图形处理器(GPU)加速时域有限元的二维辐射计算

时域有限元方法是在电磁场与微波工程领域广泛应用的方法之一。然而,时域有限元在大型机上运行时都是相当缓慢的。对时域有限元计算的硬件加速的研究已经开始进行。与同一代技术的CPU比较,目前一般用户的图形加速卡(GPU)对时域有限元的加速可以达到CPU的近4倍左右。以OpenGL作为应用编程接口(API),使用一个标准的商业图形卡编程解决二维时域有限元的辐射问题。

基于通用图形处理器的大规模Costas信号脉压处理

本文分析了并行Costas信号脉压方法,设计了基于"通用图形处理单元(GPGPU)"的处理模型,并基于"铺路爪"雷达参数实现了Costas信号的方案。该方案在8片Nvidia tesla C1060的异构系统上对5418个通道脉压处理耗时514.3ms,比通用CPU处理系统速度提升574倍。研究结果对新一代异构高性能雷达信号处理系统的设计具有很好的参考意义。

基于可编程图形处理器的实时烟雾控制模拟

提出一种基于可编程图形处理器(GPU)有效控制烟雾模拟过程的实时算法。对于给定的烟雾当前状态和目标状态,该算法以自然的烟雾流动方式实现状态之间的转换。根据Navier-Stokes方程定义烟雾流体场的物理模型,通过调整方程中的风力项以达到控制目的。风力项由驱动力和聚合力组成,驱动力促使烟朝着目标密度分布运动,聚合力则用于抵消烟的扩散现象。烟雾的速度和密度参量被整合为纹理颜色通道,并传送到像素程序中由GPU完成计算。该算法无需保证两状态之间转移为最优,从而消除了非线性优化所带来的计算成本。实验表明该算法能实时高效地模拟两种烟雾状态之间的转换。

新型汉字图形处理系统

最近,日本NIC公司开发了一种新型5号汉字图形处理系统。该系统是综合性办公自动化系统,能够满足从新闻、杂志出版直至企业内部打印工作等的全部要求。与原有的汉字图形处理系统相比,该设备具有以下特点: 1.它是以具有印刷功能的通用计算机为基础的信息处理装置。

GPU通用计算在LBM方法中的应用

提出了一种结合GPU通用计算与计算流体力学中的LBM算法来模拟二维流场的方法。根据GPU通用计算和LBM方法的基本原理,利用OpenGL的离屏渲染技术FBO和Cg语言,基于LBM方法中的D2Q9模型对二维方腔流进行数值模拟,并设计出基于OpenGL的GPU通用计算的二维流场数值计算框架。实验结果表明,利用GPU模拟与CPU模拟流场的数值结果相当吻合,特别地,利用GPU进行数值模拟实验的速度是利用CPU的4倍左右。

基于GPU的图形电磁计算加速算法

本文利用现代图形加速卡中GPU(Graphics Process Unit)的可编程管线,实现了图形电磁计算(GRECO)方法.与原有的方法相比,在利用物理光学和物理绕射理论的基础上,计算速度提高了20倍左右.并且利用GPU实现了射线追踪算法,用于目标上多次散射的计算,使得GRECO方法可以快速计算具有凹腔结构目标的电磁散射.本方法对于目标识别和逆合成孔径成像等方面的研究具有重要的应用价值.

汽轮机排汽系数通用计算方法的研究

以质量单元为基础,在科学分析其汽水分布特性的基础上,应用能量平衡思想及现代矩阵理论,导出了汽轮机排汽系数计算的通用方程式,从而使排汽系数的分析计算更为严谨与科学,并有效地简化了热力系统的计算,该方法具有分析与计算方便、简洁、准确性高、通用性强等特点。

CPU浮点运算和GPU的通用计算的技术差异

GPU是图形处理器,显卡的处理中心，是中央处理器.CPU的浮点运算能力是关系到CPU的多媒体，3D图形处理的效果。GPU是图形处理器,显卡的处理中心，是进行并行处理的，主要用于处理图形方面的各种运算；CPU是电脑的处理中心，它与GPU工作的位置不一样。CPU和GPU各有所长。CPU的资源多用于缓存， GPU的资源多用于数据计算。将融合得最佳情况来提高电脑的运行效率，提高更好的性价比，可以为我们带来了新的选择。

GPU的未来物理加速与通用计算时代

一直以来，3D世界的技术发展都是最迅速的。显卡领域的激烈竞争让广大用户深深地为PC里最重要的芯片之一——图形芯片而着迷。毫无疑问，2008年图形芯片领域的竞争比以往更激烈，在传统的3D技术和图形处理速度以外，越来越多的新元素加入其中。物理加速、通用计算、电影式的3D交互画面……每一个新特性都让图形芯片的未来更加让人期待。

计算机图形题库系统设计中的几个问题

在其它题库系统特点的基础上，设计了一套通用的、具有图形处理功能的题库系统，可适应多学科的不同考务需求，具有较强的适应能力和扩展能力。

大规模稀疏矩阵的主特征向量计算优化方法

矩阵主特征向量(principal eigenvectors computing,PEC)的求解是科学与工程计算中的一个重要问题。随着图形处理单元通用计算(general-purpose computing on graphics pro cessing unit,GPGPU)的兴起,利用GPU来优化大规模稀疏矩阵的图形处理单元求解得到了广泛关注。分别从应用特征和GPU体系结构特征两方面分析了PEC运算的性能瓶颈,提出了一种面向GPU的稀疏矩阵存储格式——GPU-ELL和一个针对GPU的线程优化映射策略,并设计了相应的PEC优化执行算法。在ATI HD Radeon5850上的实验结果表明,相对于传统CPU,该方案获得了最多200倍左右的加速,相对于已有GPU上的实现,也获得了2倍的加速。

从同构刭异构通用处理器将实现SoC化

图形芯片生产商Nvidia公司的总裁兼CEO Jen—Hsun Huang指出：“目前，图形芯片具有的浮点运算性能已经大大超越了处理器。如果能够灵活运用，随着图形芯片的发展，将会涌现出各种各样新的应用。”在占据PC及服务器主流地位的x86处理器中，围绕GPU（图形处理单元）展开的相关研发工作突然活跃起来。

火电机组辅助汽水系统定量分析的通用模型

以质量单元为基础,通过严谨的数学推演,提出了火电机组辅助汽水系统定量分析计算的通用模型,该模型全面考虑了辅助汽水系统组成特点,具有分析与计算方便、简洁、准确性高、通用性强等特点;不仅为编制通用的热力系统计算软件提供了依据,而且为火电机组的节能降耗,特别是辅助汽水系统的定量分析计算提供了新的理论基础,并通过实例进行了验证。

基于图形处理单元的数值计算

随着科技的迅猛发展，越来越多的人意识到机器的计算能力在现代科学发展过程中举足轻重的影响力。现如今各领域的工程师也不遗余力地优化各自的计算模型和工具，从而让项目的计算性能得到进一步提升。而近年来，随着图形处理单元（GPU，Graph Processing Unit）的发展日益成熟，其应用的范围已从最初的计算机图形学领域，逐步扩展到数值计算领域。

单元级别并行有限元法求解工程涡流场的关键问题研究

单元级别并行有限元方法(EBE-PFEM)目前尚未在工程涡流场求解中得到应用。由于含有不同导电媒质的工程涡流问题经有限元离散化得到的方程组呈现病态性质,给EBE-PFEM这一有效方法的应用造成了困难。本文从数学模型选择与算法实施两方面出发对此提出了解决方案。将修正矢量磁位法及二阶矢量位法应用于涡流问题的数学模型中,能够简化问题的数学模型并改善涡流场离散化方程组的性质;而采用EBE-PFEM法求解该方程组,可以解决工程涡流场分析的存储规模庞大、求解困难的问题。文中并给出了EBE-PFEM法在GPU(图形处理单元)上的实现过程。

遥感影像的高性能并行处理技术研究

随着空间遥感技术和对地观测技术的不断发展,光学、热红外和微波等不同技术手段可以获取同一地区的多种遥感影像数据(多时相、多光谱、多传感器、多平台和多分辨率等),每天获取的遥感数据量越来越大。同时,大量的遥感应用需要快速地对这些遥感数据进行处理与分析,提供辅助决策信息。因此,如果不能及时进行数据处理,这些数据就会失去时效性,甚至失去数据本身的价值。高性能计算与并行处理技术,加速了遥感影像数据处理与信息提取的进度,如大规模多处理系统、网格与云计算技术、通用图形处理器(GPGPU)等。文中综述了高性能计算、并行处理及云计算技术应用于遥感领域的最新进展,给出了一些研究与应用范例,并提出了当前高性能遥感影像处理所面临的一些挑战。

基于GPU的Landsat8实时解压缩处理技术

根据Landsat8卫星下行数据的特点,结合RICE无损数据压缩算法和CUDA编程技术,提出一种基于图像处理单元(GPU)的实时解压缩处理系统方案,采用统一计算设备架构和流水线式解压缩结构进行任务分解及CUDA优化。测试结果表明,与基于CPU的解压缩方案相比,基于GPU的解压缩系统获得7.45倍的加速比,能够达到Landsat8卫星下行数据实时解压缩处理速度要求的1.8倍以上,解压缩的图像数据正确率高且成本较低。

基于BRDF和GPU并行计算的全局光照实时渲染

基于光线追踪,将屏幕图像像素分解为投射光线与场景对象交点面片辐射亮度和纹理贴图的合成,每个面片的辐射亮度计算基于双向反射分布函数(BRDF)基的线性组合,并通过图形处理器(GPU)处理核心并行绘制进行加速,最后与并行计算的纹理映射结果进行合成。提出了一种基于BRDF和GPU并行计算的全局光照实时渲染算法,利用GPU并行加速,在提高绘制效率的前提下,实现动态交互材质的全局光照实时渲染。重点研究:对象表面对光线的多次反射用BRDF基的线性组合来表示,将非线性问题转换为线性问题,从而提高绘制效率;利用GPU并行加速,分别计算对象表面光辐射能量和纹理映射及其线性组合,进一步提高计算效率满足实时绘制需求。

基于图形处理单元的数字全息图加速再现算法研究

研究了一种利用图形处理单元(GPU)加速数字全息图再现的算法。该算法充分利用GPU强大的并行计算能力,有效地缩短了数字全息图再现时间。比较了GPU加速运算和中央处理器(CPU)独立运算两种模式下,两种不同尺寸的数字全息图再现时间。结果表明,对于大小为2048 pixel×2048 pixel的数字全息图,GPU算法的再现时间可缩短至约1/15。利用该算法编写了易操作的通用软件。在高配置主机和高性能GPU硬件环境下,该软件不仅能够满足诸如数字全息显示、数字全息显微等系统实时功能的要求,还能够指导数字全息实验系统的快速搭建。