|
搜索
搜 索
高等教育領(lǐng)域數(shù)字化綜合服務(wù)平臺(tái)
.jpg){kind=logo}
利用 GPU 實(shí)現(xiàn)外輻射源雷達(dá)多通道時(shí)域雜波抑制的方法
本發(fā)明涉及一種利用 GPU 實(shí)現(xiàn)外輻射源雷達(dá)多通道時(shí)域雜波抑制的方法，主要解決雷達(dá)探測(cè)環(huán)境 中的雜波抑制問題。主要步驟為:首先獲取校準(zhǔn)后參考和監(jiān)測(cè)通道數(shù)據(jù)，并分配計(jì)算所需內(nèi)存、顯存; 然后加載數(shù)據(jù)到 GPU 顯存，采用迭代算法計(jì)算自相關(guān)矩陣 Rx，求逆得利用參考和監(jiān)測(cè)通道數(shù)據(jù)計(jì)算互 相關(guān)矩陣 C，計(jì)算與 C 乘積得到矩陣 D，計(jì)算參考通道數(shù)據(jù)與矩陣 D 乘積得到監(jiān)測(cè)通道中直達(dá)波與多徑 分量從監(jiān)測(cè)通道數(shù)據(jù)中減去得到目標(biāo)回波分量;最后釋放已分配的內(nèi)存、顯存。本發(fā)明克服了迭代類雜 波抑制算法收斂速度和穩(wěn)定性等難以確定的困難，降低了 ECA 及 ECA-B 算法的時(shí)間和空間復(fù)雜度，并 具有平臺(tái)搭建簡(jiǎn)單、穩(wěn)定性好、運(yùn)算速度快、擴(kuò)展性強(qiáng)、易于開發(fā)等優(yōu)點(diǎn)。
武漢大學(xué)
2021-04-13
.jpg){kind=logo}
流域（區(qū)域）水環(huán)境污染物空間分布評(píng)估與決策支持服 務(wù)
本服務(wù)體系主要依托 SPARROW 模型，它是一款由美國(guó)國(guó)家地 質(zhì)調(diào)查局（USGS）開發(fā)的非線性流域污染物評(píng)估模型，其介于傳統(tǒng) 統(tǒng)計(jì)學(xué)模型與機(jī)理模型之間，用于估計(jì)流域地表水體中污染物負(fù)荷與 污染源之間的關(guān)系。是美國(guó) TMDL 計(jì)劃推薦流域模型方法之一。 原始 SPARROW 模型基于 SAS（統(tǒng)計(jì)分析系統(tǒng)）平臺(tái)運(yùn)行，使 用 IML 語(yǔ)言編寫，其嵌套的統(tǒng)計(jì)模塊可以輕松調(diào)用非線性加權(quán)最小 二乘法（NWLS）進(jìn)行方程的求解，完成所需參數(shù)的估計(jì)，雖然 SPARROW 本身可以免費(fèi)使用，但是 SAS 平臺(tái)購(gòu)買費(fèi)用不菲，為此 我們基于 SPARROW 模型的原理，使用 FORTRAN 語(yǔ)言開發(fā)了面向 我國(guó)特點(diǎn)的具有空間響應(yīng)特性的水環(huán)境管理模型，簡(jiǎn)化了原 SPARROW 模型中不適用于中國(guó)的模塊，并增加 jackknife 不確定性 分析模塊，按照中國(guó)水環(huán)境管理需求補(bǔ)充可能實(shí)現(xiàn)的模塊，優(yōu)化模型 功能，改善人機(jī)交互形式，使數(shù)據(jù)輸入及模型運(yùn)行更加方便易學(xué)并符 合中國(guó)的數(shù)據(jù)特點(diǎn)。利用 ArcGIS 生成河網(wǎng)、劃分子流域等，提取與 整合必要的與流域河流屬性相關(guān)的輸入數(shù)據(jù)，并利用該平臺(tái)將模擬結(jié) 果進(jìn)行可視化表達(dá)。
南開大學(xué)
2021-04-13
.jpg){kind=logo}
系列化主被式上下肢關(guān)節(jié)運(yùn)動(dòng)康復(fù)器
針對(duì)腦卒中與關(guān)節(jié)損傷高發(fā)趨勢(shì)，本產(chǎn)品基于康復(fù)醫(yī)學(xué)理論研發(fā)多關(guān)節(jié)智能康復(fù)產(chǎn)品，覆蓋肘、膝、踝、腕等上下肢關(guān)鍵關(guān)節(jié)，通過對(duì)關(guān)節(jié)的反復(fù)訓(xùn)練，增強(qiáng)關(guān)節(jié)本體感覺，打開活動(dòng)度，推動(dòng)神經(jīng)系統(tǒng)重組代償，助力關(guān)節(jié)功能恢復(fù)。
本產(chǎn)品實(shí)現(xiàn)多項(xiàng)突破，運(yùn)用高精度傳感器，精準(zhǔn)捕捉關(guān)節(jié)運(yùn)動(dòng)微小變化，實(shí)現(xiàn)人機(jī)互動(dòng)與實(shí)時(shí)康復(fù)數(shù)據(jù)反饋；結(jié)合自適應(yīng)算法實(shí)現(xiàn)動(dòng)態(tài)重力補(bǔ)償，精準(zhǔn)調(diào)控角度/速度/力矩三維參數(shù)，通過循跡坐標(biāo)點(diǎn)樣線擬合生理運(yùn)動(dòng)軌跡；創(chuàng)新集成多訓(xùn)練模式切換系統(tǒng)，滿足全康復(fù)周期需求；產(chǎn)品兼具硬/軟件雙重安全防護(hù)，提高產(chǎn)品安全性。
腕關(guān)節(jié)康復(fù)器
前臂康復(fù)器
肘關(guān)節(jié)康復(fù)器
膝關(guān)節(jié)康復(fù)器
踝關(guān)節(jié)康復(fù)器
吉林大學(xué)
2025-05-19
.jpg){kind=logo}
一種 GPU 上基于內(nèi)存統(tǒng)一管理的 MapReduce 實(shí)現(xiàn)方法
本發(fā)明公開了一種 GPU 上基于內(nèi)存統(tǒng)一管理的 MapReduce 實(shí) 現(xiàn)方法，包括：初始化 GPU 的塊大小為 Bs，每個(gè)塊中的線程數(shù)目 N， 輸入數(shù)據(jù)量大小 M；在全局內(nèi)存上為 GPU 的每個(gè)塊分配一個(gè)中間數(shù)據(jù) 緩沖區(qū)，同時(shí)分配一個(gè)全局結(jié)果緩沖區(qū)；對(duì) p%的輸入數(shù)據(jù)進(jìn)行預(yù)處理， 在中間數(shù)據(jù)緩沖區(qū)中收集 map 任務(wù)計(jì)算結(jié)果和歸約頻率信息；根據(jù)鍵 值對(duì)的歸約頻率，對(duì)中間結(jié)果進(jìn)行排序，保存鍵值對(duì)索引信息到排序 結(jié)果緩
華中科技大學(xué)
2021-04-14
一種基于 GPU 和 CPU 混合平臺(tái)的高速無(wú)損數(shù)據(jù)壓縮方法
本發(fā)明公開了一種基于 GPU 和 CPU 混合平臺(tái)的高速無(wú)損數(shù)據(jù) 壓縮方法，包括：CPU 讀取待壓縮數(shù)據(jù)文件，將該待壓縮數(shù)據(jù)文件從 內(nèi)存拷貝到 GPU 的全局存儲(chǔ)器中，設(shè)置 GPU 上的線程塊組 bk[a]，每 個(gè)線程塊中的線程個(gè)數(shù) b，設(shè)置壓縮字典窗口的長(zhǎng)度為 c，并設(shè)置指向 第一個(gè)壓縮字典窗口的頭部指針為 p_dic_h，設(shè)置預(yù)讀窗口大小為 d， 指 向 第 一 個(gè) 預(yù) 讀 窗 口 的 指 針 p_pre_r ， 該 指 針
華中科技大學(xué)
2021-04-14
一種基于 GPU/CPU 混合架構(gòu)的流程序多粒度劃分與調(diào)度方法
本發(fā)明公開了一種基于 GPU/CPU 混合架構(gòu)的流程序多粒度劃分與調(diào)度方法，包括：根據(jù)數(shù)據(jù)流程序各個(gè)任務(wù)的計(jì)算特點(diǎn)以及任務(wù)之間的數(shù)據(jù)通信量，將任務(wù)分配到合適的計(jì)算平臺(tái)上；利用 GPU 端任務(wù)的并行性將其均衡分裂到各個(gè) GPU，以避免 GPU 間高額的通信開銷；通過選擇 CPU 核，將 CPU 端各任務(wù)均衡分配給各 CPU 核，以保證負(fù)載均衡并提高 CPU 核的利用率；采用多種數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)和多種訪問類型的方法，以提高內(nèi)存的訪問效率；通過生成目標(biāo)模板類和壓縮目標(biāo)結(jié)點(diǎn)的個(gè)數(shù)，降低目標(biāo)代碼的冗余量。本發(fā)明在
華中科技大學(xué)
2021-04-14
一種基于眾核和 GPU 的網(wǎng)絡(luò)視頻流不良內(nèi)容檢測(cè)方法和系統(tǒng)
本發(fā)明公開了一種基于眾核和 GPU 的網(wǎng)絡(luò)視頻流不良內(nèi)容檢測(cè)方法，包括：在眾核計(jì)算平臺(tái)下獲取網(wǎng)絡(luò)數(shù)據(jù)包，對(duì)網(wǎng)絡(luò)數(shù)據(jù)包進(jìn)行分類，以提取網(wǎng)絡(luò)數(shù)據(jù)包中的視頻數(shù)據(jù)包，對(duì)視頻數(shù)據(jù)包進(jìn)行重組，按照網(wǎng)絡(luò)視頻流編碼的語(yǔ)法對(duì)重組后的視頻數(shù)據(jù)包進(jìn)行解碼，以生成圖像序列，GPU 采用基于紋理檢測(cè)和膚色點(diǎn)檢測(cè)相結(jié)合的方法對(duì)圖像序列進(jìn)行預(yù)處理，以確定疑似不良圖像，GPU 采用 SVM 對(duì)疑似不良圖像進(jìn)行精確處理，以確定不良圖像。本發(fā)明只需獲取網(wǎng)絡(luò)數(shù)據(jù)包，即可識(shí)別出視頻流，直接對(duì)視頻流進(jìn)行解碼后，采用圖像匹配檢測(cè)技術(shù)即可識(shí)別該視頻流是否含有不良信息。
華中科技大學(xué)
2021-04-11
中國(guó)高等教育學(xué)會(huì)科服委第二次主任會(huì)議在沈陽(yáng)舉行
12月7日，中國(guó)高等教育學(xué)會(huì)科技服務(wù)專家指導(dǎo)委員會(huì)（以下簡(jiǎn)稱科服委）第二次主任會(huì)議在東北大學(xué)舉行。
中國(guó)高等教育學(xué)會(huì)
2023-12-11
一種經(jīng) GPU 加速的浸沒邊界-格子玻爾茲曼流固耦合模擬方法
本發(fā)明提供一種經(jīng) GPU 加速的浸沒邊界-格子玻爾茲曼流固耦合模擬方法，步驟如下：在專業(yè)前處 理軟件中建立待測(cè)結(jié)構(gòu)體及其內(nèi)部流體的浸沒邊界體型，并劃分邊界網(wǎng)格以供程序讀取；程序讀取邊界 體型數(shù)據(jù)，設(shè)置所需測(cè)量點(diǎn)的邊界條件和程序模型參數(shù)；根據(jù)邊界當(dāng)前時(shí)刻構(gòu)型和參考構(gòu)型利用有限元 法計(jì)算邊界施加在流體上的作用力；將邊界的作用力經(jīng)由狄拉克函數(shù)擴(kuò)散至周邊流體；利用格子玻爾茲 曼方法求解攜帶外力項(xiàng)的納維-斯托克斯方程；同樣經(jīng)由狄拉克函數(shù)將流體速度插值到邊界上得到邊界 的移動(dòng)速度，進(jìn)而更新邊界位置；重復(fù)步驟 3-6，直至達(dá)到計(jì)算終點(diǎn)。本發(fā)明能夠處理任意形狀的結(jié)構(gòu) 體，計(jì)算過程中不需要重構(gòu)底層流體網(wǎng)格，計(jì)算效率高。
武漢大學(xué)
2021-04-13
兩部門關(guān)于開展高性能生物反應(yīng)器創(chuàng)新任務(wù)揭榜掛帥工作的通知
高性能生物反應(yīng)器創(chuàng)新任務(wù)揭榜掛帥。
工信部
2025-06-05