行处理算法的存储技术

本文对行处理算法的存储技术进行了一些有益的探讨，给出了一种较为合理的行处理算法解大型稀疏线性方程组的存储分配方法。     

优化稀疏LU分解的LDPC编码算法研究

中国移动多媒体广播标准中采用了高度结构化低密度校验码编码.针对该低密度校验码非系统码和非准循环特性,设计了一种基于LU分解的编码算法,巧妙地设计了紧凑的矩阵存储方式,修正了行重列重乘积最小化的优化准则,提出了优化的稀疏LU分解.仿真计算结果表明,相对其他文献中的算法,所提稀疏LU分解得到的L和U中元素"1"的个数减少10%,具有更好的稀疏性,进一步降低了编码算法的时间复杂度.因此,基于优化稀疏LU分解的低密度校验码编码算法在中国移动多媒体广播标准实际应用中具有较好的前景.     

面向对象有限元快速算法--Ⅱ快速算法

在稀疏分块矩阵的双向正交链表存储结构的基础上,采用矩阵间的快速算法和基于稀疏分块矩阵的带宽优化技术,减少了结构有限元分析的计算量和存储容量。采用高速缓存和循环展开技术,降低了存储复杂性,提高了浮点运算的平均时间。数值算例表明:采用该存储方案和快速算法,既提高了运算速度,又减少了存储空间。     

求解大规模稀疏线性方程组的算法

给出了求解大规模稀疏线性方程组的一个实用算法;该算法能够保持矩阵的稀疏性和减少存贮量,并且能够求解一些大规模的问题．而这些问题所对应的系数矩阵可能不是稀疏的．     

三维有限元中最小度算法

应用图论概念建立最小度算法,可以获得一个优化的消元顺序,使稀疏线性方程组在求解中非0充填最小,本文在应用该算法于有限元计算中给出与之相适应的改进波前法,使最小度算法有效的应用于有限元分析,文中将此结果推广于三维有限元,为了不使波阵过大,作了一些改进。     

稀疏矩阵存储技术

在科学与工程计算领域,有许多问题都最终归结为求解稀疏线性方程组;其稀疏矩阵中只有少量元素不为零,为了节省计算机的存储空间,加快存取运算速度,开展稀疏矩阵存储技术的研究是十分必要的。本文从基本的矩阵存储技术出发,介绍了一些常用的稀疏矩阵存储方法,比较了它们的优缺点,并给出了它们的适用条件。期望能够对稀疏线性方程组的高效求解提供一些有益帮助。     

稀疏矩阵存储算法的探讨

很多实际应用问题经常被归结为稀疏矩阵的计算,文中讨论了稀疏矩阵的压缩存储算法,稀疏矩阵中的元素采用三元组表示法作为它的存储结构。     

大型稀疏矩阵线性化方程组的数值解法

目的 研究大型稀疏矩阵线性化方程组的数值解法。方法 以C 为程序开发语言，采用十字链表的数据存储结构与独特的选主元以及消元策略，结合铸件凝固过程三维温度场数值模拟实例，对大型稀疏矩阵线性方程组的数值解法进行研究。结果 开发了相应的程序，可应用于CASTSoft/CAE软件的温度场数值模拟。结论 作者所采纳的数据存储结构，提出的相应数值解流域算法，具有计算准确，速度较快而且比较节省内存的优点，具有一定的应用与参考价值。     

一种贪婪自适应压缩感知重构

为了优化压缩采样匹配追踪算法的性能,提出一种压缩采样修正匹配追踪贪婪自适应算法.该算法采用了具有理论保证的模糊阈值预选方案以避免预选时使用信号的先验信息,设置了初次裁剪门限以减少不必要的迭代,改进了裁剪方式以尽可能地提高重构精度,同时避免了裁剪阶段使用先验信息,最终实现了可压缩信号的自适应重构.仿真结果表明:在同等稀疏条件下实现了精确重构,该算法与原算法相比运算速度提高了2倍,所需观测值个数少1%,并且在稀疏度较高的情况下,该算法对噪声的抗干扰能力也优于原算法.     

求解大型稀疏线性方程组的行处理算法

基于行处理算法的几何意义以及行处理算法的特点 ,提出了一个求解大型稀疏线性方程组问题的行处理算法 ,并讨论了该算法的收敛性及稳定性 .数值实验表明 ,该算法具有收敛速度快、计算精度高等特点 .     

大型稀疏矩阵线性化方程组的数值解法

目的　研究大型稀疏矩阵线性化方程组的数值解法 .方法　以 C+ +为程序开发语言 ,采用十字链表的数据存储结构与独特的选主元以及消元策略 ,结合铸件凝固过程三维温度场数值模拟实例 ,对大型稀疏矩阵线性化方程组的数值解法进行研究 .结果　开发了相应的程序 ,可应用于 CASTSoft/CAE软件的温度场数值模拟 .结论　作者所采纳的数据存储结构 ,提出的相应数值求解算法 ,具有计算准确、速度较快而且比较节省内存的优点 ,具有一定的应用与参考价值 .     

求解大型稀疏线性方程组的一种并行算法及其在并行潮流计算中的应用

以稀疏线性方程组系数矩阵所对应的因子表路径树为基础 ,提出了一种适合于在信息传输型并行计算机上求解大型电力网络方程组的并行算法 ;并将所提出的算法应用于电力系统潮流计算中 ,在信息传输型并行计算机上实现了电力系统潮流的并行计算 .通过对大型电力系统进行试算 ,表明该算法能有效地提高电力系统潮流计算的速度 .     

结合预处理BiCGStab和CUDA的BLT快速并行前向方法

针对基于简化球谐波(simplified spherical harmonics,SPN)方程开展生物发光断层成像(bioluminescence tomography,BLT)前向问题研究时计算量大、求解速度偏慢的问题,提出了一种基于稳定双共轭梯度下降(biconjugate gradient stabilized,Bi CGStab)的快速并行求解算法.该算法结合不完全Cholesky分解的预处理方式与压缩行格式存储法(compressed row storage scheme,CSR)的稀疏矩阵存储方式,并采用统一计算设备架构(compute unified device architecture,CUDA)实现了并行加速.数值仿真结果表明,该算法在保证前向问题求解准确度的同时可以极大地缩短求解时间.     

大型稀疏非线性方程组的不精确牛顿法

将经典牛顿法与CAV(component averaging)算法结合，得到了一种易于并行的不精确牛顿法，用Broyden三对角问题和IEEE118节点的电力系统对算法进行了串行实现，并与牛顿—高斯—赛德尔法及文献[7]中的重叠分块牛顿法进行了比较。     

“组合”因子表法在有限元法中的应用

本文在因子表法的基础上提出了有限元法中大型稀疏线性方程组求解的一种新方法——“组合”因子表法.该方法充分利用了有限元法中刚度矩阵或雅可比矩阵的稀疏性、对称性和正定性以及线性方程组多次求解的特点,降低了存贮容量,大大减少有限元法的求解时间.分析表明,本方法是有限元法中求解大型稀疏方程组一种颇为有效的直接求解方法.     

电磁场分析中大型稀疏方程组迭代解法的改进

针对电磁场数值分析中的大型稀疏对称线性方程组,尤其是求解棱边有限元法生成的奇异方程组,通过时谐涡流场实例计算,比较了目前文献中出现的各种预处理共轭梯度算法,提出了一种改进的预优处理的不完全乔列斯基分解共轭梯度算法,并得出了分别适用于节点有限元与棱边有限元离散方程组的最优预处理共轭梯度算法。最后对非对称方程组的求解进行了讨论。     

一类稀疏线性方程组的并行求解方法

本文给出了具有ＢＤＤ结构的稀疏矩阵对应的线性方程组ＡＸ＝Ｂ的并行求解方法。     

一种改进的稀疏多径信道均衡方法简

Traditional channel equation methods are based on the multi-path richness hypothesis, which is complicated and inefficient in sparse channels. In this paper, a sparse multi-path channel equation method is proposed. The sparse channel estimation is carried out using a small number of pilot tones based on Compressed Sensing (CS). The equation inverse filter is derived from the channel estimation. The procession of inverse filter solution is modeled as an optimization problem and a greedy algorithm is proposed which can bring about a near optimal solution. The new algorithm requires fewer iterations than linear prediction and gets almost optimal filter parameters when the rank is high enough. The modularized structure of the greedy algorithm is designed which is less complicated and can be easily realized. Simulation shows that the BER performance of the proposed equation method is improved significantly with the increase of SNRs. At 15dB of the SNR it gains 10dB in power efficiency relative to LMS.