基于GPGPU的并行LiDAR点云滤波算法

基于边缘点进行LiDAR点云滤波算法在复杂城区具有良好效果,然而在边缘点检测时非常耗时,因此提出基于GPGPU的并行边缘点检测算法来提高滤波的效率.该并行边缘点检测算法分为并行检索k最近邻点、并行拟合平面、并行计算投影点和并行计算夹角等4个步骤.在计算检索k最近邻算法中,提出了队首优先的插入排序算法,大量减少判断次数.实验结果表明,采用GPU并行计算有效提高滤波效率,当数据量达到128 M以上,加速比可以达到9左右.     

云平台下基因 基因相互作用识别算法

针对现有的快速方差分析算法进行并行可扩展性改进, 设计一种高效的并行计算模型, 并提出一种基于MapReduce模型的基因 基因相互作用识别算法--MRANOVA算法. 该算法有效解决了现有基因 基因相互作用识别算法在海量数据规模下普遍存在计算复杂度过高的问题. 实验结果表明, 该算法充分利用了云平台的并行计算能力, 随着数据量的增大, 加速比逐渐接近于集群数量, 可高效准确地完成基因 基因相互作用的识别.     

基于GPU的SVM参数优化并行算法

为了缩短支持向量机(support vector machine,SVM)参数优化时长,提高SVM参数优化的效率,提出了基于图形处理单元(graphic processing unit,GPU)的SVM参数优化并行算法.分析了基于网格搜索和粒子群优化算法的并行特性,基于GPU设计了该优化算法的并行化方案,并在单GeForce GT 650M GPU卡上进行了试验验证.结果表明,并行化网格搜索和并行化粒子群参数优化算法不仅可以取得与非并行化参数优化算法相同的优化效果,而且执行时间大大减小,其中并行粒子群参数优化算法的加速比可高达26.85,大幅提升了SVM的参数优化效率.     

基于区域分解的并行SIMPLER算法研究

在同位网格上建立了基于重叠型区域分解的并行SIMPLER算法，给出了区域划分和数据交换的实施细则．并在集群系统下通过对顶盖驱动方腔流进行模拟验证了算法的可靠性．数值结果表明，加速比成线性增加，随着计算规模的增大，并行效率可达到95％以上．     

FP-Growth的并行加权关联规则挖掘算法

基于FP-Growth算法,提出一种并行加权的关联规则挖掘(PWARM)算法,证明其满足加权向下封闭性.使用MapReduce计算模型,在分布式集群中并行挖掘出关联规则.实验结果表明:该算法可以满足数据权重不同的需求,且在处理大数据集时能有效地提高挖掘的效率.     

改进的并行高斯全主元消去法

为减少Gauss全主元消法的运行时间，用多进程与多线程混合的方式对其进行了并行化，同时对该算法进行了改进．采用MPI并行I／O技术提高读取数据文件的速度，降低对内存的需求；采用标志数组避免了选主元后换行带来的通信开销；使用线程模型确定最优线程数，提高运行消去的速度；通过预先发布机制降低回代求解步骤的时间复杂度．实际运行结果表明，随着方程组阶数增大，加速比也逐渐增大，对于5000元的方程组，8进程同时运行，加速比可达6．68，并行效率稳定在0．85左右．这表明该算法具有可扩展性和稳定的并行效率，适用于大规模并行计算．     

基于改进BP神经网络的M-learning学习质量评价

传统的BP神经网络算法在寻优过程中常陷入局部极小值而无法得到全局最优解,同时在大数据量训练时,运算时耗大,效率低.为了避免这些缺点,提出了并行GA-Adaboost-BP神经网络算法,用GA算法优化BP神经网络权值,避免陷入局部极小值.运用并行Adaboost算法,将大数据量分成若干个小数据量集,由Adaboost算法组合多个小数据集BP神经网络的输出,构建一个强预测器,这种分布式运算提高了大数据量训练效率.实验证明,用改进BP神经网络算法对大数据量M-learning学习质量评价进行预测,其精确度较高,预测稳定性较好,运算效率得到提高.     

高光谱遥感影像分类算法并行处理设计与实现

探讨高光谱遥感影像分类算法处理遥感影像速度。通过光谱角度匹配（SAM）、光谱相关系数匹配（SCM）、信息散度匹配（SIDM）、光谱波形匹配（SWM）进行并行化改造设计,将改造的并行化算法应用到湖北大冶遥感影像数据分类处理中,结果表明并行化算法能够有效完成高光谱遥感影像分类,数据量增大,并行化处理速度加快,数据量为158×382×1092时, SAM 并行处理速度是串行处理速度的25．68倍、SCM 为25．41倍、SIDM 为17．55倍、SWM为23．68倍。并行分类算法处理遥感影像分类速度较串行分类算法处理快。     

求解三对角方程组的并行追赶算法

通过分析影响算法的并行效率的主要因素,根据分而治之策略中的分块思想提出了一种求解三对角方程组的并行追赶算法。然后在机群系统中,MPI环境下实现了该并行算法,对并行算法的加速比和效率与原串行算法进行了比较,结果表明此算法有较高的计算效率。     

求解三对角方程组的并行追赶算法

通过分析影响算法的并行效率的主要因素,根据分而治之策略中的分块思想提出了一种求解三对角方程组的并行追赶算法。然后在机群系统中,MPI环境下实现了该并行算法,对并行算法的加速比和效率与原串行算法进行了比较,结果表明此算法有较高的计算效率。