基于CUDA编程模型的稀疏对角矩阵向量乘优化

稀疏矩阵向量乘是很多科学计算问题中的核心问题。本文针对稀疏对角矩阵,在DIA存储格式的基础上,设计了一种新型压缩存储格式CDIA,结合CUDA编程模型的特点,在计算线程上进行了细粒度的任务分配,同时为满足CUDA对存储器的合并访问要求,将压缩矩阵做了相应的转置处理,设计了细粒度算法与程序,并根据稀疏矩阵向量乘特点,做了相应的程序优化。实验数据显示,这种存储格式能够很好地发挥CUDA在数据处理方面的优势,在测试数据中,最高获得了单精度39.6Gflop/s和双精度19.6Gflop/s的浮点计算性能,性能在Nathan Bell和Michael Garland的基础上分别提高了7.6%和17.4%。     

有限遥测速率下卫星遥测数据设计方法研究

针对国内小卫星常用的统一遥测模式,讨论了在遥测速率受限的条件下,分包遥测格式设计应满足的基本条件;定义了分包遥测数据格式设计过程中的包编码损失率,并以此作为包数据格式编码效率的评价函数;分析了分包遥测数据格式设计过程中包长度、包采样周期等参数变化对评价函数的影响,进而给出了分包遥测数据格式设计中的应满足的条件和遵循的原则。     

基于稀疏表示的配电网故障区段定位研究

提出一种基于稀疏表示的故障定位算法,仅需要少量的故障前后的电压幅值信息,通过故障节点电压方程,重构故障电流向量,根据该向量非零元素的位置来确定网络中发生故障的具体位置。提出了一种重构稀疏向量的求解算法,在定位算法中施加了两类约束条件,缩小了求解空间,为避免约束条件中出现的非线性约束条件造成的求解困难,将原问题分解成多个子问题,达到求解目的。IEEE33节点配电系中仿真验证表明:本方法仅需要6个测点便可有效定位故障,并且此方法基本不受故障类型、过渡电阻的影响,还具有强抗噪性。     

Graph-Based Dimensionality Reduction for Hyperspectral Imagery: A Review

Hyperspectral image(HSI) contains a wealth of spectral information, which makes fine classification of ground objects possible. In the meanwhile, overly redundant information in HSI brings many challenges. Specifically, the lack of training samples and the high computational cost are the inevitable obstacles in the design of classifier. In order to solve these problems, dimensionality reduction is usually adopted. Recently, graph-based dimensionality reduction has become a hot topic. In this paper, the graph-based methods for HSI dimensionality reduction are summarized from the following aspects. 1) The traditional graph-based methods employ Euclidean distance to explore the local information of samples in spectral feature space. 2) The dimensionality-reduction methods based on sparse or collaborative representation regard the sparse or collaborative coefficients as graph weights to effectively reduce reconstruction errors and represent most important information of HSI in the dictionary. 3) Improved methods based on sparse or collaborative graph have made great progress by considering global low-rank information, local intra-class information and spatial information. In order to compare typical techniques, three real HSI datasets were used to carry out relevant experiments, and then the experimental results were analysed and discussed.Finally, the future development of this research field is prospected.     

基于模糊数学的高维稀疏数据聚类统计方法设计

传统的数据聚类统计方法仅适用于低维数据聚类问题,为此,本研究设计了基于模糊数据的高维稀疏数据聚类统计方法,以期提升高维稀疏数据的聚类统计效果。以模糊C均值聚类算法为基础,通过优化初始聚类中心解决局部最优问题,缩短聚类统计时间;然后引入权重机制,令该方法适用于高维稀疏数据聚类统计。基于此,以余弦距离替换原有的欧几里德距离,提高高维稀疏数据聚类统计效果。实验证明：在数据维度不同时,该方法均有较优的聚类统计效果。当数据维度较低时,分块比例为10%时聚类统计效果最优;当数据维度较高时,分块比例为40%时聚类统计效果最优。在不同稀疏度等级时,该方法的命中率和聚类统计效率均较高。     

基于深度特性的帧间预测快速算法

高效视频编码(High Efficiency Video Coding, HEVC)的帧间预测部分存在很高的计算复杂度, 为了降低编码时间复杂度, 提出了一种基于深度特性的帧间预测快速算法。首先, 对帧间PU(Prediction Unit, PU)模式进行分类为规则和不规则块; 然后运用本文的方式定义当前CTU(Coding Tree Unit, CTU)的内容复杂程度; 最后对编码深度进行分区为SD(Small Depth, SD)、HD(High Depth, HD)区域, 位于SD区只进行规则的划分方式, 位于HD区根据当前CTU的复杂程度, 对复杂块进行不规则划分方式的遍历, 对简单块只进行规则划分, 从而实现快速编码算法。结果表明, 与HM16.9相比, 本文提出的算法在低时延和随机接入配置下分别降低了28.6%和23.8%的编码时间, 且编码性能不受影响。     

快速的层次树集合分划编码算法*

设计了一个改进算法,它仅需对小波分解矩阵进行一遍扫描即可确定层次树集合分划编码(SPIHT)算法所需的所有D(i,j)和L(i,j)重要性并完成对所有(i,j)子系数的编码,使得按照SPIHT的排序方法编码时只需查找存放D(i,j)和L(i,j)的重要性及(i,j)子系数的编码表,从而大大提高了SPIHT的编码速度.     

分布式视频编码关键技术及研究进展*

系统地阐述了分布式视频编码(distributed video coding,DVC)技术框架的基本原理和近五年的发展历程;列举了国内外多个研究小组的基本思想研究现状;分析了分布式视频编码技术的发展趋势;揭示了技术的关键和研究热点;展望了该技术在信息安全、可伸缩编码、多描述编码以及光场编码中的应用前景.     

基于自适应共振理论(ART)网络的机床设备实例的分类

阐述了自适应共振理论(ART)网络的原理及训练算法.利用ART网络良好的自组织,自学习,可塑性强的特点,提出基于神经网络的机床设备实例分类的策略.该方法求解简单快速,容易实现,效率高,在实际工程中具有良好的应用前景.     

基于遗传算法的产品制造的优化调度

研究了企业产品制造的调度问题 ,并建立了调度的最小模型。引入效率函数 ,运用遗传退火进化算法实现了调度决策的优化 ;提出了将遗传退火算法和分派规则相结合的调度策略和动态编码的方法 ,放宽了约束条件 ,提高了搜索效率和速度 ,保证其全局收敛性。