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

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

خوشه بندی، خوشه بندی K-means ، CUDA ، GPU ، الگوریتم های موازی، MATLAB