计算机图形处理器加速的光学航空影像正射校正

提出了计算机图形处理器(GPU)加速的光学航空影像正射校正并行算法,以满足获取光学航空影像对实时性的要求并提高对海量影像数据在CPU上串行正射校正的效率。介绍了光学影像正射校正算法原理以及正射校正算法的并行化处理。为减少GPU执行的计算负载,引入"有效像素区域"概念,设计了改进的GPU并行校正算法。通过配置选择以及存储器访问优化进一步提高了算法的执行效率。最后,分析了GPU并行算法的精度,并验证了噪声干扰对算法的影响。实验结果表明,优化的改进GPU并行算法显著提高了正射校正的速度,影像大小为5 000×5 000时,加速比最高可达CPU串行算法的223倍以上。虽然GPU单精度计算和噪声干扰会使影像校正精度有所下降,但尚在误差允许范围之内。该算法能够快速实现光学航空影像的正射校正,校正后的影像满足实际应用需要。

图形处理器通用计算的实现与验证

讨论了显示卡用于通用科学计算的问题,并以大型矩阵的基本运算问题详细比较了CPU和GPU计算之间的差别。在基本的矩阵运算中,运用适当的矩阵分块,GPU的计算速度比CPU快50倍左右。而且,显示卡低廉的价格为更多科研工作者实现大规模运算提供了可能。

不规则任务在图形处理器集群上的调度策略

针对大量的资源需求少且并行度高的不规则任务集合,利用图形处理器(GPU)来加速处理是目前的主流。然而现有的不规则任务调度策略要么采用独占GPU的方式,要么使用传统的优化方法将任务映射到GPU设备上。前者导致GPU资源的闲置,后者不能最大限度利用GPU计算资源。在分析了现存问题的基础上,采用多背包优化思想,使更多的不规则任务以最佳的方式共享GPU设备。首先,针对GPU集群的特点,给出了由调度器、执行器组成的分布式GPU作业调度框架;然后,以GPU显存为代价,设计了一种基于GPU计算资源的扩展贪心调度(EGS)算法,该算法将尽可能多的不规则任务调度到多个可用的GPU上,以最大限度地利用GPU计算资源,并解决了GPU资源的闲置问题;最后,使用实际基准程序随机生成目标任务集来验证所提调度策略的有效性。实验结果表明,与传统的贪心算法、最早完成时间(MCT)算法和Min-min算法相比,当任务数量等于1000时,EGS算法的执行时长分别平均降低至原来的58%、64%和80%,并且能有效提升GPU资源利用率。

基于图形处理器的涪江中段流域降雨汇流模拟方法研究

为增加径流汇流模型的时效性,提出一种基于图形处理器通用计算的汇流模型。首先,在稳定水源供给的条件下,通过对模型修改和完善生成流域前期水环境。最后,将小时降水数据叠加到前期水环境进行径流汇流模拟得到模拟结果。通过验证发现,模型模拟结果具有更小的水位变化误差,模拟精度进一步提高,模拟速度更快,满足实时计算要求。精度和性能的同时提升,证实汇流模型在流域暴雨洪涝灾害实时评估中具有重要的应用价值。

基于统一计算设备架构技术的并行图像处理研究

对统一计算设备架构CUDA技术进行研究,分析了CUDA GPU的显著特性,总结了CUDA的通用并行程序模式,详细介绍了用CUDA实现直方图均衡化的过程,接着简要介绍了CUDA在其它图像处理算法中的应用;最后对比CPU和GPU计算256级直方图均衡化的时间,实验结果表明随着图像像素的增大,CUDA可以把计算速度提高40多倍,在其它的图像算法中,甚至可以上百倍地提高速度。

用于迭代法潮流计算的改进Jacobi预处理方法

为提高潮流计算速度,满足实时计算的要求,线性方程组迭代法被用于电力系统潮流计算。但是当系数矩阵谱分布较为分散时,迭代法求解线性方程组存在收敛速度慢甚至不收敛等问题,为了解决这个问题,需对系数矩阵进行预处理。首先,分析电力系统潮流计算时Jacobi矩阵的特点,对其按PV,PQ节点进行分块处理,找出其中数值上较大的元素作为预处理子。然后,将预处理子的逆矩阵分别与系数矩阵A和常量项b相乘,将原线性方程组转换为新的更容易求解的等价线性方程组,大幅提高了潮流计算中线性方程组求解的速度。实验表明,该方法能有效解决大规模电网潮流求解问题。

可并行计算的图像检索技术

针对基于内容的图像检索技术存在的问题,结合多维空间仿生信息学(Multi-Dimensional SpaceBiomimetic Informatics,MDSBI)理论和可并行计算原理,根据在多维空间中分析图像的同源连续性规律和GPU工作的特点,提取一种可并行计算的图像特征提取算法和检索技术.实验比较证明,该方法在解决检索效率和检索速度有很大的提高.

基于CUDA的细粒度并行计算模型研究

作为应用软件模型和计算机硬件之间的桥梁,编程模型在计算机领域的重要性不言而喻。但随着具备细粒度并行计算能力的图形处理器(GPU)进入主流市场,与之相适应的编程模型发展却相对滞后。Nvidia在GeForce 8系列显卡上推出的统一计算设备架构(CUDA)技术,使得通用计算图形处理单元(GPGPU)从图形硬件流水线和高级绘制语言中解放出来,开发人员无须掌握图形学编程方法即可在单任务多数据模式(SIMD)下完成高性能并行计算。论文从特性、组成和并行架构等几个方面对CUDA并行计算模型进行了研究,充分表明基于GPU进行高性能并行计算,是适应目前大规模计算需求的一个重要发展途径。

基于GPGPU的大整数矩阵行列式快速准确计算方法

传统计算数值矩阵行列式的方法多数基于串行计算,存在初等变换频繁、计算缓慢等问题。为此,提出基于通用计算图形处理器(GPGPU)的计算方法,以快速准确解决大整数矩阵行列式计算问题。在众核环境下利用GPGPU和模方法并行求解整数矩阵行列式,以加速计算过程并避免浮点运算误差,同时运用中国剩余定理得到准确计算结果。实验结果表明,与常用Maple、NTL等计算软件相比,该方法计算速度快,消耗内存少,可解决计算过程中内存膨胀的问题,对于高阶整数矩阵行列式优势较为明显。

细粒度并行计算编程模型研究

作为应用软件模型和计算机硬件之间的桥梁,编程模型在计算机领域的重要性不言而喻.但随着具备细粒度并行计算能力的多核心微处理器进入主流市场,与之相适应的编程模型发展却相对滞后.对细粒度的并行计算编程模型进行研究.首先,介绍3种典型的多核心微处理器体系结构;其次,介绍3个已有的细粒度并行计算编程模型;最后,探讨并行计算编程模型的必备条件.

EAST运动斯塔克效应诊断数据处理中GPU并行化加速算法的研究

在EAST装置单道运动斯塔克效应(MSE)诊断系统数据处理中,采用CPU(中央处理器)+GPU(图形处理器)异构化模型,实现了数字谐波分析(DHA)算法的并行化加速计算。由CPU完成数据的加载及简单的数学计算,由GPU实现DHA算法的傅里叶正、逆变换及滤波等并行化计算,与串行算法相比,获得了2000倍以上的加速,可以满足MSE诊断实验期间及时数据处理的要求。

基于光线投射的电磁态势实时可视化

战场电磁环境态势具有复杂、多维、时变特性,研究战场电磁态势实时可视化技术,对于作战指挥员了解战场态势,作出科学指挥、决策意义重大。目前,表征战场电磁态势的数学模型并不完善,以场强为例,建立了多辐射源空间场强合成的数学模型,为电磁态势三维体数据场的构建提供数据来源;战场态势的复杂性,使得与体数据场相关的数学模型也相对复杂,传统基于中央处理器(CPU)的实现方法无法达到实时解算的要求,鉴于此,提出了基于通用计算图形处理器(GPGPU)的体数据场加速生成技术,实验结果表明该技术能够满足实时可视化的需求;设计了一种体绘制传递函数,并利用基于图形处理器(GPU)的光线投射算法,实现了电磁态势实时可视化。

面向CPU-GPU架构的源到源自动映射方法

针对GPU上应用开发移植困难的问题,提出了一种串行计算源程序到并行计算源程序的映射方法。该方法从串行源程序中获得可并行化循环的层次信息,建立循环体结构与GPU线程的对应关系,生成GPU端核心函数代码;根据变量引用读写属性生成CPU端控制代码。基于该方法实现了一个编译原型系统,完成了C语言源程序到CUDA源程序的自动生成。对原型系统在功能和性能方面的测试结果表明,该系统生成的CUDA源程序与C语言源程序在功能上一致,其性能有显著提高,在一定程度上解决了计算密集型应用向CPU-GPU异构多核系统移植困难的问题。

基于GPGPU的Lattice-Boltzmann数值模拟算法

对Lattice Boltzmann方法(LBM)在GPGPU下的建模和算法进行了一系列研究,使得该方法在GPU下的计算加速比提升,大大缩短计算过程的时间消耗.重新设计了GPU的计算流程,在舍弃pixel buffer离屏渲染的同时,采用最新的帧缓存对象,多重纹理、多通道渲染和乒乓技术来设计一套基于方腔的LBM数值模拟程序,最终使GPU的计算时间缩短到CPU计算时间的六分之一.

GPU加速的分段Top-k查询算法

现有Top-k查询优化算法无法充分利用图形处理器(GPU)强大的并行吞吐量及时获取查询结果,为此提出了一种基于统一计算设备架构(CUDA)模型的大规模分段查询算法。通过划分查询过程以及采用分段并行处理策略,该算法可最大限度地提升查询过程中的计算和比较效率。实验结果表明,与4线程多核优化算法相比,所提算法具有明显的性能优势,当有序列表数量为6,遍历步长为120时,性能达到最优,此时比多核算法快40倍。

CPU-GPU协同加速Kriging插值的负载均衡方法

Kriging插值算法被广泛应用于地学各领域,有着极其重要的现实意义,但在面对大规模输出网格及大量输入采样点时,不可避免地遇到了性能瓶颈。利用Open CL和Open MP在异构平台上实现了CPU与GPU协同加速普通Kriging插值。针对Kriging插值中采样点的不规则分布及CPU和GPU由于体系结构差异对其的不同适应性,提出一种基于不同设备间计算性能的差异和数据分布特点的负载均衡方法。试验结果表明,该方法能有效提高普通Kriging插值速度,同时还能节约存储空间和提高访存效率。

基于并行动态学习型免疫算法的永磁同步电机状态监测

为提高永磁同步电机(Permanent magnet synchronous machine,PMSM)系统参数辨识与状态监测效率,利用图形处理器(Graphics processing unit,GPU)并行计算与人工免疫技术相结合的研究方法,建立面向永磁同步电机系统基于GPU并行动态学习型免疫进化的参数估计与状态监测模型.为提高算法的动态跟踪性能,在抗体演化进程中,通过知识学习策略来引导算法进化过程,首先将抗体群划分为B细胞群、浆细胞群以及记忆细胞群,对处于不同进化群体中的抗体分别设计免疫综合学习策略、免疫反向学习策略和高斯学习策略,以增强抗体间的信息交互;接着,应用图形处理器并行计算技术进一步加速算法求解过程;最后,将所提算法应用于永磁同步电机系统参数辨识与状态监测中,实验表明,所提方法能同时准确地对电机的定子电阻、dq轴电感和永磁磁链等系统关键参数进行估计.依据参数变化实现对系统运行状态进行在线监测与预警.计算结果表明,GPU并行技术能大幅度提高计算效率.

基于GPGPU的并行影像匹配算法

提出一种基于GPGPU的CUDA架构快速影像匹配并行算法,它能够在SIMT模式下完成高性能并行计算。并行算法根据GPU的并行结构和硬件特点,采用执行配置技术、高速存储技术和全局存储技术三种加速技术,优化数据存储结构,提高数据访问效率。实验结果表明,并行算法充分利用GPU的并行处理能力,在处理1280×1024分辨率的8位灰度图像时可达到最高多处理器warp占有率,速度是基于CPU实现的7倍。CUDA在高运算强度数据处理中呈现出的实时处理能力和计算能力,为进一步加速影像匹配性能和GPU通用计算提供了新的方法和思路。

基于GPU加速的实时视频超分辨率重建

基于稀疏表示的超分辨率算法的图像重建质量好,但算法复杂,现有的CPU串行执行算法无法满足视频实时处理的需要。为此提出了基于GPU加速的稀疏表示的实时视频超分辨率算法。该算法着重于优化数据并行处理流程,提高GPU资源利用率,通过设置视频帧队列、提高显存访问并发率、采用主成分分析(PCA)降维、优化字典查找等手段,使算法执行速度比现有CPU串行算法提高了2个数量级,在显示分辨率为669×546的视频回放测试中达到每秒33帧。

基于GPU的3D距离变换

距离变换在图像处理中有着非常广泛的应用。由于3D图像数据的复杂性,传统基于CPU的3D距离变换效率较低。为此,研究了将3D图像数据有效地组织到纹理中存储的方法,设计并实现了基于GPU的3D距离变换并行算法。实验结果表明,相对基于CPU的算法,该方法具有非常高的加速比。