基于自适应矩阵的核联合稀疏表示高光谱图像分类

针对高光谱图像丰富的空间信息和光谱信息未充分利用的问题,提出了基于自适应矩阵的核联合稀疏表示高光谱图像分类的方法。在特征表示阶段,定义了自适应矩阵特征,通过结合自适应邻域块策略与非线性相关熵度量构成的特征来描述原始光谱像素,充分融合了形状可变的空间信息与非线性光谱信息。在分类阶段,考虑自适应矩阵和高光谱图像非线性,采用对数欧式核函数,构建了核联合稀疏表示模型,以获得重构误差。同时利用字典空间信息构建了矩阵相关性,引入平衡参数实现了稀疏重构误差与矩阵相关性的联合分类。在两个数据集上的实验结果表明,该算法充分利用了高光谱图像的空间信息、光谱信息,能够有效提高分类精度。

KCPStack:张量分解的卷积核分层矩阵压缩方法

针对现有张量分解卷积核压缩方法难以兼顾时空轻量化、过于依赖卷积瓶颈结构等问题,提出一种具有可观压缩与加速能力的卷积核分层矩阵压缩方法(KCPStack)。首先,在矩阵乘法视角下,将卷积核按通道拆分为2阶克罗内克规范多项式(KCP)分解,所得因子张量组合为两层权重矩阵,使卷积计算转换为具有较高推理效率的双层轻量卷积结构;其次,对比所提KCPStack方法与其他典型张量分解卷积核压缩方法的参数约减空间复杂度与推理计算时间复杂度;最后,基于RK3588神经处理单元进行KCPStack方法的部署,面向实际场景目标检测识别需求开发相关应用。实验结果表明:与现有张量分解方法相比,在张量秩相同或者参数量相当的前提下,所提KCPStack方法具有最快的推理计算效率;在图像分类标准数据集CIFAR-10和ImageNet上,KCPStack方法能够将精度损失控制在1%左右,最高可减少85.0%的参数量和79.8%的计算量;在目标检测识别标准数据集COCO上,KCPStack方法相对于基线模型的平均精度下降不超过1%;采用所提KCPStack方法对实际场景进行目标检测识别,在RK3588神经处理单元上能达到95.4%的平均精度和35帧/s的图像处理帧率,内存开销仅为33.1 MB。

多核数字信号处理器并行矩阵转置算法优化

矩阵转置是矩阵运算的基本操作,广泛应用于信号处理、科学计算以及深度学习等各种领域。随着国防科技大学自主研制的飞腾异构多核数字信号处理器(digital signal processor, DSP)在各种领域中的推广应用,对高性能矩阵转置实现提出了强烈需求。针对飞腾异构多核DSP的体系结构特征与矩阵转置操作的特点,提出了一种适配不同数据位宽(8 B、4 B以及2 B)矩阵的并行矩阵转置算法ftmMT。该算法基于DSP中向量处理单元的Load/Store部件实现了向量化,同时基于矩阵分块实现了多个DSP核的并行处理,通过隐式乒乓设计实现了片上向量化转置与片外访存的重叠以及访存性能的大幅提升。实验结果表明,ftmMT能够显著加快矩阵转置操作,与CPU上的开源转置库HPTT相比,可获得高达8.99倍的性能加速。

截断核范数低秩张量核矩阵图像修复算法

针对张量数据存在不完整和缺少项,导致图像修复过程中信息丢失的问题,提出了一种基于截断核范数和低秩张量核矩阵的图像修复算法TNN-LTKM(truncated nuclear norm low-rank tensor kernel matrix)。首先,引入张量截断核范数,对秩函数进行精确逼近,以增强优化模型的鲁棒性;其次,通过增加核心矩阵核范数扩展t-SVD中的张量核范数,定义了一个新的包含张量管秩和核矩阵秩的潜在核范数,来充分提取核张量中的低秩结构,消除冗余;接下来,采用增广拉格朗日法和交替方向乘子法对上述模型进行优化求解;最后,在ZJU、Berkeley和Kodak Lossless 3个数据集上进行实验验证,取相对平方误差、峰值信噪比、结构相似度和CPU运行时间4个评价指标,与现有的6种算法对比表明,TNN-LTKM算法在低采样率下有着良好的表现。

针对SW26010众核处理器的单精度矩阵乘算法

矩阵乘作为许多科学应用中被频繁使用的关键部分,其计算量巨大且稠密的本质,使得高性能计算领域中矩阵乘并行算法的研究一直是经久不衰的热门话题.随着我国自主研发的申威众核处理器SW26010在科学计算和人工智能领域的快速发展,对面向SW26010众核处理器的高性能矩阵乘算法提出了迫切的需求.针对SW26010众核处理器的体系结构特征,首次对单精度矩阵乘实现进行了深入探讨,提出了3种不同存储层次的高性能并行算法.在进行算法设计时,计算方面,结合该处理器的从核双流水,从汇编层面手动控制核心计算任务的指令序列,保证了高效的指令级并行;访存方面,综合考虑了有限片上存储资源的有效使用,以及访存任务和计算任务的交叉并行,实现了计算访存的平衡以及算法整体性能的提升.实验结果显示,与该处理器上最先进的官方数学库xMath中的单精度矩阵乘实现相比,运行时峰值性能提升了6.8%,达到了理论峰值性能的86.17%;在基于不同矩阵乘场景的通用性比较中,95.33%的场景中性能更高,最高性能加速比达到247.9%,平均性能加速比为61.66%.

F_(3)上极化码的核矩阵

极化码是由Arikan引入的一种新型编码方式。该码在低复杂度的串行相消译码策略下,能够达到任意对称二进制输入离散无记忆信道的信道容量。不同于单一的2阶核矩阵,3阶核矩阵可以采取多种不同的形式,在极化率与2阶极化率相同的情况下,它具有更好的可靠性。研究了F_(3)上3阶核矩阵的构造原理、构造过程及选取最优核矩阵的标准。

Jacobi谱配置法求解带弱奇异核的Volterra积分方程

研究采用Jacobi谱配置法的一般形式求解带有弱奇异核的Volterra积分方程,是对已有文献利用Jacobi谱配置法的特殊情况的延伸推广.利用数值实验对该方法进行仿真模拟,结果表明该方法是稳定收敛的,且具有较快的收敛速度和较高的收敛精度.

面向申威异构众核处理器的矩阵乘分块参数模型

针对矩阵乘计算的编译优化,解决了由于申威异构众核处理器复杂体系结构及存储层次导致的程序优化难问题,过程中循环分块参数对于程序的优化效果极为重要。基于申威最新一代SW26010-Pro异构众核处理器提出了矩阵乘计算分块参数模型,旨在为矩阵乘计算编译优化的计算分解提供分析模型支撑。模型通过对申威处理器上的存储空间及数据传输过程进行分析,能够确定最优循环分块参数,并对数据传输时间及程序执行时间做出预测。测试证明模型能够在存储空间限制条件下得到最优循环分块参数,且程序执行时间预测平均准确率达到了96.87%。

基于BCJR网格的3×3核极化码简化连续消去译码算法

大核矩阵极化码的传统连续消去(Successive Cancellation, SC)译码算法有较高的计算复杂度,采用网格来降低大核矩阵极化码SC译码算法的复杂度。发现了SC译码算法核内部运算和网格的联系,建立了相应的网格替代核内部运算,基于BCJR(Bahl, Cocke, Jelinek, Raviv construction)网格构造出SC核内部运算的最小网格。有效降低了算法计算量。仿真结果表明,3×3核的长度为243、码率为1/2的极化码,相比于直接计算式,运行时间减少了79.14%,节省了14.2%的计算成本。

矩阵乘法的GPU并行计算时耗模型与最优配置方法

水平矩阵乘竖直矩阵是科学计算及工程领域中的基本计算之一,很大程度上影响了整个算法的计算效率。GPU并行计算是迄今主流的并行计算方式之一,其底层设计使得GPU非常契合于大规模矩阵计算。迄今已经有许多研究基于GPU并行计算框架,针对矩阵的结构设计、优化矩阵乘法,但尚未有针对水平矩阵乘竖直矩阵的GPU并行算法及优化。此外,GPU核函数配置直接影响计算效率,但迄今针对最优核函数配置的研究极为有限,通常需要研究人员针对具体算法的计算特点启发式地设置。基于GPU的线程、内存模型,设计了一种并行水平矩阵乘竖直矩阵乘法PHVM。数值实验结果表明,在左乘矩阵的水平维度远远大于竖直维度时,PHVM要显著优于NVIDIAcuBLAS库中的通用矩阵乘法。进一步,基于GPU的硬件参数,建立了PHVM运行时间的核函数配置最优化理论模型。数值实验结果表明,该理论模型较为准确地描述了PHVM算法运行时间随核函数配置(网格大小、线程块大小)变换的变化趋势,且模型得出的理论最优核函数配置与实际最优运行核函数配置相符。

面向矩阵秩函数准确估计的自表示子空间聚类方法

传统子空间聚类方法通常使用矩阵核范数代替矩阵秩函数进行低秩矩阵恢复,然而在目标优化过程中主要关注低秩矩阵大奇异值的影响,容易导致矩阵秩估计不准确的问题。为此,在分析矩阵奇异值长尾分布特点的基础上,提出使用基于截断Schatten-p范数的低秩子空间聚类模型。该模型充分考虑小奇异值对低秩矩阵恢复过程的贡献,利用小奇异值信息拟合矩阵奇异值的长尾分布,通过对矩阵秩函数进行准确估计以提升子空间聚类性能。实验结果表明,与现有加权核范数子空间聚类WNNM-LRR和近邻约束子空间聚类BDR算法相比,在Extended Yale B数据集上的聚类准确性分别提升了11%和8%,所提方法能够更好地拟合数据奇异值分布以及生成准确的相似度矩阵。

核安全级DCS多节点环网光切换矩阵技术的研究

为保证核安全级分布式控制系统(DCS)多节点环网双向、大容量数据的可靠通信,介绍了一种基于光纤通信的多节点环网光切换矩阵技术,并设计开发了环网光切换矩阵模块。该模块采用按照特定的盘纤方式组成的两个非保持型光开关及供电模块,即插即用,免去了盘纤和繁琐的组网环节,可对环网进行灵活配置。该模块支持动态光路径管理、光网络故障保护功能。该技术解决了目前复杂网络中的光路切换和控制问题,实现了核安全级DCS中环网通信的容错设计,提高了产品的可靠性和可用性。

两类部分矩阵逆的填充

根据秩理论和矩阵的可逆条件,研究了两类部分矩阵逆的填充问题,证明了两类部分矩阵逆的填充问题有解的充分必要条件,并给出了解的表示,最后分别举例验证结论。

粒子群优化的加权核范数低秩矩阵补全算法

针对加权核范数最小化矩阵补全方法存在阈值决策函数单一、收敛精度不高等问题,提出一种粒子群优化的加权核范数最小化低秩矩阵补全算法。改进算法利用粒子群的启发式智能搜索能力,为待恢复矩阵的奇异值自适应地匹配恰当的阈值,以提升算法的收敛性能。改进工作主要包括:(1)设计多种奇异值阈值决策函数,为矩阵提供多种阈值分配策略;(2)改进粒子群的速度迭代公式,提出基于余弦函数的速度惯性调节公式以增强粒子群的全局搜索性能;(3)利用改进的粒子群优化算法为阈值决策函数搜索最优的参数组合,然后再通过阈值决策函数生成奇异值的阈值,重构恢复结果并提升算法的收敛精度。在人工数据和图像数据上的实验结果表明,与加权核范数最小化方法、奇异值阈值化方法以及低秩矩阵拟合方法相比,改进方法具有收敛精度更高、恢复结果更清晰等优势。

RTM在核级冷水机控制系统标准化设计中的应用研究

随着国内大量核电机组的新建,如何有效实现其中核级冷水机控制系统的设计标准化已成为亟待解决的问题。以某核级冷水机控制系统项目为样本,将需求管理中需求追踪矩阵(RTM)的方法和标准化的常见方法结合,提出一种标准化设计方法。该方法以需求为核心,建立核级冷水机组标准化设计流程,对核级冷水机的设计输入和输出进行分析和建模,实现了冷水机控制系统设计的标准化。通过对该标准化设计在其他实际项目的应用,证明该方法可提高设计质量和效率。该方法的提出与应用为后续其他核电厂主设备的控制系统标准化设计提供了参考。

基于VMD分解和随机矩阵理论的异常用电状态检测

【目的】目前需要快速准确地判别用户异常用电行为。【方法】基于智能电表数据,提出了一种结合数据分解和随机矩阵理论的异常状态检测模型,实现了对用户用电异常行为的识别。通过变分模态分解算法(variational mode decomposition, VMD)剔除电力数据噪点,消除噪点数据影响。并将随机矩阵理论(random matrix theory, RMT)与自回归滑动平均模型(auto-regressive moving average model, ARMA)相结合,提高RMT对时间序列的适用性,实现了对用电异常状态的判定。【结果】以某地区的实际用电数据为例进行实验,验证了该方法针对数据样本较大且非高斯分布的情况具有便捷性和高效性,为用电异常行为的识别提供了新方向。

一个基于差别矩阵的快速求核算法

给出简化差别矩阵和相应核的定义,并证明该核与差别矩阵的核是等价的。在此基础上设计了一个新的求核算法,使得新算法的时间复杂度和空间复杂度分别被降为max｛O(CU/C2),O(CU)｝和max｛O(U),O(CU/C2)｝。

Volterra核函数在齿轮裂纹故障识别上的应用

针对非线性条件下齿轮裂纹故障信号微弱以及受输入量变化的影响,进而给故障精准度带来的严峻考验,提出利用二阶Volterra核函数从系统整体角度分析裂纹故障与非线性因素变化之间的内在联系。利用时间序列辨识齿轮裂纹故障二阶Volterra核函数,分析谱图中反映齿轮运行状态的非线性信息。结果表明:二阶Volterra核函数考虑了输入因素对系统诊断精度的影响,对齿轮箱因工况改变而引起的非线性因素的变化反映十分敏感,从而解决了传统齿轮边频带故障诊断理论的模糊性和不确定性问题,可以将其应用于齿轮裂纹故障诊断。

基于Volterra频域核和神经网络的非线性模拟电路故障诊断法

本文提出基于非线性电路频域核的神经网络诊断方法。通过范德蒙特法得到各种工作状态下电路响应的各阶频域核,提取故障特征并适当预处理后与相应的电路工作模式一起构成输入/输出样本集,利用训练样本和测试样本分别对神经网络训练和测试,借助神经网络实现故障诊断。文中给出了各阶频域核的递推算式和求解方法,并通过一个基于递归神经网络的非线性电路诊断实例加以验证。

基于灰度-梯度共生矩阵和模糊核聚类的振动图形识别方法

以往复机械振动参数图形为对象,提出了基于灰度-梯度共生矩阵和模糊核聚类的振动图形识别方法。利用灰度-梯度共生矩阵直接提取振动参数图形中的特征信息,将得到的纹理特征参量作为样本输入空间,通过Mercer核把输入样本映射到高斯特征空间后,在高维特征空间中进行聚类,从而实现往复机械故障智能诊断。实验结果表明,该方法可以获得较高的诊断精度,具有一定的可行性和有效性。