k-means是常用的聚类分析算法,在数据挖掘、图片分析、大气污染防治、用户模型分析等诸多领域有着广泛的应用。算法通过分析数据集合内各数据点间距离,将数据集分为若干子集,使得同一子集内数据点间距离小,不同子集的数据点间距离大。为提高算法运算速度,本文基于可重构计算架构对k-means算法的硬件实现进行研究,主要工作包含如下三个方面:1.本文基于可重构计算平台对k-means算法进行硬件设计,采用各子模块共享的存储和运算资源,通过状态机完成不同子模块下存储和运算通路的选通,从而实现资源的高效复用。2.本文采用k-means++聚类中心初始化算法,并完成了基于该初始化算法的硬件设计,从而提高算法聚类效果,并通过可重构的方式,减少初始化运算对资源的额外消耗。3.本文针对各子模块的存储控制逻辑,设计了不同的循环展开方案,减少循环间的流水空隙;针对各子模块的运算控制逻辑,分别设计了支持16/32路并行的计算单元,增加硬件实现的并行度,提高了运算速度。此外,本文还通过UVM和FPGA平台对硬件设计的结果进行验证分析,并对验证的覆盖率和设计的性能进行评估,该设计在FPGA实现下吞吐率约为27.17Gbps,在CMOS 14nm工艺下ASIC实现的吞吐率约为169.8Gbps,较现有工作平均周期数加速比最高可达8.37。