob algoritmos de clusterização de dados implementados em hardware dedicado para aplicações em geral, objetivando aumentar a velocidade de processamento. Algoritmos de clusterização têm sido amplamente adotados
para encontrar a padrões entre dados, em diferentes áreas. No entanto, estes algoritmos
normalmente implicam em uma alta complexidade de processamento e, além disso, a
quantidade de dados armazenados atualmente é massiva. Sendo assim, a necessidade de
processamento de dados com alto throughput tornou-se ainda mais importante, especialmente para aplicações em tempo real. Uma solução que foi adotada para aumentar a
velocidade de processamento é o uso de técnicas paralelas implementadas em hardware
dedicado, que provou ser mais eficiente em comparação com sistemas sequenciais. Logo,
este trabalho propõe a implementação totalmente paralela dos algoritmos de clusterização de dados em hardware para otimizar o tempo de processamento dos sistemas em
diversas áreas, possibilitando aplicações para sistemas com quantidade massiva de dados.
Uma nova proposta de implementação dos algoritmos de clusterização K-means e SelfOrganising Map são apresentadas, juntamente a análises dos resultados relacionados ao
throughput e o recurso de hardware para diferentes parâmetros, mostrando um aumento
na velocidade de processamento de milhões de pontos de dados e neurônios atualizados
por segundo. As implementações apresentadas aqui apontam para uma nova direção associada a implementação de algoritmos de clusterização e poderá ser utilizada em outros
algoritmos. |
---|