摘要：提出了基于图形处理单元(graphics processing unit,GPU)的高光谱岩矿信息快速提取方法,利用GPU的并行计算优势对高光谱岩矿信息提取的核心步骤进行了并行优化设计。针对高光谱岩矿信息提取的算法特点,提出了相应的性能优化策略,包括优化算法流程、提高访存效率和减少数据访问冲突。实验结果表明,并行设计模型与优化方法能够快速有效地进行岩矿信息提取,并且最大加速比达到了81倍。

摘要：为提高BP神经网络算法的训练速度,针对BP网络训练过程中层间数据传播,权值更新耗时大的问题进行深入分析。基于单机多核CPU系统环境,运用OpenMP并行技术,设计实现多核架构下基于OpenMP的BP并行算法。将该算法应用于基于高光谱图像技术的长枣糖度无损检测中,实验结果表明,与原串行算法相比,并行算法可以保证算法的相对误差较低,取得较好加速比,该算法在不同平台随着核数的增加,加速比也在增加,验证了其可行性、有效性和可扩展性。

摘要：基于暗通道先验规律的去雾算法已取得了良好的去雾效果,但算法所需要的计算时间过长,无法达到实时去雾的要求。使用GPU初步并行实现了去雾算法,并确定了算法中需要优化的部分。在优化过程中,一方面将数据存储到高速内存中以实现对数据的快速读取,另一方面设计新的算法实现方式以减少算法的计算量,最终提高了加速比。优化后的加速算法处理768×1024的图像仅需21 ms,达到了实时去雾的要求。

摘要：格子玻尔兹曼方法(Lattice Boltzmann Method,LBM)是一种基于介观模拟尺度的计算流体力学方法,已被广泛用于理论研究和工程领域。提高LBM计算流体软件的并行模拟能力,是高性能计算及应用研究中的一项重要内容。该研究基于“神威·太湖之光”超级计算系统,设计并实现了一套高效扩展的LBM计算流体力学软件。针对国产众核处理器SW26010的架构,文中设计了以下几种提高SWLBM方针速度和可扩展性的多级并行技术,包括面向19点stencil的数据复用、碰撞过程向量化、主从异步并行通信计算隐藏等。基于以上并行优化方案,文中测试了高达56000亿网格的数值模拟,SWLBM软件持续浮点计算性能达到4.7 PFlops,软件模拟速度提高了172倍。相比百万核心10000*10000*5000网格风场模拟,SWLBM整机千万核心的并行效率可达87%。测试结果表明,SWLBM有能力为工业应用提供实用的大规模并行模拟解决方案。

摘要：矩阵转置访存密集,便于并行优化,因此优化矩阵转置程序,旨在分析Knights Landing平台新特性。分析矩阵转置程序特性,按照矩阵一行元素个数,将矩阵分为3类;利用KNL平台提供的AVX-512扩展指令集对其进行向量化优化以及数据预取,利用OpenMP实现两种不同粒度的并行优化;利用矩阵转置程序,通过实验数据对比,分析KNL平台优化程序的特点及其不同模式的不同特性。

摘要：AMBER是一款主流的分子动力学模拟软件,用于研究分子体系内的微观运动状态。为利用神威太湖之光的海量计算资源加速AMBER软件模拟分子体系的运动过程,将AMBER软件移植到SW26010处理器的主核上建立主从加速模型,实现AMBER软件的从核并行化设计。在从核并行化的基础上提出主从异步流水化方案,利用SW26010处理器从核的局部数据缓存和直接内存存取通道技术,解决从核访存速度过低及并行访存带宽受限的问题,并通过SIMD指令将部分从核代码向量化,进一步提升AMBER软件在神威太湖之光平台上的计算性能。测试结果表明,AMBER热点函数的计算性能较优化前约提升15倍,单核组的整体性能较Intel Xeon Platinum 8163约提升4.6倍。

摘要：发动机ECU标定系统需要标定人员根据实时工况数据来即时调整ECU的控制策略。即时显示发动机运行状态,同时存储实时数据对于标定工作意义重大。提出一种发动机ECU标定系统结构实现方法,实现工况数据的实时采集与标定数据的在线标定。设计一种改进的行程编码算法对数据进行无损压缩,便于数据的传输、存储、查询;利用数据缓存队列、优化线程调度策略,将任务分配到不同处理器上运行,保证系统的实时响应与数据处理效率。在发动机ECU标定系统的应用中表明该方法满足了标定系统对实时性、准确性、高效性的要求。

摘要：在高光谱图像处理中,针对预处理过程中计算耗时的问题,根据数据特征,应用Linux集群Matlab分布式并行处理技术,搭建Linux集群环境下Matlab分布式并行计算环境,在该环境下对高光谱图像预处理过程进行并行优化。通过实例进行验证,针对不同高光谱数据量在不同worker个数的情况进行测试,实验结果表明,该算法可高效完成高光谱图像预处理过程,对其消耗时间、加速比以及并行效率进行分析。

摘要：为了实现对低照度有雾视频图像的增强,建立了一套基于FPGA的实时增强去雾系统.对该系统所采用的低光照增强、图像去雾、跨时钟域转换等模块进行了并行优化设计.首先,提出了一种移位操作实现图像亮度增强的逻辑结构.接着,详细分析了暗通道先验去雾算法的特点,将该算法拆分为大气光值估计和透射率计算两个并行模块.最后,图像恢复模块根据已知参数计算无雾图像,并直接在LCD屏幕显示.实验结果表明:输出图像质量明显改善,且每秒最高可处理65帧大小为640×480的视频图像;满足提高图像质量、处理速度快、实时性高等要求.

摘要：随着互联网信息技术的大规模应用,挖掘海量实时数据蕴含的价值受到越来越多地关注和研究。本文构建基于Spark的机器学习平台,该平台集成经过并行优化改进的经典机器学习算法,满足在不同场景下的机器学习需求。最后通过在单机环境、Hadoop环境和本文平台三个环境下进行实验对比,说明本文构建的混合架构机器学习平台性能有很大的提升。