基于CUDA的GPU条件分支分歧聚合优化策略

分析NVIDIA GPU底层处理SIMD条件分支分歧的方式及其对程序性能产生的影响。在软件层级提出两种利用"聚合"思想的SIMD条件分支分歧优化策略:循环推迟和循环提前。策略将不同SIMD道中选择相同路径的条件分支"聚合"到同一步循环中,减少了SIMD操作的实际次数。使用CUDA对这两种策略进行的试验结果表明,在满足策略使用条件的前提下能够取得预想中的加速比。该策略实现难度较低、可操作性较强。     

Pd掺杂方式对Pt/KL分子筛正己烷芳构化及抗硫性能的影响

以浸渍法和水热合成法向Pt/KL催化剂中掺杂金属Pd,对催化剂进行改性和表征,并在固定床微型反应装置上考察Pd掺杂方式对Pt/KL催化剂正己烷芳构化性能及抗硫性能的影响.结果表明:不同方式掺杂Pd对分子筛的晶体结构和孔径分布等影响较小,对催化剂表面酸碱性质的影响较大;浸渍法掺杂金属Pd较水热法更能提高Pt/KL催化剂的正己烷芳构化反应活性、芳烃选择性及抗硫性能.这是由于通过浸渍法制备催化剂Pt-Pd/KL中的Pd与Pt相互作用增强了催化剂的金属催化功能,使得其芳构化活性和抗硫性增强;通过水热法制备催化剂Pt/PdKL中的Pd增强了催化剂酸性,从而降低了催化剂芳构化活性和抗硫能力所致.     

外P-推理与外发散信息的搜索-发现

利用P-集合得到P-推理(packet reasoning),P-推理是由内P-推理(internal packet reasoning)与外P-推理(outer packet reasoning)共同构成的.P-推理是一个动态推理,具有智能特征;外P-推理生成的信息具有外发散特性,把这种特性应用于未知信息查找中,提出了外发散信息等概念;并对外发散信息进行了研究,给出了几个基本理论结果;并由这些结果得到外发散信息的外P-推理搜索算法;最后给出应用实例.     

浅析矢量分析中梯度、散度和旋度的算子表示

提出了有关散度算子和旋度算子的见解,简明论述了在矢量分析中的散度和旋度都可用算子形式直接表示,不用首先点积和叉积．     

探地雷达信号的KL变换处理分析

实测探地雷达记录中存在大量的噪声干扰,有时致使目标信号难以分辨,为提高雷达剖面的信噪比,主要探讨KL变换在消除干扰噪声方面的有效性.在说明KL变换原理的基础上,通过Matlab软件进行编程计算,对时域有限差分法获得的探地雷达模拟剖面和现场实测雷达数据进行处理;再对处理前后的雷达图像进行对比分析.经过处理分析可知,KL变换可压制模拟数据中边界反射信号和棱角点的绕射波、抑制和消除实测雷达剖面中的高频杂波噪声信号,从而突出有效信号,增强有效信号的相对强度,这提高了探地雷达剖面的分辨率和反演解释精度.     

一种雷达高分辨距离像模板库建立方法

对于非合作目标而言,预警雷达单航路数据的数据率低,能够提供的信息有限,无法达到建立完备模板库要求。针对这一问题,提出了一种将多条航路数据融合的模板库建立方法。首先对雷达高分辨距离像(HRRP)进行预处理,然后对单航路数据分帧建模,最后给出一种改进Jensen-Shannon divergence(JSD)计算子帧统计分布的相似性,将多条航路数据的分帧结果合并获得模板库。实验结果表明,提出的方法能够建立冗余度较低且包含全角域信息的模板库,并且具有较强的在线学习能力。     

发散步长准则下的增量聚合梯度算法

针对目标函数是若干光滑函数之和的优化问题,提出采用发散步长准则的增量聚合梯度算法。与增量梯度算法一样,增量聚合梯度算法的每次迭代也只需要计算其中一个函数的梯度。目前关于增量聚合梯度算法的研究主要是采用常值步长的增量聚合梯度算法,这一算法要求目标函数二阶连续可微且强凸,且常值步长的选取依赖最优点的二阶导数;而发散步长准则不依赖目标函数。在目标函数的梯度有界且李普希兹连续假设条件下,证明了采用发散步长的增量聚合梯度算法的收敛性;最后,通过数值例子验证了算法的收敛性,并与采用相同步长准则的增量梯度算法进行比较;数值结果表明对于某些优化问题,增量聚合梯度算法比采用相同步长的增量梯度算法更有效。     

区域经济系统耗散结构的形成与演化机制研究

运用定性与定量相结合的方法,论述了区域经济系统耗散结构的形成过程.从区域产业结构和空间结构序列角度,分析了区域经济系统耗散结构的演化机制.以序参量为基础,建立了基于灰关联熵区域经济系统演化方向的判别模型.指出了区域经济系统演化中,散度的变化对推进区域经济一体化进程有重要影响.     

基于核Fisher鉴别分析的手指静脉识别

抽取最优鉴别特征是手指静脉识别中重要的一步,在提取小样本的高维手指静脉图像特征时,由于光照、温湿度、水平位移等因素的影响使得采集的静脉图像是非线性分布的,为此,提出了一种基于核Fisher鉴别分析（kernel Fisher discriminant analysis,KFDA）提取非线性特征的方法。该方法是利用一个核映射将原始输入空间变换到一个更低维的空间RN中,在此特征空间上用核类间散度阵和核类内散度阵作为Fisher线性判别准则(Fisher linear discriminant,FLD),来得到最佳非线性鉴别特征,根据此鉴别特征计算其相互间的欧式距离进行识别。实验结果表明,核Fisher方法与其他方法相比,具有较低的认假率(false accept rate,FAR)和较快的识别速度。     

一种新的基于多示例学习的场景分类方法

多示例学习是近年来才出现的一种新的学习框架,并以其对多义性对象的出色表示能力而被成功地运用在图像分类任务中。首先提出了一种新的图像多示例包生成方式,采用特征的概率分布表示图像,并对图像像素分布提取一个高斯混合模型,将每个高斯分布作为一个示例,生成图像的多示例包。然后,在对图像进行分类时,采用了信息瓶颈聚类把多示例包转化成单示例,从而将传统的单示例分类器用在该问题上。为了提高分类器的泛化能力,对多个分类器进行了集成。选取了5类自然场景图像进行试验,结果显示所提出的方法平均性能优于当前常用的一些多示例学习算法。