|
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}
一種基于 GPU 的異步圖數(shù)據(jù)處理系統(tǒng)
本發(fā)明公開(kāi)了一種基于 GPU 的異步圖數(shù)據(jù)處理系統(tǒng)，包括：實(shí) 現(xiàn)一個(gè)混合著色的算法：將原有的單一、啟發(fā)式著色算法改為混合著 色算法；數(shù)據(jù)預(yù)處理策略：將原有的基于頂點(diǎn)度數(shù)的預(yù)處理分割方法 改為基于頂點(diǎn)著色分布的方式；異步處理執(zhí)行引擎：將處理引擎的執(zhí) 行方式由同步 BSP 方式改為異步處理的方式，結(jié)合混合著色算法模塊， 實(shí)現(xiàn) GPU 上的無(wú)鎖異步編程；在異步處理執(zhí)行引擎內(nèi)部，實(shí)現(xiàn)迭代處 理模塊、數(shù)據(jù)流執(zhí)行模塊，對(duì) CPU
華中科技大學(xué)
2021-04-14
一種基于 GPU 的多波前潮流計(jì)算方法和系統(tǒng)
本發(fā)明公開(kāi)了一種基于 GPU 的多波前潮流計(jì)算方法，該方法包 括：1)波前矩陣鏈異步并發(fā)執(zhí)行；2)CPU-GPU 間任務(wù)的分配；3)GPU 上矩陣乘法、減法算法的優(yōu)化。波前矩陣鏈采用異步并發(fā)執(zhí)行的模式 處理，GPU 的資源得到了充分的利用；根據(jù)矩陣的大小決定采用 CPU 還是 GPU 處理，使得單個(gè)矩陣的處理時(shí)間最少，結(jié)合波前矩陣鏈的異 步并發(fā)執(zhí)行，能盡可能的減少 CPU、GPU 的空閑等待時(shí)間；在 GPU 上對(duì)矩陣
華中科技大學(xué)
2021-04-14
一種基于 GPU 的多尺度空間特征提取方法
本發(fā)明公開(kāi)了一種基于 GPU 的多尺度空間特征提取方法，包括 以下步驟：利用多尺寸并行非線性濾波構(gòu)造尺度空間、在尺度空間中 并行的進(jìn)行關(guān)鍵點(diǎn)檢測(cè)和描述符生成。其中尺度空間構(gòu)造包括：多尺 寸數(shù)據(jù)打包、多尺寸并行降采樣、多尺寸并行非線性濾波的具體執(zhí)行 步驟。為了提高算法的并行度、降低數(shù)據(jù)依賴性，通過(guò)并行降采樣提 前得到各個(gè)尺寸下的初始圖像，使得各個(gè)尺寸下的非線性濾波、關(guān)鍵 點(diǎn)檢測(cè)和描述符生成可以在 GPU 中并行的執(zhí)行。
華中科技大學(xué)
2021-04-14
農(nóng)業(yè)大學(xué).jpg){kind=logo}
一種風(fēng)電集群軌跡預(yù)測(cè)與分層控制方法
本發(fā)明涉及一種風(fēng)電集群軌跡預(yù)測(cè)與分層控制方法，包括：根據(jù)風(fēng)電集群及風(fēng)電場(chǎng)內(nèi)的拓?fù)浣Y(jié)構(gòu)，基于空間相關(guān)性和NWP數(shù)據(jù)進(jìn)行超短期風(fēng)電功率預(yù)測(cè)；根據(jù)調(diào)度中心下發(fā)的調(diào)度值，將控制過(guò)程在空間上分為集群優(yōu)化調(diào)度層、場(chǎng)群協(xié)調(diào)分類層和單場(chǎng)自動(dòng)執(zhí)行層，將風(fēng)電功率預(yù)測(cè)值從時(shí)間上逐層細(xì)化；在場(chǎng)群協(xié)調(diào)分類層，基于風(fēng)電功率預(yù)測(cè)值對(duì)風(fēng)電場(chǎng)進(jìn)行分類，分為上爬坡群、下爬坡群、平穩(wěn)群和振蕩群；在單場(chǎng)自動(dòng)執(zhí)行層，基于AGC機(jī)組下旋轉(zhuǎn)備用裕度和風(fēng)電送出斷面裕度判斷風(fēng)電可增發(fā)空間，增發(fā)上爬坡群風(fēng)電場(chǎng)出力或降低下爬坡群風(fēng)電場(chǎng)出力；基于風(fēng)電場(chǎng)運(yùn)行與監(jiān)測(cè)系統(tǒng)，根據(jù)監(jiān)測(cè)到的風(fēng)電場(chǎng)實(shí)際值，計(jì)算并反饋風(fēng)電功率誤差，修正風(fēng)電集群和風(fēng)電場(chǎng)預(yù)測(cè)值，使優(yōu)化過(guò)程更加精確。
中國(guó)農(nóng)業(yè)大學(xué)
2021-04-11
一種針對(duì) RS 編碼存儲(chǔ)集群的存儲(chǔ)擴(kuò)容方法
本發(fā)明公開(kāi)了一種針對(duì) RS 碼存儲(chǔ)集群的高效存儲(chǔ)擴(kuò)容方法，涉 及數(shù)據(jù)重新分布和校驗(yàn)更新兩個(gè)過(guò)程。具體包括：增加Δk 個(gè)數(shù)據(jù)節(jié) 點(diǎn)，并按照轉(zhuǎn)置式數(shù)據(jù)布局重新分布舊數(shù)據(jù)，其中原始數(shù)據(jù)分塊只在 舊數(shù)據(jù)節(jié)點(diǎn)和新數(shù)據(jù)節(jié)點(diǎn)之間遷移，新數(shù)據(jù)分塊直接填充到遷移后所 空出區(qū)域；完成數(shù)據(jù)重新分布時(shí)，需要進(jìn)行相應(yīng)校驗(yàn)分塊的更新操作。 上述數(shù)據(jù)重新分布支持多次擴(kuò)容并保持?jǐn)?shù)據(jù)分布的均勻性。由于數(shù)據(jù) 重新分布采用轉(zhuǎn)置式數(shù)據(jù)布局，校驗(yàn)分塊更新時(shí)，
華中科技大學(xué)
2021-04-14
.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(wèn)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(kāi)發(fā)等優(yōu)點(diǎn)。
武漢大學(xué)
2021-04-13
一種面向多核集群的數(shù)據(jù)流編譯優(yōu)化方法
本發(fā)明公開(kāi)了一種面向多核集群系統(tǒng)的數(shù)據(jù)流編譯優(yōu)化方法，包括：確定計(jì)算任務(wù)與處理核映射的任務(wù)劃分與調(diào)度步驟；根據(jù)任務(wù)劃分與調(diào)度結(jié)果構(gòu)造集群節(jié)點(diǎn)間和集群節(jié)內(nèi)核間的流水線調(diào)度表的層次流水線調(diào)度步驟；根據(jù)所述多核處理器的結(jié)構(gòu)特性、集群節(jié)點(diǎn)間的通信情況和數(shù)據(jù)流程序在多核處理器上的執(zhí)行情況做做基于 cache 的緩存優(yōu)化步驟。本發(fā)明的方法結(jié)合了數(shù)據(jù)流程序與系統(tǒng)結(jié)構(gòu)相關(guān)的優(yōu)化技術(shù)，充分發(fā)揮高負(fù)載均衡性以及同步與異步混合流水代碼在多核集群上的高并行性，而且針對(duì)多核集群上的緩存與通信方式，對(duì)程序的緩存訪問(wèn)和通信傳輸進(jìn)
華中科技大學(xué)
2021-04-14
.jpg){kind=logo}
大規(guī)模集群云工作流分布式調(diào)度系統(tǒng)
本系統(tǒng)結(jié)合深度學(xué)習(xí)等智能化算法機(jī)理，研究出一套云工作流智能管理與調(diào)度優(yōu)化算法，面向復(fù)雜工業(yè)制造領(lǐng)域云工作流實(shí)現(xiàn)服務(wù)定制與靈活部署需求，達(dá)到云計(jì)算資源的集約利用和合理優(yōu)化調(diào)度的目的，能夠使大規(guī)模跨集群云數(shù)據(jù)中心資源得到充分利用。在不同典型應(yīng)用場(chǎng)景下，尤其是在用戶具有不同程度的偏好時(shí)，滿足用戶隱私安全保護(hù)和不同服務(wù)質(zhì)量標(biāo)準(zhǔn)要求，大幅降低執(zhí)行時(shí)間和耗費(fèi)成本。
北京理工大學(xué)
2022-11-28
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(kāi)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(kāi)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