分布式多数据流频繁伴随模式挖掘

多数据流频繁伴随模式是指一组对象较短时间内在同一个数据流上伴随出现,并在之后一段时间以同样方式出现在其他多个数据流上.现实生活中,城市交通监控系统中的伴随车辆发现、基于签到数据的伴随人群发现、基于社交网络数据中的高频伴随词组发现热点事件等应用都可以归结为多数据流频繁伴随模式发现问题.由于数据流规模巨大且到达速度快,基于单机的集中式挖掘算法受到硬件资源的限制难以及时发现海量数据流中出现的频繁伴随模式.为此,提出面向大规模数据流频繁伴随模式发现的分布式挖掘算法.该算法首先将每个数据流划分成若干个segment片段,然后构建适合部署在分布式计算平台上的多层挖掘模型,并利用多计算节点以并行方式对大规模数据流进行处理,从而实时发现频繁伴随模式.最后,在真实数据集上进行充分实验以验证算法性能.     

使用游程编码和SIMD指令集的快速图像融合

图像融合是图像拼接中的一个重要步骤,用于生成无缝的融合图像.针对当前高分辨率图像融合算法速度较慢的问题,提出一种基于多频带的快速图像融合方法.首先通过进行2遍距离变换生成一幅接缝图像,并根据这幅接缝图像生成每一幅输入图像的蒙版图像,这个过程与输入图像的次序无关,并且具有良好的可扩展性;其次使用游程编码对蒙版图像进行压缩编码,生成每一幅蒙版图像的高斯金字塔,并利用SIMD指令集生成输入图像的拉普拉斯金字塔;最后使用SIMD指令集完成拉普拉斯金字塔重构,得到一幅无缝的融合图像.在实验中对2组数据集进行测试,结果表明该方法能够高效地合成高质量的融合图像.与已有的图像融合方法相比,文中方法运行速度更快、内存使用较少、具有更好的并行性,更适合于目前的多核处理器架构.     

基于变换系数重用的 H.264 /AVC自适应块变换模式 *

提出了基于单指令多数据 ( single instruction multiple data, SIMD)指令集架构的 4 ×4变换系数重用算法,用于简化 H. 264/AVC自适应块变换 ( adaptive block-size transforms, ABT)模式的计算复杂度。在 ABT编码模式下 ,该算法通过重用 4 ×4变换系数 ,用 8 ×8导出变换量化计算得到 8 ×8变换量化系数。提出的算法可在 PC和 DSP等 SIMD指令集架构中简单实现 ,显著减少 H. 264 / AVC ABT模式中 8 ×8变换的计算时间和资源开销。仿真结果显示 ,变换系数重用算法能节省 8 ×8变换的计算时间约达 50%。     

一种面向SIMD扩展部件的向量化统一架构

随着多媒体应用的普及和高性能计算的需求,越来越多的处理器集成了SIMD扩展。为了针对不同SIMD扩展部件自动生成高效的向量化代码,设计了一套虚拟向量指令集,在此基础上构建了一种面向SIMD扩展部件的向量化统一架构。将输入程序通过向量识别等阶段转变为虚拟向量指令的中间表示,而后通过向量长度解虚拟化和指令集解虚拟化,将其转变为特定SIMD部件的向量指令集。在申威1600、DSP和Alpha上的实验结果表明:统一架构能够针对3种平台自动变换出高效的向量化代码,在DSP上的加速比要明显优于其它两种平台。     

通用可编程LDPC编码器的设计

基于灵活性和通用性的考虑,设计一种基于多指令、多数据流的可编程处理器结构,实现准循环低密度奇偶校验码(LDPC)的编码算法。与传统的LDPC编码器相比,处理器采用数据位拼接方式实现矩阵与向量相乘,可以获得较高的计算速度、易于芯片布局。目前已经用硬件描述语言在Xilinx ISE平台可编程门阵列芯片XC2VP20上仿真实现了该处理器的架构,最大时钟频率为75 MHz。实验结果表明,该结构适用于多标准的LDPC编码器。     

一种单指令多数据向量化归约方法

单指令多数据(SIMD)扩展部件旨在发掘多媒体程序和科学计算程序的数据级并行,归约操作引起的真依赖给发掘程序中的数据级并行带来了阻碍。但体系结构和指令集的差异,使得面向向量机的归约向量化方法并不适用于SIMD扩展部件。针对上述问题,提出一种面向SIMD扩展部件的归约向量代码生成方法,以及归约的识别方法,利用向量移位指令实现向量代码生成。基于SPEC2006标准测试集的测试结果表明,与未利用归约向量化技术前相比,利用该归约向量化方法后的向量化加速比提高34%,从而验证了该方法的有效性。     

基于SIMD的实时GPS软件接收机

摘要：相对于硬件接收机,GPS软件接收机具有很强的灵活性,适合对GPS的各种算法进行研究。软件接收机要达到实时陛能,则必须具有较少的数据计算量或者较高的数据处理效率,本文采用了基于SIMD指令来提高数据处理速度,基带混合和PRN码相关采用SIMD指令加速,可以满足在5．714MHz采样率下12通道实时处理,单点定位的位置和速度精度分别达到米级和分米级。     

CUDA编程模型

在CUDA的架构中,GPU可视为一个计算设备,是主机或者CPU的协处理器,用于处理高度并行的计算。GPU(或者称为设备,device)均具备自己的存储器(device memory,设备内存),可以并行地运行许多线程。在CUDA程序中,并行计算的部分可以被分离到一个被称为kernel (内核)的函数。在设备上许多线程执行同一个kernel。     

基于统一计算设备架构的并行串匹配算法

BF算法是串匹配算法经典算法之一,但并不适合GPU这种并行体系结构.提出了基于统一计算设备架构(CUDA)架构的解决方案,通过对需要处理的数据增加一定比例的冗余信息,设计了适合CUDA计算数据的独立性特点的并行BF算法.实验结果表明,基于CUDA架构的并行串匹配算法比同等CPU算法获得约10倍的加速比.此外还对该算法性能的影响因子做了分析.