位串行SVD处理器的设计

奇异值分解(SVD)广泛应用于数字信号处理等领域.为提高SVD效率,Brent等提出一种由SVD处理器组成的阵列,应用并行JACOBI算法实现SVD.SVD处理器一般采用CORDIC位并行结构实现.本文比较CORDIC位并行结构和位串行结构,分析了位串行结构在硬件资源以及时钟频率上的优势,采用CORDIC位串行结构设计了SVD处理器,并结合位串行结构的特点对其进行了优化.仿真实验验证了该设计的正确性;CORDIC结构的对比实验表明,与位并行结构相比,位串行设计以一定的处理时间为代价,可以节约大量的硬件资源,适用于硬件资源紧缺的非实时场合.

一种基于动态序列的单边Jacobi方法

采用Jacobi方法并行求解矩阵奇异值有多种数据交换序列,在双边Jacobi方法中,采用动态序列要比静态循环序列更加高效,可以将其应用到单边Jacobi方法中。为了在每一次迭代开始时动态生成数据交换序列,首先计算矩阵子块间的谱范数,然后对这些谱范数形成的完全图应用最大权完美匹配算法,最终结果作为各计算节点传递数据的依据。实验表明谱范数可以很好地表示矩阵列对之间的正交程度,将其应用在求解动态序列的过程中,使得单边Jacobi方法计算矩阵奇异值分解更加高效。

一种改进的奇异值分解语音增强方法

该文将多麦克语音增强方法用于单麦克语音增强,给出了一种改进的奇异值分解语音增强方法。该方法首先对输入矩阵进行雅克比奇异值分解,用得到的奇异值矢量构造语音增强滤波器;然后用输入矩阵与滤波器权矢量相乘来构造各路信号;最后采用麦克风阵列波束形成的方法,得到增强后的语音信号。仿真结果表明,该方法能有效地去除加性噪声,并且改善了语音质量。

CPU-GPU协同计算的并行奇异值分解方法

在目标跟踪应用中,常常采用奇异值分解(SVD)作为基本工具进行动态建库。然而当每秒处理的数据量较大、计算精度要求较高时,SVD的计算耗时往往无法满足应用的实时性能要求。针对这一问题,提出了CPU-GPU协同计算的并行奇异值分解方法。该方法利用GPU与CPU间的异步执行,对奇异值分解过程进行划分从而构造软件流水线,大大挖掘软硬件的并行性。实验表明,该方法比一般的基于GPU的Jacobi方法有约23%的性能提升。相对于CPU上的Intel MKL的奇异值分解函数获得了6.8x的加速比,满足了应用中的实时性能要求。

一种基于奇异值分解的动态多传感器数据融合算法

在工业应用中常用一组传感器对同一个被测量目标在一个过程的不同位置进行测量。由于每个传感器位于过程的不同位置 ,它们将不同程度的受到噪声的干扰。为了从被噪声干扰的测量值中获得更准确的测量结果 ,本文提出了一种基于奇异值分解 (SVD)的动态多传感器数据融合算法。由该算法得到的传感器测量结果值最优估计的方差不仅低于传感器组中每一个传感器测量结果的方差 ,而且低于由基于最小均方误差 (MMSE)多传感器数据融合算法得到的估计结果的方差。仿真的结果表明 。

倾斜阵列下奇异值分解穿墙雷达杂波抑制

天线阵列与墙体之间的未知倾斜角会影响超宽带穿墙雷达目标位置探测与成像。针对天线阵列不平行于墙体时引起的目标偏移与墙体杂波难于抑制的问题,提出时延校正的基于Jacobi奇异值分解的杂波抑制算法。即首先通过时延校正使得天线阵列等效于平行于墙体放置,再通过单边Jacobi实现奇异值分解,获取正交性好的奇异向量,利用子空间投影抑制墙体杂波,最后对目标进行探测与成像。仿真结果表明经过该方法处理后可准确定位目标,并且能够获得较好的墙体杂波抑制效果,成像的目标杂波比有了明显提高。

潜在语义分析中词汇-文本矩阵奇异值分解的并行实现

针对潜在语义分析中词汇-文本矩阵奇异值分解的特点,设计并实现了一种基于单边Jacobi的矩阵奇异值分解的并行算法。并行算法采用了一种新的扫描策略和任务划分策略,该策略在一次扫描中能产生n(n1-)/2个不同的列向量对,同时能够对矩阵的列向量按模排序,使奇异值按从大到小的顺序排列。通过在自强3000高性能计算机上的实验表明,并行算法大大缩短了奇异值分解的计算时间,而且随着矩阵规模逐渐变大,加速比趋于稳定。