چکیده مقاله
یکی از روش های معتبر خوشه بندی، خوشه بندی K means است که بر اساس کمترین فاصله های هر داده ازمرکز یک خوشه میانگین خوشه بندی را انجام می دهد الگوریتم K means دارای یک پارامتر K است که نماینده یتعداد خوشه ها می باشد با توجه به ماهیت ذاتاً موازی بسیاری از الگوریتم های خوشه بندی، می توان ازآنها به خوبی برایاجرا در یک واحد پردازش گرافیکی GPU استفاده کرد به دلیل زمان بر بودن این روش با تغییر تعداد خوشه ها وافزایش سایز تصاویر برای پیاده سازی آن در حالت موازی از معماری CUDA استفاده شد نتایج حاصل از شبیه سازیخوشه بندی تصاویر MRI مغزی با استفاده از خوشه بندی K Means بر روی سخت افزار GPU نشان داد که زمان اجرای این روش در حالت موازی با افزایش سایز تصاویر کاهش یافته و در مقایسه با حالت سریال 26 8 برابر سریعتر می باشد که این نرخ تسریع بدلیل همزمانی اجرای بلاک ها بر روی سخت افزار GPU می باشد
کلیدواژهها
نویسندگان
فرناز حسینی
دانشجوی دکترای تخصصی سیستم های نرم افزاری، دانشگاه آزاد اسلامی رشت
رضا مرادی
دانشجوی دکترای تخصصی هوش مصنوعی و روباتیک، دانشگاه علم و صنعت ایران
خوشنام عبدی قورتولمش
کارشناس ارشد مهندسی سیستم های نرم افزاری، دانشگاه آزاد اسلامی شبستر
شیوه ارجاع
�سینی، فرناز و مرادی، رضا و عبدی قورتولمش، خوشنام،1394،یک راهکارموازی برای خوشه بندی تصاویر MRI مغزی با استفاده از الگوریتم خوشه بندی K- Means و معماری CUDA،کنفرانس بین المللی یافته های نوین پژوهشی درمهندسی برق و علوم کامپیوتر،تهران
ارائهشده در
مجموعه مقالات سومین کنفرانس ملی محاسبات نرم علوم مهندسی در صنعت و جامعه1 اسفند 1402 · ایرانشهر