k-means聚类算法的MapReduce并行化实现

针对k-means聚类算法特点,给出了MapReduce编程模型实现k-means聚类算法的方法,Map函数完成每个记录到聚类中心距离的计算并重新标记其属于的新聚类类别,Reduce函数根据Map函数得到的中间结果计算出新的聚类中心,供下一轮MapReduce Job使用.实验结果表明:k-means算法MapReduce并行化后部署在Hadoop集群上运行,具有较好的加速比和良好的扩展性.     

流域虚拟仿真系统实时交互技术研究

流域虚拟仿真系统将数学模型计算与三维虚拟环境相融合,可有效地增强系统的直观性与交互性.通过分析概化流域数学模型的结构特征,在不改变模型原有的结构与计算逻辑的前提下,提出了按时间步长控制数学模型计算过程的方法.采用基于进程的并行算法解决计算速度问题,将虚拟现实模块与数学模型作为独立进程安排在不同的计算核心上执行,模块间的通讯方式选择网络传输.建立了以虚拟现实模块为控制中枢,各数学模型为客户端的系统总体框架,通过基于网络的指令-应答方式实现流域交互仿真功能.基于该框架实现了都江堰工程仿真中的实时交互模拟效果.     

求解抛物型方程的一种有限差分并行格式

用改进的JGS迭代方法求解抛物型方程, 构造了一种新的并行计算格式, 并证明了新算法是绝对稳定的、 显式的, 截断误差达到O(τ+h²). 数值实验结果与理论分析相符.     

GPU上具有复杂光照烟雾动画的绘制

采用Navier Stokes方程作为烟雾的物理模型方程, 基于图形处理器(GPU)实现了具有复杂光照效果和简单光照效果的烟雾动画实时绘制. 通过体素遍历整数算法加速烟雾的渲染并实现了烟雾的复杂光照. 实验结果对比表明, 复杂光照比简单光照模拟出的烟雾真实感更强. GPU远高于CPU对物理方程的求解速度, 使烟雾模拟实时性更强.     

基于Matlab机群的分布式并行图像匹配算法

分析了Matlab并行计算工具箱中各部件的关系,对分布式并行计算环境中的关键参数进行了设置,构建了并行计算机群。将基于Matlab机群的分布式并行处理引入到图像匹配中。以灰度相关匹配算法为例,结合并行处理对图像灰度匹配进行并行实现。实验结果表明:并行化处理能有效缩短匹配时间,对进一步研究并行图像处理有一定的指导意义。     

基于属性相关分析的离群数据并行挖掘算法

针对高维海量数据集中的局部离群数据,利用并行计算和属性相关性分析思想,给出了一种离群数据并行挖掘算法。该算法首先由主节点分配属性相关分析任务,各个子节点并行查找数据集中的冗余属性,将其冗余属性传回主节点,并由主节点删除;其次,主节点分配搜索任务,各子节点采用微粒群算法,并行搜索局部离群子空间;再次,由主节点对局部离群子空间合并计算后,确定全局离群数据;最后,在MPICH2-1.0.3的并行计算环境下,采用恒星光谱数据作为数据集,实验结果验证了算法的正确性和有效性。     

Python 多核并行计算在海量星表交叉证认中 的应用

天文学研究中经常需要通过交叉证认将来自多波段多项目天文数据联系起来统一考虑. 当前天文数据急剧增长, 必然导致交叉证认的速度过慢. 针对这一问题, 提出一种在多核环境下使用Python 语言进行高效并行计算的方法, 与以往的研究结果相比, 速度提高了若干倍. 这为下一步的多波段数据统计研究和数据挖掘打下了良好的基础.     

基于GPU加速及改进谱FDTD方法的周期性结构分析

为解决作为分析周期性结构的时域数值算法本身在计算单角度入射时依然存在效率偏低的这一问题,提出了一种改进的谱FDTD方法,并运用图形处理器(GPU)对算法进行硬件加速.改进的算法在保证单频点运算结果精确的前提下,通过降低单次运算对运算结果频谱分辨率的要求以降低总体的运算时间.算例验证表明,在保证同等精度的前提下,改进后的算法将单角度斜入射问题的计算效率提高了1倍以上,并在此基础上通过GPU硬件加速成功实现了20倍以上的加速比,这证明了GPU加速的改进谱FDTD法的可行性与高效性.     

有限单元法 并行稀疏静力学和本征值求解

有限单元法（FEM）及其软件是求解大型工程应用的最有效工具之一。在这类应用问题中，有效的方程和本征值求解器扮演着至关重要的角色。稀疏矩阵及其求解技术已经足够成熟并在商用软件中实现。然而，截至目前，关于稀疏系数方程求解、Lanczos域分解或FEM并行计算的详细介绍的书籍尚不多见。     

一种基于PC的快速三维图像重建方法

主要从传统FDK算法的改进和数据并行计算两方面来研究快速三维图像重建算法,提出了一种Z线优先重建法,能够有效地组织和划分重建数据,从而使得对重建数据的内存访问非常连续,便于采用单指令多数据(Single Instruction Multiple Data, SIMD)技术进行数据并行处理。最后基于Intel Pentium 4 CPU的PC平台,利用SSE/SSE2技术开发了三维图像快速重建引擎。实验结果表明本文提出的方法非常有效,与原始重建算法相比,在保证图像质量不受损失的前提下取得了20倍以上的重建加速比。