时域有限差分中各向异性完全匹配层的实现方法

本文讨论了如何在给定边界层数的条件下,通过调整各介质层吸收层的介质参数来实现入射波的最佳吸收,并利用自适应遗传算法对算法中的边界参数进行优化。     

电磁波传输时域有限差分方法及仿真

针对电磁散射特性研究问题,根据拉普拉斯变换原理,为提高电磁波传输效率,提出了一种新的分析磁等离子电磁波传输的时域有限差分(FDTD)方法.将磁等离子的电流密度本构方程进行拉普拉斯变换到s域,结合电流密度卷积方法将其逆拉普拉斯变换到时域,得到电流密度关于时间的本构方程.利用上述方法计算出一维磁化等离子体板电磁波的反射系数及其相位.实验证明,计算结果与解析值结果一致.并证明方法的准确性及高效性.     

时域有限差分算法的FPGA加速技术研究

针对各种嵌入式应用中对实时电磁场计算的需求,提出了一种新的时域有限差分法的硬件方法,采用FPGA作为硬件加速部件,加速电磁场时域有限差分算法(FDTD)的计算.采用滤波器技术重新改写时域有限差分法,将时域有限差分法的求解变成对应的硬件滤波器的设计问题,通过设计合适的滤波器完成时域有限差分的计算.实验结果表明,与时域有限差分算法的软件执行相比,硬件实现可以获得5倍左右的性能加速,能够充分发挥FPGA的计算性能.本研究能够进一步扩展时域有限差分算法的应用领域,尤其是扩展到以前因为计算性能无法应用的领域.     

基于GPU加速的锥束CT重建算法研究

锥束计算机断层扫描（Cone-Beam Computed Tomography，CBCT）具有采集速度快和空间分辨率高等特点，被生物医学等领域广泛关注。然而通过CPU串行处理CBCT重建中海量投影数据非常耗时，难以满足实时性的需求。GPU的发展为CBCT重建的并行加速提供了条件。根据三角函数周期性的特点对FDK算法进行了改进，并利用GPU实现了12幅投影数据同时并行计算。实验结果表明，相比于传统基于CPU的重建算法，基于GPU的CBCT重建算法在保证图像质量的前提下，将重建速度提高了超过310倍。     

基于OpenCL的雷达外推算法改进与优化

基于雷达资料的外推是临近预报中重要的方法之一,随着全国气象雷达网络建设规模的不断提高以及观测资料精细化程度的提升,基于区域乃至全国雷达拼图的外推预报,每次计算都需花费大量时间,甚至滞后于每6分钟一次的资料观测频次。为解决传统外推算法运算复杂度高,实时性差的问题,运用OpenCL构建基于GPU的异构计算模型对外推算法进行并行化改进。然后逐步分析影响算法性能的瓶颈,并通过改进和测试数据比对,阐述算法优化的过程。其中,内存与线程的映射优化、合理利用局部存储器作为高速缓存以及隐藏CPU执行时间等方法不仅对本算法的执行效率带来显著提升,也可为其他基于OpenCL异构计算的优化提供参考。以AMD Graphic Core Next和Northern Islands二代GPU架构作为测试平台,并以Intel CPU并行计算作为测试参考,测试结果表明,改进后的算法在硬件同等功耗的情况下,计算性能提升15~22倍。     

基于时域有限差分的通信干扰信号广域监测

针对传统通信干扰信号广域监测方法没有变换处理干扰信号,导致方法存在监测稳定性较差等问题,提出基于时域有限差分的通信干扰信号广域监测方法.分析时域有限差分工作原理,引入导数与傅里叶变换方法,实现通信信号的采集与变换,通过支持矢量机构建干扰信号数学模型,根据上述模型识别出干扰信号种类,利用Lagrange函数算法获得干扰信号,完成通信干扰信号广域监测.实验结果表明,上述方法有效提升监测稳定性与准确率,综合有效性更好.     

超宽带信号地面回波仿真方法研究

研究地面的超宽带回波特性,能够为超宽带无线电系统设计提供仿真支持。为保证计算结果的可信性,需要考虑土壤的色散特性和地面起伏对回波的影响。目前在超宽带地面回波计算中所使用的FDTD（时域有限差分）算法计算量较大或者存在较大误差。使用卷积完全匹配层（CPML）作为吸收边界,多极点Debye模型描述土壤介质特性,在FDTD算法基础上推导出了多极点Debye介质的CPML-FDTD算法。对不同条件地面的回波进行了仿真计算,与未使用PML（完全匹配层）的FDTD算法计算结果进行比较分析,表明文中使用的算法结果正确且效率较高。     

基于CUDA架构的三维CPML-FDTD并行方法

为解决时域有限差分（FDTD）算法应用于电大尺寸目标仿真的巨大耗时问题,应用FDTD算法的并行特性和通用图形处理器（GPGPU）技术,实现了一种基于计算统一设备架构（CUDA）的三维FDTD并行计算方法,采用了时域卷积完全匹配层（CPML）吸收边界条件模拟开域空间,对不同网格数目标仿真计算。进一步结合FDTD算法和CUDA的特点进行了优化,当计算空间元胞数在十万数量级及以上时,优化前后GPU运算相对于同时期的CPU分别可获得10和25倍以上的加速,结果表明该方法较适合用于实际电磁问题的仿真。     

基于CUDA的热传导GPU并行算法研究

在热传导算法中,使用传统的CPU串行算法或MPI并行算法处理大批量粒子时,存在执行效率低、处理时间长的问题。而图形处理单元(GPU)具有大数据量并行运算的优势,为此,在统一计算设备架构(CUDA)并行编程环境下,采用CPU和GPU协同合作的模式,提出并实现一个基于CUDA的热传导GPU并行算法。根据GPU硬件配置设定Block和Grid的大小,将粒子划分为若干个block,粒子输入到GPU显卡中并行计算,每一个线程执行一个粒子计算,并将结果传回CPU主存,由CPU计算出每个粒子的平均热流。实验结果表明,与CPU串行算法在时间效率方面进行对比,该算法在粒子数到达16 000时,加速比提高近900倍,并且加速比随着粒子数的增加而加速提高。     

面向OpenCL架构的Harris角点检测算法

Harris角点检测算法是计算机视觉领域中使用非常广泛的点特征提取算法,它计算简单,稳定性强,但运算速度慢。当前已有算法优化研究一般只针对单一硬件平台,它们很难实现在不同平台上的高效运行。为此提出一种基于开放式计算语言(OpenCL)设计思想的Harris角点检测并行算法,其采用图形处理器(GPU)中共享存储器、常量存储器和锁页内存机制在OpenCL框架下完成影像角点检测的全过程。实验结果表明,基于OpenCL的Harris角点检测并行算法相比CPU上的串行算法可获得的加速比高达77倍,执行效率明显提高,对于大规模数据处理表现出良好的实时处理能力。