基于富客户端的云存储系统设计与实现

针对海量数据的存储问题,通过购置更多数量的存储设备来提升存储能力的传统方法,存在硬件成本高,存储效率低等缺点.通过研究云计算和云存储的相关技术提出一种基于富客户端的云存储模型,并实现了基于富客户端的云存储系统.实验结果表明,该系统能有效地存储、管理海量数据,具有开发成本低、处理速度较快、运行稳定、易于扩展等特点.     

几种音乐识别算法比较

讨论了音乐识别领域中音高的三种不同的识别方法,即时域的并行处理法、频域的谐波峰值法以及时频域的小波算法。通过实例和分析,比较了各种方法的优缺点。     

一种机群系统下的并行图像处理环境

基于图像代数理论,研究、实现了一种应用于机群系统上的高层次图形并行处理和开发环境,为用户提供一种简捷、方便的图像算法描述方式,算法的并行实现由处理环境自动完成,同时提出一种优化的调度策略,使算法的并行处理获得比较理想的加速比．     

并行处理中节点间通信对加速比的影响

加速比是衡量并行处理性能的重要指标之一;较高加速比的获得除与任务的划分、并行算法的选择等有关外,还与各节点间的通信有关;在大多数并行系统中,在数据规模确定的情况下,程序的加速比随节点数的增加而增加,但是大多数机群系统的节点间是共享物理传输介质的,这就使得许多并行程序的加速比在节点数目超过某一个值之后会随着节点数的增加而减少;文章通过数值实验研究,分析了节点间通信对加速比的影响,进一步论证了节点间通信对加速比的重要影响。     

FFT算法的并行处理研究

通过对串行FFT算法分析,针对其不足,从理论上研究了将蝶形网络FFT算法进行并行处理。具有较高的加速比和总效率,对实现FFT算法的并行实时系统具有一定的指导意义。     

科学计算可视化并行处理建模及其数据并行技术研究

科学计算规模的不断增长使得对科学数据的可视化也必须采用并行处理技术。针对可视化应用的特点,一方面,分类建立了可视化并行处理模型,给出了形式化描述,并对其并行性进行了定量的分析;另一方面,提出了一种可扩展的可视化数据并行体系结构,并深入探讨了实现该结构的数据划分技术和并行绘制方法;最后基于上述理论实现了一个数据并行可视化处理软件原型系统YH-PView,并通过实验验证了理论分析的正确性。     

求解常微分方程初值问题的并行块隐式Runge—Kutta方法

本文针对多处理机系统构造了一类并行块隐式Runge-Kutta方法。在S=2的情况下,给出了几个具有三阶精度的并行计算公式,并证明了这类公式具有A稳定性,数值结果表明该计算公式对求解刚性常微分方程是有效的。     

MUSIC空间谱估计并行运算算法

针对多重信号分类(multiple signal classification, MUSIC)算法计算量大不适于实时处理的问题,提出了一种并行处理方案。首先,根据协方差矩阵的Hermite特性简化其构造过程;再通过实值化预处理,将后续运算转换到实数域,通过Householder变换将协方差矩阵简化为三对角矩阵,对三对角矩阵进行QR分解得到特征值和特征向量用于谱峰搜索|最后,各个阶段都适于采用多处理器并行处理。通过理论分析和仿真,验证了该方法在对MUSIC算法性能影响不大的前提下能大大减小运算量,提高算法处理速度,为MUSIC算法的高效化实现提供了一定的理论基础。     

Fermi平台下的医学超声实时扫描转换并行算法

在超声成像系统中扫描转换是让超声图像较好地在屏幕上进行显示所必须的处理步骤.由于这一处理步骤中存在运算复杂的插值运算,特别是在横向使用的三次方插值,使其成为临床实时成像系统中提供帧速率的一大性能提升瓶颈,为此本文研究并提出了一种基于新兴的高性能并行计算平台Fermi架构GPU(Graphics processing unit)的并行处理算法,该算法基于GPU并行处理平台,主要包括初始化阶段、图像插值以及图像显示这3个处理环节.该算法不仅保持了与现有计算平台系统的计算精度,而且显著地提高了这一处理环节的计算速度.数据测试结果显示,采用Fermi架构的GPU处理在得到与基于CPU的实现完全一致的扫描转换效果的同时,取得了较大的加速效果.对于3 121×936的图像数据能够达到1 558 fps的帧率,速度提高了大约664倍.     

基于Spark的并行医学图像处理研究

随着医学图像规模的不断增长,为了快速且有效的处理医学图像并使各类图像处理算法得到应用.文章将传统的医学图像处理方法与Spark整合起来,提出了基于Spark的并行医学图像处理方法.首先,采用基于二进制的图像预处理转换方法,存储图像到分布式文件系统HDFS中;其次,应用传递函数的方法,避免了图像处理算法进行MapReduce转化,实现了快速的通用图像并行处理;最后,以肺叶DR图像分割算法为实例证明了基于Spark医学图像并行处理有较好的适应性和较高的效率,并适应大规模图像的并行处理.