基于自动终止准则改进的kd-tree粒子近邻搜索研究

对于大规模运动模拟问题而言,近邻点的搜索效率将对整体的运算效率产生显著影响。本文基于关联性分析建立kd-tree的最大深度dmax与粒子总数N的自适应关系式,提出了kd-tree自动终止准则,即ATC-kd-tree,同时还考虑了叶子节点大小阈值n_(0)对近邻搜索效率的影响。试验表明,ATC-kd-tree具有更高的近邻搜索效率,相较于不使用自动终止准则的kd-tree搜索效率最高提升46%,且适用性更强,可求解不同N值的近邻搜索问题,解决了粒子总数N发生改变时需要再次率定最大深度dmax的问题。同时,本文还提出了网格搜索法组合坐标下降法的两步参数优化算法GSCD法。通过2维阿米巴虫形状的参数优化试验发现,GSCD法可更为快速地率定ATC-kd-tree的可变参数,其优化效率比网格搜索法最高提升了205%,相较于改进网格搜索法最高提升了90%。研究结果表明,ATC-kd-tree和GSCD法不仅提高了近邻搜索的效率,也为复杂运动中近邻粒子搜索问题提供了一种更为高效的解决方案,能够显著降低计算资源的消耗,进一步提升模拟的精度和效率。

基于KD-Tree与DBSCAN的水电机组状态监测数据清洗方法

针对水电机组状态监测数据量逐步增大,数据质量差的问题,提出了一种基于改进K维树(K-Dimensional Tree,KD-Tree)与基于密度的空间聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)的水电机组状态监测数据清洗方法,首先对输入数据建立KD-Tree,再使用DBSCAN在最近邻样本上扫描完成聚类,聚类结束以后会分离出噪声点,将噪声点去除即可完成对水电机组状态监测数据清洗。选取某水电站状态监测系统上导摆度数据1 088条,再以相同时间间隔插入随机数据100条,通过算例与常规DBScan、K-means、OCSVM算法对比聚类性能与时间性能,所提出的方法识别正确率最高,为97.78%,消耗时间最少,为0.007 732 s,数据清洗效果最优,并可以大幅减少计算时间。

基于线索KD-Tree的射线追踪并行计算

针对射线追踪过程中,由于射线数目巨大、部分目标场景复杂,造成计算效率低下的问题,采用线索KD-Tree (K-dimensional tree)空间加速算法,将目标场景进行有序组织,通过对线索KD-Tree进行无堆栈遍历,加快射线与目标场景求交的计算速度。为解决传统方法中,串行计算射线与目标求交过程中造成待遍历射线多的问题,采用图形处理器(graphics processing unit, GPU)在统一计算设备架构(compute unified device architecture, CUDA)平台下并行处理所有射线,加快计算速度。实例仿真计算结果表明,基于线索KD-Tree的射线追踪并行计算相比于串行计算,计算效率提高,获得了很好的加速效果。

基于kd-tree的建筑物散乱点云平面分割

应用kd-tree快速确定散乱点云数据中某一个点的邻域,不需要先验地知道点云数据之间的拓扑(邻接)关系,使得建筑物点云平面分割算法更一般化,应用面更广。根据建筑物平面特征的先验信息,并采用高效数据结构,优化了平面分割算法,给出了散乱点云平面分割的实现和相应结果,说明了基于kd-tree的建筑物散乱点云平面分割算法的有效性。

虚拟场景的一种快速优化Kd-Tree构造方法

Kd-tree因其具有场景自适应划分、低存储消耗和快速遍历等优势成为使用最为广泛的加速结构.本文提出一种快速优化的kd-tree构造方法,该方法通过分析场景的SAH函数,将模拟退火技术使用到最优分割平面搜索过程中加快搜索过程,从而加速kd-tree的构造过程.实验表明,通过本文的方法可以在保证构造的kd-tree的质量情况下有效加快构造速度.同时,本文实现了该方法的一个多核并行扩展,利用多核CPU的并行处理能力,进一步加快了kd-tree的构造过程.

基于KDG-tree的数据库多维索引技术

针对目前网格索引(Grid index)的冗余数据及KD-tree等多维索引的维度灾难等问题,提出一种将网格索引与二叉搜索树结合起来的高效索引结构KDG-tree。KDG-tree通过纵横向指针将结点链接起来构成二叉索引树,树中的结点分为中间索引结点和叶子结点,所有数据对象只存于叶子结点。创建索引时分别从高维到低维按结点索引值顺序插入,查找对象时逐维搜索。实验分析表明,KDG-tree避免了Grid index的数据冗余,又改进了KD-tree与KDB-tree的性能,是一种适合高维海量数据的多维索引。

有序的KD-tree在图像特征匹配上的应用

针对用KD-tree实现高维空间点匹配中存在的错误匹配问题进行讨论,分析其存在的原因;接着,使用PCA,根据各维数之间的协方差,求出它们的主成分奉献率,再按主成分奉献率进行维数优先级排序,并在该基础上增加了KD-tree各节点的权重;最后,将改进前后的KD-tree应用于Sift特征点匹配。实验证明,改进后的KD-tree能在保持实时性的前提下,大大提高匹配的准确率。

结合K均值聚类和KD-Tree搜索的快速分形编码方法

利用部分失真搜索求解传统K均值聚类算法中的最近邻搜索问题,显著地减少了传统算法的乘法次数,从而提高了聚类速度;然后用改进后的聚类算法来加速分形编码:首先将定义域块聚类并为每个类建立一棵KD-Tree,编码时对每个值域块先后用部分失真搜索与近似最近邻搜索得到与其距离最近的若干KD-Tree及其上的若干最近邻,而其最优匹配块即由后者产生.实验结果表明,相对于全局搜索,该方法能大幅度地提高编码速度和较大地提高压缩比,而解码质量只有很小的下降;相对于同类方法,在相同压缩比下有更好的加速效果和解码质量.

在游戏中利用邻域特性扩展的kd-tree及其查找算法

处理场景中数量庞大的各种对象间的交互是游戏的一类主要计算工作。将kd-tree用于组织场景,提高了这类计算的效率。传统算法采用树的层次遍历方式进行查找,处理跨节点情况时性能下降明显。提出了邻域特性概念以扩展传统kd-tree结构,增添了树节点间的平面邻接关系,且考虑了游戏对kd-tree的一些限定,设计了从起始节点向四周扩展的查找算法。经分析与实验证明,新算法比传统算法有约40%的性能提升且更稳定。

基于KD-Tree搜索和SURF特征的图像匹配算法研究

针对图像匹配时进行特征检测和匹配的搜索时间长的问题,文章研究了基于KD-Tree搜索和SURF特征的图像匹配算法。该算法首先提取得到图像的SURF特征并生成特征描述向量,然后为这些特征描述向量建立KD-Tree索引,最后通过计算每个特征点的与其距离最近的若干个KD-Tree上的最近邻点,完成特征匹配工作。实验结果表明,与SIFT算法相比,SURF算法进行特征检测的速度要快2～3倍;与全局最近邻搜索相比,基于KD-Tree索引的近似最近邻搜索大大减少了计算量,较大地提高了SURF算法的匹配速度。

KD-Tree的并行化创建方法分析

针对KD-Tree的串行创建效率不高的问题,文中对KD-Tree创建的并行化方法进行了研究。首先通过分析串行创建的方法;结合GPU的并行特性,改进了原有方法;并对三种不同的并行化方法进行了对比,其中基于GPU构建的并行化方法既保证了稳定性和性能,又具有比较满意的时间复杂度。

kd-tree建树算法改进

kd-tree(k-dimensional tree的简称)是一种分割k维数据空间的数据结构,主要应用于多维空间特征向量的快速搜索。但是kd-tree的重要缺点是建树速度非常慢,提出一种改进的建树算法,可显著提高建树速度。

GPU上的kD-tree雷达模拟加速

为了加速对雷达系统的计算机仿真模拟,提出一种基于kD-tree的GPU并行加速算法.采用CUDA实现了多种kD-tree的并行遍历算法,并对这些遍历算法性能进行比较分析,从中筛选出了最适合在GPU上进行雷达模拟加速的Shortstack-kD算法.实验结果表明,Shortstack-kD算法不仅对不同种类的场景都能带来明显的效率提升,还可以根据场景的不同情况控制Shortstack-kD的栈长度,以达到算法的最高性能和最大灵活性;在CPU上进行建树的过程中还针对雷达模拟的应用需求进行了优化.

基于OpenCL的实时KD-Tree与动态场景光线跟踪

目前,基于GPU或多核CPU加速的光线跟踪算法是与硬件相关的.研究具有跨平台性能的实时光线跟踪算法既具有挑战性,又具有很强的应用价值.为此,提出一种基于OpenCL并且跨平台的动态场景实时光线跟踪绘制算法.首先通过对通用GPU并行处理性能进行发掘,将光线跟踪中KD-Tree建立、场景遍历和绘制3个过程均设计在GPU上,而CPU只负责其中各过程的调度,从而充分利用了GPU的计算性能,并有效地降低了数据传输开销;通过设计并行分区、并行SAH、紧密的数据管理以及区间性叶结点存储等算法,在GPU中高效、高质量地建立动态场景的KD-Tree,同时高质量的KD-Tree也有效地加速了场景的遍历速度.该算法以广度优先和大规模并行模式建立KD-Tree,更具通用性,既可以运行于NVIDIA GPU(CUDA GPU),也可以运行于AMD GPU.实验结果表明,文中算法可以在NVIDIA GPU和AMD GPU上对中等规模的动态场景实现实时光线跟踪绘制.

场景导向的kd-tree点云滤波算法

采集点云是三维重建过程中的关键步骤,在采集点云的过程中,不可避免地产生一些噪声及离群点。针对噪声及离群点的传统滤波算法主要依赖于概率学模型假设,然而由于环境的复杂性导致噪声及离群点的分布并不完全服从于假设的模型,从而传统的滤波算法不能达到良好的滤波效果。另外,传统滤波算法通常需要对样本逐个遍历,因此耗时较高。针对这些问题,针对特定场景的结构特点,提出了一种场景导向的kdtree(k-dimensional tree)点云滤波算法。首先对点云下采样后计算其重心,再设定搜索半径阈值,最后依据所计算得到的重心及搜索半径结合kd-tree分割出场景结构并保留,从而达到滤波目的。实验结果表明,提出的算法不仅具有良好的滤波效果,而且在算法的处理速度方面,相较于传统的半径滤波算法、统计滤波算法分别提高了4.8倍、14.2倍。

启发式探查最佳分割平面的快速KD-Tree构建方法

在基于光线跟踪方法的真实感绘制中,kd-tree是一种重要的加速结构.文章对kd-tree的构建方法进行了研究,提出了一种基于分区(binning)算法的快速构建方法.首先,通过分析kd-tree的成本函数,启发式地定位了当前节点的分割平面所在的子区间;其次,对探查到的子区间进行进一步的细化采样(sub-sampling),使得到的分割平面更好地逼近最优分割位置;同时,文章分析了现有方法在处理分割终止时存在的问题,提出了更加合理的分割终止条件.与以往方法相比,新方法用更小的计算成本生成了质量更好的kd-tree,构建过程更加鲁棒.实验数据验证了文中方法的有效性.

光线追踪的kd-tree构造

针对kd-tree的结构会直接影响光线追踪的渲染速度,结合SAH思想,设计和实现了一种引入光线的构造kd-tree的方法,简化构造过程中的计算,并生成优于用普通二分法及原始SAH思想构造的kd-tree。实验证明,该方法可加快渲染速度且场景效果不会变差,适用于游戏型学习软件及游戏。

基于改进Kd-Tree构建算法的k近邻查询

k近邻查询算法是查询大规模空间数据的常用算法之一,使用Kd-Tree先构建大规模空间数据的索引,然后对搜索空间进行层次划分,再进行k近邻查询,能保证搜索的效率.但是,传统的Kd-Tree构建有两个缺点:使用测试数据点进行k近邻查询每次都需要回溯到根节点,影响了查询的效率;Kd-Tree使用split域对空间进行层次划分,空间划分为立方体(二维数据表现为矩形),多边形空间在相交判断时会出现没必要进行数据距离比较的多余空间,这样会影响查询的效率.针对这两个缺点,本文提出了相应的改进算法——RB算法.实验结果证明,该算法比传统的KD算法拥有更高的查询效率.本文的主要贡献有两点:(1)构建一种快速创建Kd-Tree索引来支持KNN算法进行大规模数据的分类查询操作.(2)改进传统的Kd-Tree索引构建方法,提出新的改进算法RB算法,提高KNN算法查询的效率.

一种基于Kd-tree射线追踪法的卫星RCS预估方法

针对空间卫星目标的雷达散射截面(RCS)预估问题,提出了一种基于Kd-tree射线追踪法的改进物理光学(PO)方法,实现了对具有较强耦合结构的卫星目标电磁特性计算。基于卫星目标的三维面元模型,建立了其对应的Kd-tree空间分割描述结构,将其用于射线追踪,结合PO方法就可以得到给定模型的RCS预估值。数值计算结果表明,改进方法和MoM方法相比,具有相同计算精度但计算效率高得多,相比单纯PO方法,改进方法也更接近测量值。

全流水线化光线追踪KD-Tree遍历单元硬件架构

在提出引入restart遍历算法的基础上,构造流水线处理机制,使得硬件架构可以实现整个遍历和相交测试流程模块间(粗粒度)和模块内部(细粒度)完全流水线化.同时,也改进了光线-图元相交测试的浮点算法,能够减少浮点运算单元个数.实验结果在FPGA验证中实现了每秒约处理8千万条光线的能力(100MHz工作时钟).