摘要：雷达信号处理算法的高性能实现是雷达系统设计中的关键技术。而恒虚警检测技术是雷达信号目标检测系统中控制虚警率的重要手段之一,也是最耗费系统资源的地方。传统的恒虚警检测技术主要采用DSP和FPGA等定制化设备,但存在的问题主要有开发周期长、调试难度大、耗费资源。为了满足脉冲多普勒雷达回波数据的实时处理需求以及国产化GPU的生态扩充,文章针对恒虚警检测技术分析了有序统计类恒虚警检测方法(OSCFAR)的可并行性问题,并基于OpenCL平台提出了对OSCFAR进行GPU加速的方法。该方法中提出了OSCFAR在GPU中避免条件分支的并行化技术,优化了适用于GPU的并行化排序方法,减少了系统访问全局内存所花费的时间。最后从性能测试和误差分析角度评估了OSCFAR的实时性和准确性,实验结果表明,在所使用的硬件平台上相比于传统CPU实现达到了60倍以上的加速比,处理精度可以达到与原有方案相同的水平。

摘要：kNN算法是机器学习和数据挖掘程序中经常使用的经典算法。随着数据量的增大,kNN算法的执行时间急剧上升。为了有效利用现代计算机的GPU等计算单元减少kNN算法的计算时间,提出了一种基于OpenCL的并行kNN算法,该算法对距离计算和排序两个瓶颈点进行并行化,在距离计算阶段使用细粒度并行化策略和优化的线程模型,排序阶段使用优化内存模型的双调排序。以UCI数据集letter为测试集,分别使用E8400和GTS450运行kNN算法进行测试,采用GPU加速的并行kNN算法的计算速度比CPU版提高了40.79倍。

摘要：针对计算资源受限设备在开放网络中指纹认证的隐私保护问题,采用了基于双调排序网络的指纹细节点匹配方案,该方案使用加密电路实现双方交集计算,具有高的计算和通信效率;在此基础上,设计了流水线的实现方式避免设备存储整个加密电路,使计算资源受限设备能够安全、有效地进行现场指纹细节点集合与注册模板集合的匹配程度进行比较.分析表明,该方案适合在低内存的移动、嵌入式设备上运行.