TSN网络下基于网络周期的流调度方法

针对时间敏感网络的流调度问题,提出一种基于网络周期的在线流调度算法。基于网络周期将调度结果分散到各个网络周期中以提高网络的可调度性,增加实时流的调度数量;根据每个网络周期的可调度空间,提出重合度指标及基于该指标的离线调度算法,使用禁忌搜索算法,提高可调度空间,有利于后续的在线调度过程。实验结果表明,该算法能够有效增加网络的可调度流数量,其在线调度计算时间在毫秒级,满足算法在线运行实时性。

一种高光谱图像加权稀疏子空间聚类算法

稀疏子空间在基于单稀疏表示系数构建相似矩阵的过程中,并没有充分利用高光谱图像丰富的光谱和空间信息。提出了一种基于弗雷歇距离的加权稀疏子空间聚类算法(FSSC)。该方法充分考虑了高光谱图像丰富的光谱信息以及光谱连续性,利用弗雷歇距离度量像素点光谱曲线间的相似度,并基于稀疏表示矩阵和相似度矩阵建立光谱加权稀疏子空间聚类模型,从而求解更真实的亲和力矩阵,以获得更高的地物分割精度。在两个经典的高光谱图像数据集上的实验结果表明了FSSC算法的有效性。

基于GPU的GRAPES模型并行加速及性能优化

GRAPES(global/regional assimilation and prediction system)数值天气预报模式作为地球大气一个典型的非线性化离散系统,计算量非常巨大,因此利用低成本、低功耗和高性能的GPU对GRAPES模式进行并行加速成为目前的研究热点.首先通过实现GRAPES模式在GPU中的并行加速,发现系统性能提升并不理想.在此基础上,提出了性能优化策略,包括缓解数据传输时间、降低设备内存加载和存储的数量和避免线程控制流分支,实验结果表明,利用GPU的性能优化策略有效地提升了GRAPES系统性能.

结合径向基函数和KPCA的食用油太赫兹光谱特征提取方法

针对太赫兹光谱线性不可分的情况,提出结合径向基函数和核主成分分析(KPCA)的方法进行食用油太赫兹光谱特征提取。该方法所提取到的特征类内距离小,类间距离大,在大多数支持向量机(SVM)分类器可以建立准确的分类模型。太赫兹光谱是检测食用油种类和品质的一种重要手段,研究针对食用油太赫兹光谱的特征提取技术对于食用油种类和品质快速检测具有重要意义。虽然利用太赫兹光谱检测食用油种类和品质已经具备理论基础,但是如何准确提取食用油太赫兹光谱的特征,从而建立更加准确的分类模型依然是一个难点。目前研究人员常常采用化学计量学中的主成分分析法(PCA)提取特征,结合机器学习的方法建立物质分类模型。然而,食用油的太赫兹光谱的线性可分情况在不同频段有不同的特性。当食用油的太赫兹光谱线性可分时,使用PCA提取特征是可行的,容易建立准确的分类模型。但是,当食用油的太赫兹光谱线性不可分时,使用PCA提取到的特征往往不够准确,需要选择合适的分类器去建立准确的分类模型。结合径向基函数和KPCA的特征提取方法通过径向基函数将线性空间不可分的太赫兹光谱数据映射到径向基空间,然后使用KPCA提取特征,最终实现特征线性可分,从而可以建立更加准确的分类模型。实验首先使用滑动窗口平均滤波算法对3种食用油太赫兹光谱数据进行滤波处理,接着使用径向基函数对太赫兹光谱进行非线性映射,然后采用KPCA进行数据降维,最后用支持向量机对食用油建立分类模型,验证特征提取效果。类间可分性计算结果表明,该方法所提取的特征类内距离更小,类间距离更大,整体上特征提取效果优于PCA和KPCA。基于不同内核的SVM模型上进行分类验证的实验结果表明,在PCA和KPCA提取的特征在一些分类模型上无法准确区分食用油种类的情况下,该工作特征提取方法在各种内核的SVM模型上均能准确区分食用油种类。所提出的方法用于食用油太赫兹光谱特征提取有更好的效果,在食用油品质检测与分析方面具有良好的应用价值。

基于GPU的并行计算性能分析模型

针对GPU并行计算领域缺少精确的性能分析模型和有针对性的性能优化方法,提出一种基于GPU的并行计算性能定量分析模型,其通过对指令流水线、共享存储器访存、全局存储器访存的性能建模,来定量分析并行程序,帮助程序员找到程序运行瓶颈,进行有效的性能优化。实验部分通过3个具有代表性的实际应用(稠密矩阵乘法、三对角线性方程组求解、稀疏矩阵矢量乘法)的性能分析证明了该模型的实用性,并有效地实现了算法的优化。

一种基于GPU的高精度体系结构级功耗模型

随着硬件功能的不断丰富和软件开发环境的逐渐成熟,GPU开始被应用于通用计算领域,协助CPU加速程序运行。为了追求高性能,GPU往往包含成百上千个核心运算单元,高密度的计算资源使得其性能远高于CPU的同时功耗也高于CPU,功耗问题已经成为制约GPU发展的重要问题之一。在深入研究Fermi GPU架构的基础上,提出一种高精度的体系结构级功耗模型,该模型首先计算不同native指令及每次访问存储器消耗的功耗;然后根据应用在硬件上的执行指令和采样工具获得采样结果,分析预测其功耗;最后通过13个基准测试应用对实际测试与功耗模型测试结果进行对比分析,该模型的预测精度可达90%左右。

一种基于GPU的并行算法功耗评估方法

随着软件和硬件的不断发展,图形处理器(GPUs)已经广泛用于通用计算领域,并作为加速器来协助CPU加速程序的运行。为了追求高性能,GPU往往包含成百上千个核心运算单元,高密度的计算资源使其在性能远高于CPU的同时功耗也高于CPU,因此功耗问题已经成为制约GPU发展的重要问题之一。分析了并行程序在GPU上运行时消耗的功耗,提出了并行算法在GPU上运行的功耗评估方法,接着通过并行前缀求和算法对该方法进行了详细的论述与分析。在实验部分通过稀疏矩阵向量乘算法的实际应用对该方法的正确性以及敏感性进行了证明与分析。结果表明,对于给定的程序,在满足性能要求的前提下,最优线程块数、存储访问方式以及任务分配顺序是影响系统功耗的关键因素。

基于GPU的GRAPES数值预报系统中RRTM模块的并行化研究

GRAPES(Global and Regional Assimilation and Prediction System)是由中国气象科学研究院自主研究开发的中国新一代数值天气预报系统,由于其处理的数据量非常庞大以及对实时性的要求较高,因此一直是并行计算领域研究的热点。首次运用GPU(图形处理器)通用计算及CUDA技术对GRAPES_Meso模式中物理过程的RRTM(快速辐射传输模式)长波辐射模块进行并行化处理。在性能分析的基础上,针对GPU体系结构的特点,从代码优化、存储器优化、编译选项等方面对程序性能进行优化,并取得了14X倍的加速比。经过测试表明,长波辐射RRTM模块在GPU上并行计算过程正确、稳定而且有效,并为GRAPES系统未来在GPU平台上的并行化发展奠定了一定的基础。

智能制造信息物理系统安全研究

信息物理系统(cyber physical systems,CPS)安全是智能制造的重要技术基础之一,作为一个新型的、尚处在发展阶段的研究领域,CPS安全在关键技术和基础理论的研究上还有很多问题亟待解决.智能制造CPS具有数据驱动、软件定义、泛在连接、虚实映射、异构集成和系统自治的特征,应采用"自治"和"共治"相结合的策略,从感知、传输、计算、控制和服务等层次建立其安全框架.智能制造CPS的研究热点和方向包括安全防护体系架构、层级化CPS可信与控制相互作用机理与控制器设计方法、保证系统弹性的主动和入侵容忍防御技术、区块链技术应用等.

羟基磷灰石的微波烧结

对羟基磷灰石的微波烧结进行了系统研究,确定了制备致密HAP生物陶瓷材料的最佳微波烧结工艺条件.通过XRD、SEM等手段研究了烧结温度和时间对HAP生物陶瓷的物相和显微结构的影响,测试了烧结收缩率和抗折强度.结果表明,微波烧结利于HAP陶瓷坯体的致密化,可以实现低温快速烧结,并提高陶瓷的机械强度;微波烧结对HAP的分解有促进作用,而且随着烧结温度升高和时间延长HAP分解程度增大.1 200℃烧结30 min的HAP陶瓷样品抗折强度最高,为(95.42±3.45)MPa,其主晶相为HAP和β-TCP.

基于信息熵的加权块稀疏子空间聚类算法

稀疏子空间聚类(Sparse subspace clustering,SSC)算法在处理高光谱遥感影像时,地物的划分精度较低,为了提高地物划分精度,本文提出了一种基于信息熵的加权块稀疏子空间聚类算法(Weighted block sparse subspace clustering algorithm based on information entropy,EBSSC)。信息熵权重与块对角约束的引入,可以在仿真实验前获得两像素属于同一类别的先验概率,从而正向干预模型求解出的解趋于块对角结构的最优近似解,使模型获得对抗噪声和异常值的性能,从而提高模型分类的判别能力,以获得更好的地物划分精度。在3个经典高光谱遥感数据集上的实验结果表明,本文算法聚类高光谱影像的效果优于现有的几个经典流行的子空间聚类算法。

熔融晶化法制备硅灰石及其粉碎工艺的研究

以二氧化硅和碳酸钙为主要原料,以碳酸钠、氧化硼和氟化钙为助熔剂,采用熔融晶化法制备了硅灰石。研究了不同粉碎工艺条件对制备针状硅灰石的影响。结果表明,熔融晶化法合成的硅灰石其主晶相为-βCaSiO3。对比两种粉碎方式得出,气流粉碎比介质磨粉碎更有利于保护硅灰石针状晶型,获得的硅灰石粉末的长径比比较大,平均长径比为6.89∶1。

基于sMRI的阿尔茨海默症分类影响因素研究

本研究提出基于三类解剖特征的SVM建模方法,探索样本、特征及算法选择三个因素,对阿尔茨海默症(AD)及其前驱阶段分类的重要性。该方法以三维重构s MRI后不同大脑区域的灰质体积、皮层表面积及其平均厚度三类特征作为SVM模型的输入参数,并采用十折交叉验证方法对AD患者、轻度认知损害患者和健康者进行分类识别,并与其他文献结果进行比较分析。实验结果表明,为了达到更高的分类准确率,选择合适的样本和特征,比选择算法更重要。此结论为未来AD的计算机辅助诊断研究工作提供了有益的指导。

基于Spark的层次化项集挖掘算法

现有并行FP-Growth算法在挖掘项之间具有层次关系的事务数据时存在冗余项集大、效率低的缺点。针对上述问题,提出一种基于Spark的改进FP-Growth并行算法,建立词典树与FP-tree结合的双层层次化结构(词典频繁模式树,LFP-tree)。在具有主次层次关系的事务数据库中挖掘对象与属性的关联规则,减少多余搜索时间,利用Spark框架在内存计算和迭代计算上的优势完成剪枝、候选项集生成等工作。实验结果表明,该算法显著减少冗余项集的产生,在效率上优于FP-growth算法。

Halton序列并行加速与优化

Halton序列内部算法相关性复杂,生成大数量级的Halton序列耗时巨大,不利于实时性研究。针对该状况,提出在"天河二号"超算平台下的Halton序列并行加速方案,利用OpenMP实现多线程并行,在此基础上优化Halton序列生成过程,减少空间存储度以及并行通讯开销,提高生成速率。实验结果表明,通过"天河二号"超算平台上多线程并行加速,加速倍数可达22.2842倍。

基于深度学习的命名实体识别算法

命名实体识别(Named Entity Recognition, NER)的定义是从自由文本中识别出属于预定义类别的文本片段(如人名、地理位置名、机构组织名等)。命名实体识别一直是许多自然语言应用的基础,例如问题回答、提取文本摘要和知识库建立。早期的NER系统在实现良好性能方面取得了巨大的成功,其代价是人类工程在设计特定领域的特征和规则方面付出的代价。近年来,非线性处理的连续实值向量表示和语义组合使得深度学习在命名实体识别系统中发挥了很好的作用。在本文中,我们提供了一种基于深度学习的命名实体识别算法。首先我们随机初始化训练集中的每个字特征,并在获取该字典句子中每个字的特征之后,利用周期卷积来得到其固定长度的特征,以此作为句子特征;随后训练数据自动编码器,通过栈式自动编码器得到高层句子的特征;最后通过高层句特征与字特征的组合训练字的标注网络模型来得到未知字的标注值,再进行实体扩展(分类,属性,副标题),最后利用马尔科夫逻辑网络优化整体识别效果。

激光雷达数据协助下的高光谱图像三维残差网络分类

高光谱成像(Hyperspectral Imaging, HSI)数据可以在狭窄和连续的波段中收集数据,即使在差异很小的情况下,也可以检测到不同类别的数据。然而,光谱变异性和阴影效应会限制任何HSI的分类精度。与HSI相比,激光雷达数据(LiDAR)是HSI的一个很好的补充,因为它提供了高度信息和来自不同物体的多次回波数据。在激光雷达数据的辅助下,通过HSI分类的预处理和深度残差网络分类,可以有效解决阴影效应光谱变异性的问题。除此之外,来源于点云数据的数字高程模型(Digital Elevation Models, DEM)也能够提高HSI分类性能。通过在MUUFL港湾高光谱和激光雷达机载数据集上进行实验的结果表明,采用两种DEM栅格层结合HSI的分类准确率为98.16%,而仅采用HSI数据集独立学习方法的分类准确率为96.3%。并且随着精度的提高,标准偏差从0.304降低到0.150。

特征直连与结构化约束的多视图子空间聚类

多视图子空间聚类作为处理多视图数据的聚类算法,其目的在于学习到一个共识的子空间后用于聚类。但是,现存的多视图子空间聚类算法只是将目标放在了原有的多个视图上,忽略了通过特征直连得到的数据。提出的FSMC算法使原有的多个视图与特征直连视图相互学习,通过误差重构和结构化约束子空间得到一个更加合适的子空间表示,同时还考虑了多视图与特征直连视图的权重关系。最后,在4个基准数据集上进行实验,验证了算法的有效性。

一种用于遥感图像检索的双重注意力深度神经网络

因为遥感图像背景复杂,所以提取判别性强特征是遥感图像检索的一个核心技术。本文引入双重自注意力模块,利用空间和通道上的长距离上下文信息,编码局部特征,从而增强特征的表达能力。本文分别在3个典型的数据集上做了实验,在UC Merced Land Use、Satellite Remote Sensing Image Database、NWPU-RESISC45的平局检索精度分别为0.92、0.90和0.89。实验表明,双重自注意力深度学习网络对遥感图像检索性能的提升有显著的作用。

基于Unet的阿尔兹海默症病灶分割模型

由于人脑的结构比较复杂,所以如何准确的提取分割部位的特征是医学图像语义分割的一个关键点。本文使用Unet网络作为基本框架,并在特征提取过程中引入了注意力机制CBAM,在Unet的Skip-connection过程中引入了SENet。通过这些方法从全局增强分割部位的语义信息并降低其他部位的语义信息。本文使用相同的设备和数据分别在Unet、Unet + CBAM、Unet + SENet以及本文提出的模型进行了实验,得到对应的平均Dice分别对应为0.680、0.703、0.706、0.736。实验表明,本文提出的方法对阿尔兹海默症病灶分割的性能有显著提升。