线性网络编码运算代价的估算与分析

对伽罗华域代数运算的时间复杂度进行了精确分析,在此基础上,对线性网络编码的工作机理进行了剖析,针对单源多播连接,以运算延迟衡量运算代价,在确定网络编码数据传输方式与随机网络编码数据传输方式下,分别建立了估算运算代价的数学模型,揭示了运算代价与环境参数(多播率、有限域的阶以及数据块长度)之间的关系,并对影响运算代价的关键因素进行了理论分析。分析结果表明,合理地选择环境参数可以减少运算代价。数值计算与仿真测试结果表明了提出模型的正确性,并验证了理论分析的结论。

基于CPU-GPU异构环境的运算代价评估模型

传统性能分析模型仅针对单个处理器,未考虑异构系统中处理器之间数据的传输开销,不能有效地评估异构系统的性能。为此,提出一种运算代价评估模型。通过对计算平台硬件参数和工作负载特征属性的分层建模,结合LogGP模型和Roofline模型,估算不同执行方式的运算时间成本。依照建模的粒度粗细,通过多层建模计算消耗的能量,采用LogGP模型实现CPU与GPU之间的数据传输,并运用EPCC测试集对运算代价模型进行验证。实验结果表明,该模型对处理不同大小数据集时的性能评估具有较高的准确性。

改进的多目标GM-PHD分量融合算法

密集杂波的平行多目标跟踪场景中,高斯混合概率假设密度滤波器的计算代价随着分量的增多而不断变大,且其目标状态估计精度较低。为了解决这些问题,基于高斯混合概率假设密度滤波框架,提出一种改进的目标分量融合算法。通过目标分量的权重、均值及协方差的充分协作,该算法能够极大程度地融合目标强度中的相似分量,同时能够有效地避免真实目标分量被错误融合。仿真结果表明,密集杂波环境下该算法不仅具有较高的目标状态估计精度,而且其计算代价相对较低。