一种利用工作站群集的并行计算研究方案

提出一种利用工作站群集的并行计算研究方案,即在现有的局域网基础上构建PC群集,为相关科学研究提供并行计算平台．分析了编程环境,并给出了一个求π的MPI程序实例。     

GPU加速模拟混合自旋的Ising模型

基于传统的Monte Carlo方法,利用CUDA(compute unified device architecture)技术,在GPU上分别模拟了正方晶格,三角晶格上较为复杂的不同浓度比的混合(自旋S=1和S=1/2)Ising模型,获得了不同浓度比的临界温度K c以及临界指数y t、y h。与同时期的CPU算法相比,基于GPU的并行模拟算法大大提高了算法效率,对于尺寸为1 024×1 024的混合自旋的Ising模型,在正方晶格上实现了40倍的加速比,在三角晶格上实现了41倍的加速比。     

用于光线跟踪的高并行度表面积启发式(SAH)KD树构建

提出一种用于光线跟踪的SAH-KD树构建方法,解决当前KD树并行算法并行度不高且效率低的问题.算法首先对所有图元包围盒在三个维度按坐标轴左值排序,得到三维上有序的包围盒索引.然后使用层次遍历构建KD树,根据每个节点包围盒选择要划分的维度,并在当前层生成所有节点在该维度下的候选划分点序列.最后计算每个节点的空间树,在GPU中计算每个候选点的SAH值,选择每个节点的最小SAH值点进行划分.实验中采用4个常用场景进行测试算法性能,并同时比较了当前高效串行与并行算法,结果证明本文提出的算法在生成同等质量KD树的情况下达到对比串行方法4~6倍以及对比并行方法的1.3~1.5倍的计算速度,并且能在线程数成倍增加时达到相近倍数的加速比.     

信息与计算科学专业并行计算人才培养模式研究与实践

论述了在信息与计算科学专业开展并行计算人才培养的必要性,明确人才培养定位,设计并行计算系列课程,介绍了课程主要内容及人才培养情况.实践证明,该并行计算人才培养模式是可行的.     

改进的空间体素融合方法及其在线重建

目前,随着深度传感器的更新发展,使得三维重建的在线方法得以实现.在线重建的难点在于如何能够在保证较好的重建效果和重建规模的前提下,实时地将多个动态重叠深度图转化成一个三维模型.针对这一问题,本文算法基于空间索引策略构建了一种存取高效的空间体素数据结构,改进了传统体积融合方法中的规则分层网格数据结构,对隐含表面数据进行实时存取与更新的同时,实现大尺度的在线三维重建.这些表面数据仅在观测时存储,并且高效地流入和流出索引表,实现了传感器运动过程中的在线场景重建.算法通过在GPU(Graphics Processing Pipeline)上完成深度图预处理,摄像姿态估计,深度图融合和表面绘制几个核心阶段,实现对细粒度的细节和大尺度的环境进行交互式实时重建.通过实验表明,改进后的重建系统能够在保证重建质量与重建性能的同时,平均重建时间为21.6ms,ICP姿态估计15次,用时8.0ms,平均帧绘制速率提高13.3%,实现了对大尺度场景的实时三维重建.     

基于GPU的多尺度Retinex图像增强算法实现

为提高多尺度Retinex算法的实时性,本文提出了基于GPU的多尺度Retinex图像增强算法,通过对算法进行数据分析和并行性挖掘,将高斯滤波、卷积和对数差分等计算量非常耗时的模块放到GPU中,利用大规模并行线程处理来提高效率。在GeForce GTX 480和CUDA 5.5中进行实验,结果表明该算法能显著提高计算速度,且随着图像分辨率的增加,最大加速比达160倍。     

并行计算在词袋模型算法中的应用

传统词袋模型已广泛地应用于图像处理领域,并取得较好效果.但在传统词袋模型中,仅考虑了串行计算,使得整个算法流程耗时较长.考虑现有的多核CPU资源,结合共享存储并行编程(OpenMP)并行框架,对词袋模型进行并行优化,并对其性能进行讨论.主要考虑对特征提取、特征聚类和图像直方图生成三个部分进行并行优化.通过对Caltech 100数据库进行实验,结果表明,该方法可以取得接近于CPU核数的加速比,因此减少了词袋模型的构造和图像直方图生成时间,相对于传统词袋方法提高了算法的效率.     

GPU加速的高超声速目标双通道IMM跟踪算法

提出一种改进的双通道交互多模型(IMM)算法,使用x和y维残差的边缘分布独立表征预测误差的似然函数,使滤波模型在不同维度与目标运动中分别匹配.首先分析了残差-似然函数-模型概率更新之间的映射关系,证明算法的可行性和有效性,然后引入图形处理器(GPU)并行运算平台,设计了通道级-模型级嵌入式并行方案,提高算法的实时性.仿真表明:相比于传统基于CPU平台下的IMM算法,该算法预测误差与真实噪声似然分布契合度更高、实时性更强、跟踪误差更小.     

证据理论的并行计算方法

针对证据理论在应用中计算量大的问题,给出了证据理论的并行计算方法模型。该模型分为3层:输入层、融合层、输出层,输入层接受证据的输入,融合层完成两个证据的融合,输出层完成证据融合之后的归一化输出。该模型的融合结果与Dempster方法的结果相一致,并保持了Dempster合成规则中的"交换律"。实验表明本文所给出的模型能够提高证据理论的融合速度。