检索结果-内蒙古大学图书馆

电力系统自动化 2018年第12期42卷 81-86页

作者：唐灿董树锋任雪桂尹璐鞠力浙江大学电气工程学院浙江省杭州市310027 北京电力经济技术研究院北京市100055

为提高潮流计算速度,满足实时计算的要求,线性方程组迭代法被用于电力系统潮流计算。但是当系数矩阵谱分布较为分散时,迭代法求解线性方程组存在收敛速度慢甚至不收敛等问题,为了解决这个问题,需对系数矩阵进行预处理。首先,分析电力系... 详细信息

为提高潮流计算速度,满足实时计算的要求,线性方程组迭代法被用于电力系统潮流计算。但是当系数矩阵谱分布较为分散时,迭代法求解线性方程组存在收敛速度慢甚至不收敛等问题,为了解决这个问题,需对系数矩阵进行预处理。首先,分析电力系统潮流计算时Jacobi矩阵的特点,对其按PV,PQ节点进行分块处理,找出其中数值上较大的元素作为预处理子。然后,将预处理子的逆矩阵分别与系数矩阵A和常量项b相乘,将原线性方程组转换为新的更容易求解的等价线性方程组,大幅提高了潮流计算中线性方程组求解的速度。实验表明,该方法能有效解决大规模电网潮流求解问题。

关键词：潮流计算稀疏线性方程组预处理稀疏矩阵图形处理器通用计算

来源：评论

学校读者我要写书评

暂无评论

基于GPU的3D距离变换

引用

计算机应用研究 2008年第9期25卷 2847-2849页

作者：田绪红司徒志远陈茂资韩国强华南农业大学信息学院广州510642 华南理工大学计算机科学与工程学院广州510642

距离变换在图像处理中有着非常广泛的应用。由于3D图像数据的复杂性,传统基于CPU的3D距离变换效率较低。为此,研究了将3D图像数据有效地组织到纹理中存储的方法,设计并实现了基于GPU的3D距离变换并行算法。实验结果表明,相对基于CPU的算... 详细信息

距离变换在图像处理中有着非常广泛的应用。由于3D图像数据的复杂性,传统基于CPU的3D距离变换效率较低。为此,研究了将3D图像数据有效地组织到纹理中存储的方法,设计并实现了基于GPU的3D距离变换并行算法。实验结果表明,相对基于CPU的算法,该方法具有非常高的加速比。

关键词：三维距离变换图形处理器通用计算并行算法

来源：评论

学校读者我要写书评

暂无评论

不规则任务在图形处理器集群上的调度策略

引用

计算机应用 2021年第11期41卷 3295-3301页

作者：平凡汤小春潘彦宇李战怀西北工业大学计算机学院西安710129 工信部大数据存储与管理重点实验室(西北工业大学) 西安710129

针对大量的资源需求少且并行度高的不规则任务集合,利用图形处理器(GPU)来加速处理是目前的主流。然而现有的不规则任务调度策略要么采用独占GPU的方式,要么使用传统的优化方法将任务映射到GPU设备上。前者导致GPU资源的闲置,后者不能... 详细信息

针对大量的资源需求少且并行度高的不规则任务集合,利用图形处理器(GPU)来加速处理是目前的主流。然而现有的不规则任务调度策略要么采用独占GPU的方式,要么使用传统的优化方法将任务映射到GPU设备上。前者导致GPU资源的闲置,后者不能最大限度利用GPU计算资源。在分析了现存问题的基础上,采用多背包优化思想,使更多的不规则任务以最佳的方式共享GPU设备。首先,针对GPU集群的特点,给出了由调度器、执行器组成的分布式GPU作业调度框架;然后,以GPU显存为代价,设计了一种基于GPU计算资源的扩展贪心调度(EGS)算法,该算法将尽可能多的不规则任务调度到多个可用的GPU上,以最大限度地利用GPU计算资源,并解决了GPU资源的闲置问题;最后,使用实际基准程序随机生成目标任务集来验证所提调度策略的有效性。实验结果表明,与传统的贪心算法、最早完成时间(MCT)算法和Min-min算法相比,当任务数量等于1000时,EGS算法的执行时长分别平均降低至原来的58%、64%和80%,并且能有效提升GPU资源利用率。

关键词：图形处理器通用计算独立任务任务调度策略调度框架资源利用率

来源：评论

学校读者我要写书评

暂无评论

基于并行计算的数据流处理方法研究

基于并行计算的数据流处理方法研究

引用

作者：周勇大连理工大学

学位级别：博士

量大流速快的数据流挖掘已经成为当今国际学术界大数据处理的研究热点,与静态存储的数据相比,这些数据是连续实时获得的单次扫描数据。对于快速时变的数据流,在有限的内存资源下无法存储全部的数据流数据,如何精确地增量挖掘其连续变化... 详细信息

量大流速快的数据流挖掘已经成为当今国际学术界大数据处理的研究热点,与静态存储的数据相比,这些数据是连续实时获得的单次扫描数据。对于快速时变的数据流,在有限的内存资源下无法存储全部的数据流数据,如何精确地增量挖掘其连续变化趋势和发现隐藏的相关性对数据流的实时分析与处理带来了巨大的挑战,另一方面,数据流处理时滞也成为制约数据流挖掘的一个尖锐瓶颈问题。基于以上问题,本文研究了数据流趋势和相关性分析的融合并行计算模型和算法,将数据流挖掘与基于CPU (Central Process Unit)和GPU(Graphic Process Unit)的高性能计算有机地结合起来,实现动态连续的高效数据流处理方法。论文的主要研究内容可归纳如下： 1、针对非线性非平稳时间序列数据流的预测能力不足问题,研究了基于HHT(Hilbert-Huang Transform)的Online-HHT分析方法,进一步结合RBF (Radial Basis Function)神经网络理论,研究了适合在线预测的时间序列数据流模型。该方法通过引入CPU多线程的并行处理方法,设计了时间序列数据流链式可重写滑动窗口的数据读写技术,实现了细粒度分段数据的并行预测分量和分段结果的合成算法。Online-HHT方法既能发挥其对时间序列数据流的时频自适应分析能力,又具有更快的计算处理速度,Online-HHT得到的数据流本征模分量也降低了RBF神经网络预测结构的输入复杂性,对时间序列数据流的趋势预测能力起到很大地提高。实验结果表明,通过与其他方法相比较,本文提出的方法能够处理数据流的短期趋势预测,并且处理速度更快,可应用于在线预测。 2、针对在数据流频繁项挖掘中使用模式树造成空间复杂度过大的问题,提出了一种嵌套滑动窗口遗传算法NSWGA (Nested Sliding Window Genetic Algorithm)的数据流频繁项挖掘方法。本算法在滑动窗口中的数据流上分割出嵌套窗口,利用基于MPI的遗传算法并行处理嵌套窗口中的数据流,以及改进初始种群获得方法,实现了嵌套窗口中数据流的频繁模式快速挖掘。在数据流动过程中,采用定期删除过期数据的方法,更新滑动窗口中最新的频繁项集,进而实现增量维护,提高执行效率,快速发现数据流中的频繁项。 3、针对由于资源约束造成的数据流处理时滞和效率问题,研究了最新超算技术GPU并行计算结构,根据数据流数据属性的特点和处理的高性能需求,提出了基于GPU的数据流通用处理模型。根据GPU并行计算结构的SIMT模式,采用基本窗口技术的滑动窗口模型,给出了粗粒度和细粒度两个并行计算层面的数据流处理结构,将数据流的数据划分为粒度合适的数据块,然后进行概要数据结构和各种挖掘算法的并行处理。粗粒度并行主要负责任务分工并行化,而细粒度并行负责抽取数据流概要数据结构的并行化,也负责在GPU上完成数据流挖掘和计算密集的线程网格,达到高效率的数据交换和高性能的并行算法。在这个通用数据流处理模型上,提出了基于GPU的数据流分位数并行计算方法GSQ(GPU Stream Quantiles),调用GPU内核程序,使用哈希方法对数据流的数据块并行计算生成概要数据直方图,最后查询得到数据流分位数,实验验证了从处理带宽、响应时间和加速比都有很大的提高。 4、针对在CPU上多条数据流相关性分析受到资源和执行顺序的实时性约束限制问题,本文研究提出了CPU和GPU协同处理的跨总线四层滑动窗口框架,用于处理多条数据流的并行计算,把多条数据流完全映射到GPU内存空间,建立数据流SID索引,使用基本子窗口偏移量可以实现不同级别的并行操作。构造了适合多数据流的多级并行计算处理,使用s→Thread的细粒度并行计算和s→Block中粒度的方式,给出了单维多数据流的相关性分析并行算法GSSCCA(GPU Single-Dimensional Stream Canonical Correlation Analysis),实验验证了算法有很好的准确度,极大提高了计算速度。 5、对由多数据属性记录实时复杂信息的高维多数据流来说,在计算准确性和性能会出现比单维多数据流处理更为复杂的资源和执行顺序约束问题。针对这个问题,进一步深入研究了高维多数据流的相关性分析数学模型,提出了GPU上的高维多数据流相关性处理的模型与实施的架构以及并行计算方法GMSCCA(GPU Multi-Dimensional Stream Canonical Correlation Analysis)。使用数据立方体和维度约简的技术,在计算资源受限和高效率要求的环境下,可以快速精确地完成计算,并且在高性能和近似精度之间能够很好地平衡。

关键词：数据流并行计算图形处理器通用计算趋势预测频繁项集数据流相关性

来源：评论

学校读者我要写书评

暂无评论

CUDA计算技术在生物序列数据处理中的应用研究

CUDA计算技术在生物序列数据处理中的应用研究

引用

作者：孙伟东东北大学

学位级别：博士

目前新的高通量DNA测序技术能够在很短的时间内以较低的成本生成大量的序列数据,生物序列的数据量正以爆炸式的速度快速增长。与此同时,计算机处理器的频率已接近理论极限,这意味着现存的串行算法很难像以前一样依靠频率的提高获得性能... 详细信息

目前新的高通量DNA测序技术能够在很短的时间内以较低的成本生成大量的序列数据,生物序列的数据量正以爆炸式的速度快速增长。与此同时,计算机处理器的频率已接近理论极限,这意味着现存的串行算法很难像以前一样依靠频率的提高获得性能提升。并行处理技术成为解决这一效率差异的必然选择之一。由于GPU比CPU拥有更强的计算能力和更高的内存带宽,而生物序列数据又具有数据量大、数据结构简单的特点,本文采用基于数据并行处理指令体系的GPU众核计算技术来实现生物序列数据的廉价高效处理。本文根据复杂程度的不同,精心筛选出若干个经典序列分析问题作为并行处理的研究对象,分别给出高效的数据并行算法设计,并通过CUDA并行计算平台加以实现、分析和优化。本文的主要贡献总结如下：第一,对CUDA计算涉及的软硬件并行体系结构特点进行了比较全面的研究。基于GPU属于SIMD并行指令体系的特点,总结并归纳了常用的基本数据并行操作,为并行算法的设计和实现提供了基本的参考和指南。第二,针对生物序列分析研究中最基本的开放阅读框架问题,通过运用直接和间接并行化两种方法,完成了六读码框翻译算法和序列频率统计算法的高效数据并行设计与实现,展示了数据并行算法设计的特点以及GPU通用计算技术的优势和局限,并给出了GPU计算的并行加速模型,用以衡量并行化效率。本文基于直接转换的方法设计了具有高度并行性的适合于GPU执行的六读码框翻译算法,其执行速度要比串行算法快5倍左右。然而序列频率统计过程的并行化就无法这么自然的表达,因为这个过程中包含严重的并行访问冲突和延迟,只能采用以排序和计算前置和操作进行替代的间接并行化方法。该间接并行频率统计算法基本能够达到相应串行算法的效率。并行开放阅读框架算法总的执行效率为串行算法的2倍左右。第三,针对序列测定和分析中的重复序列检测问题,提出了一种通过构造字典次序来快速完成超短精确重复查找的数据并行算法,该算法的效率要比目前的串行算法提高一个数量级。DNA序列中的重复区域对许多关键生物功能发挥着至关重要的作用,重复序列检测也是生物信息学中一个必须解决的基本问题。本文详细说明了一个基于CUDA平台的快速数据并行超短精确重复查找算法的设计和实现过程,并以这些超短重复为种子,进一步提出了启发式的海明距离和编辑距离重复测定的数据并行化方法,并给出了可行的并行线程调度方案。并行重复查找算法设计过程中采用的按串行代码功能区逐步完成并行化的方法,不但可以快速确定并行化过程中面临的瓶颈问题,进而判定整个算法的并行化难度,而且便于并行程序的设计、调试、分析和优化,可以作为现存大多数串行算法实现并行化处理的参考。第四,针对后缀数组构造问题,提出了一种新的以排序方法替代传统分组策略的并行后缀数组倍增构造算法,其数据并行执行效率明显高于同类串行算法。后缀数组广泛应用于序列分析、字符串匹配和文本压缩等领域,近年来,有关后缀数组构造和应用算法的不断探索构成了计算机科学中一个非常活跃的研究领域。在对现有串行算法进行了全面的分析和对比之后,通过抽象和等效替换的方法提出了一种适合于GPU计算的且更为简洁的并行后缀数组倍增构造算法,不但能独立完成后缀数组的并行构造,还可与现存的串行倍增算法结合使用,以达到更高的执行效率(速度可以达到同类串行算法3倍以上)。实验结果表明该算法在解决实际应用问题时,具有易于实现、执行速度快和可扩展性强等优点,是目前最快的单机运行算法之一。尤其是在处理小字符集的生物序列数据时,快于目前所有的串行算法。

关键词：通用设备结构计算图形处理器通用计算开放阅读框架重复查找控制元件检测后缀数组构造倍增法

来源：评论

学校读者我要写书评

暂无评论

基于图形处理器的数据流并行处理方法研究

基于图形处理器的数据流并行处理方法研究

引用

作者：王皓大连理工大学

学位级别：硕士

多核CPU和多核GPU的出现意味着并行系统已成为主流处理器芯片。此外,根据摩尔定律,其并行性将不断扩展。这意味着并行计算将会逐渐成为未来科学计算和常规应用程序的主流。相对于价格昂贵的向量处理器和网络通信丌销巨大的MPI标准的并... 详细信息

多核CPU和多核GPU的出现意味着并行系统已成为主流处理器芯片。此外,根据摩尔定律,其并行性将不断扩展。这意味着并行计算将会逐渐成为未来科学计算和常规应用程序的主流。相对于价格昂贵的向量处理器和网络通信丌销巨大的MPI标准的并行计算平台,图形处理器作为一种价格低廉,普及性高,并且拥有强大计算能力和高内存带宽的通用并行计算设备,已经得到国内外学者的广泛关注。数据流作为一种新的数据形态,具有数据快速,连续到达,潜在巨大容量等特点,对数据流处理和挖掘算法提出了更高的要求。如何提高数据流系统的吞吐能力,提高数据流处理和挖掘算法的实时性成为数据流研究领域的一个重要研究问题。本文致力于图形处理器通用并行计算在数据流挖掘领域的应用研究,结合图形处理器通用并行计算和数据流自身的特点,在理论上提出了一个图形处理器数据流并行计算的框架模型,并分别从单数据流和多数据流处理角度研究如何使用图形处理器协助中央处理优化数据流处理过程。针对单数据流,本文提出一种数据流分位数并行维护方法,该法以数据块为单位在系统主存与显存之间交换数据流中的数据元组,并使用图形处理对数据流进行快速并行处理,以基本窗口为单位对滑动窗口进行更新和过期删除,提高了数据流处理的吞吐能力。针对多数据流,文本提出了一种遵循最小数掘交换原则的,跨PCIE总线的四层滑动窗口模型。并利用统一计算设备架构实现了基于图形处理器技术的多数据流概要数据结构的维护框架。采用数据流相关系数的精确计算方法,提出了一种并行多数据流相关系数计算的GPU内核算法。实验证明GPU算法在多数据流相关系数精确计算的实时性上比纯CPU算法有显著优势。该框架可以推广到多数据流挖掘其他研究领域中,如多数据流主分量计算和多数据流聚类分析,具有一定的通用性。

关键词：图形处理器通用计算统一计算设备架构数据流处理并行计算分位数相关系数

来源：评论

学校读者我要写书评

暂无评论

基于GPU的数据流处理方法研究

基于GPU的数据流处理方法研究

引用

作者：卢晓伟大连理工大学

学位级别：硕士

GPU作为一种新型流处理,具备了流处理模型的特点,价格低廉,普及性高,并且拥有强大的并行计算能力和高内存带宽。这种高性能运算能力,已经越来越多地受到各个研究领域学者的重视。数据流作为一种新的数据形态,具有数据快速,连续到达,潜... 详细信息

GPU作为一种新型流处理,具备了流处理模型的特点,价格低廉,普及性高,并且拥有强大的并行计算能力和高内存带宽。这种高性能运算能力,已经越来越多地受到各个研究领域学者的重视。数据流作为一种新的数据形态,具有数据快速,连续到达,潜在巨大容量等特点。如何提高数据流处理系统的吞吐能力,提高数据流处理和挖掘算法的实时性成为数据流研究领域的一个重要研究问题。本文重点着眼于图形处理器通用计算在数据流挖掘领域的应用研究,特别是非规则流中高维数据流的高性能处理是本文的一大特点,在理论上提出了一个图形处理器数据流并行计算的通用框架模型,分别从规则流数据和高维数据流两个角度出发,分析数据流处理算法的耗时部分,研究如何将其串行算法移植到GPU上进行运算,提高其性能。针对规则流数据,本文根据三维图像重构的数学模型理论和应用矩阵论进行了电镜三维图像重构的研究,提出了其基于GPU的并行算法,并在GPU的CUDA平台上对规则的投影流数据进行了仿真实验,实验证明了该算法在计算资源受限情况下处理速度可以提高50倍左右,同时保证了图像质量。针对高维数据流,本文提出一种基于GPU的非规则流中高维数据流的处理模型和具体的可行架构,并在该框架下基于统一计算设备架构(CUDA)使用数据立方模型以及降维约简技术并行分析了多条高维数据流的典型相关性。经理论分析和实验证明,该并行处理方法能够在线精确地识别同步滑动窗口模式下高维数据流之间的相关性,相对于纯CPU方法,该方法具有显著的速度优势,很好地满足了高维数据流的实时性需求,可以作为通用的分析方法广泛应用于高维数据流挖掘领域。

关键词：图形处理器通用计算统一计算设备架构高维数据流三维图像重构相关性分析

来源：评论

学校读者我要写书评

暂无评论

分布式环境下的闭频繁项集挖掘算法研究

分布式环境下的闭频繁项集挖掘算法研究

引用

作者：徐杰扬州大学

学位级别：硕士

随着大数据时代的到来人们拥有的数据越来越多,如何管理和运用这些数据成为人们迫切需要解决的问题。大数据的特点之一就是数据容量大,甚至大到无法在一个数据中心进行存储,因此分布式技术成为处理大数据的最优方案之一。针对不同的应... 详细信息

随着大数据时代的到来人们拥有的数据越来越多,如何管理和运用这些数据成为人们迫切需要解决的问题。大数据的特点之一就是数据容量大,甚至大到无法在一个数据中心进行存储,因此分布式技术成为处理大数据的最优方案之一。针对不同的应用场景人们提出了不同的分布式解决方案,如网格,集群,云计算等。分布式存储系统解决了大数据的存放问题,使人们可以更安全,更高效的管理数据,但是仅仅拥有数据还是不够的,更重要的是从海量的数据里挖掘出对人们有用的信息。数据挖掘研究的内容就是从数据里搜索出对人们有用的知识,数据挖掘也成为知识发现。数据挖掘早期的研究着重于单机环境下的数据处理,但是随着数据的分布存储和数据数量的指数增长传统的数据挖掘算法以不能适用于当前的环境,因此许多学者针对不同的分布式环境和数据挖掘里的不同分支研究了新的能高效运行于分布式环境的数据挖掘算法。闭频繁项集挖掘是数据挖掘领域里的重要分支,也是许多挖掘算法里的必不可少的内容。但是闭频繁项集挖掘过程复杂包含了大量的计算,如何利用分布式巨大的数据处理能力来挖掘闭频繁项集成为人们研究的热点。本文利用几种新的数据结构研究了在分布式环境下的闭频繁项集挖掘算法,提高了分布式环境下闭频繁项集挖掘的效率。频繁模式树最初用于挖掘频繁项集,能够很好的保存项集之间的映射关系,本文第三章通过将频繁模式树进行垂直划分提出了一种改进的频繁模式树结构,称为垂直频繁模式树,并研究了基于该结构的分布式闭频繁项集挖掘算法DVFP。DVFP同时采用数据并行和任务并行的策略进行分布式的挖掘。第三章还提出了一种新的序列化方法来对VFP树进行编码,大大减少了处理节点间的通信开销。增量式的挖掘可以灵活的处理一些动态变化的数据集,本文的第四章提出了一种增量式闭频繁项集挖掘的算法,该算法是基于一种改进的投影前缀树结构来搜索闭频繁项集。使用投影技术表示冗余节点,减少了存储空间同时在需要时又可以迅速找到相关节点,不丢失有用信息。使用投影前缀树结构还可以避免子集检测,大大减少运行时间。混合异构计算可以充分利用CPU与GPU的处理计算能力,实现高速的并行计算。本文第五章提出了一种利用改进的垂直型数据结构在异构平台上分布式并行挖掘闭频繁项集的算法。垂直型数据格式是闭频繁项集挖掘算法里的一种重要的数据类型,这种数据结构加快了候选项集的筛选速度,通过项之间的“与”和“或”操作就能快速的找出闭频繁项集。但是垂直型的数据结构会浪费大量的存储空间,在处理大数据和稀疏型数据时这种空间的浪费会使某些基于垂直型数据结构的算法无法运行。针对垂直型数据结构的缺点,本文第五章利用分层策略提出了一种改进的垂直型数据结构,改进后的数据结构可以有效的压缩存储空间,提高内存使用率。在改进的垂直型数据结构基础上提出了一种新的闭频繁项集挖掘算法,该算法不仅能处理密集型数据,而且在稀疏型数据上也具有很高的效率。在处理大数据时,利用该算法在图形处理器上进行闭频繁项集的挖掘可以达到较高的加速比。

关键词：分布式计算闭频繁项集挖掘海量数据处理图形处理器通用计算

来源：评论

学校读者我要写书评

暂无评论

图形处理器并行计算应用研究

图形处理器并行计算应用研究

引用

作者：张杨西南交通大学

学位级别：硕士

现代图形处理器将数据流并行处理的概念引入硬件结构中,具有高性能的数据并行处理能力。本论文从图形处理器通用计算角度研究其在流体数值计算和媒体实时计算中的应用。本文的主要工作如下: 1) 将二阶投影法求解粘性不可压流体引入... 详细信息

现代图形处理器将数据流并行处理的概念引入硬件结构中,具有高性能的数据并行处理能力。本论文从图形处理器通用计算角度研究其在流体数值计算和媒体实时计算中的应用。本文的主要工作如下: 1) 将二阶投影法求解粘性不可压流体引入图形处理器的并行计算。定义二维情况下的边界表示,数据结构和组织,设计其整个并行计算过程。提出3层的编程模型来实现基于OpenGL下的通用计算,提供了实现该计算的计算核函数。 2) 在解决压力泊松方程收敛问题中,将体积分数多重网格法引入该计算。将原有算法并行化,结合图形处理器提供硬件功能优化其实现,其中通过深度精选实现边界区域数据的硬件剔除;通过纹理线性缩放避免了纹理偏移的计算。并通过数值实验分析该方法的有效性,在图形处理器上实现的高效性。 3) 通过对以上数值计算的性能分析,比较了采用图形处理器并行计算相对于CPU计算的优劣、特点,分析了图形处理通用计算目前的瓶颈,指出需要改进的地方。 4) 在媒体计算领域,通过实验比较了离散余弦变换及其快速算法在图形处理器上和CPU上的性能,证明传统的快速算法和计算复杂度不适用于图形处理器并行的计算。 5) 提出一种快速的景深效果实现方法,比较他和传统实现方法的效率,展示现代图形处理器在媒体处理上强大的灵活性和高效性。

关键词：图形处理器通用计算并行计算计算流体动力学多重网格离散余弦变换景深

来源：评论

学校读者我要写书评

暂无评论

一种基于GPGPU的指控系统空间查询优化方法

引用

指挥与控制学报 2015年第4期1卷 395-402页

作者：赵艳伟于璐张宁刘凯徐海旭中国航天科工二院七〇六所北京100854

针对指控系统战场空间信息处理过程中计算量大、耗时长的问题,提出了一种基于GPGPU的指控系统空间查询优化方法.首先构造了一种适用于GPU环境的并行栅格索引结构,在此基础上,采用CPU+GPU异构并行方式实现GIS空间查询.实验表明,提出的方... 详细信息

针对指控系统战场空间信息处理过程中计算量大、耗时长的问题,提出了一种基于GPGPU的指控系统空间查询优化方法.首先构造了一种适用于GPU环境的并行栅格索引结构,在此基础上,采用CPU+GPU异构并行方式实现GIS空间查询.实验表明,提出的方法适用于处理海量密集的线面类战场空间数据,与CPU中的树型索引方法相比,能达到一个数量级的效率提升,为未来实现GPU通用计算在军事领域上的应用提供一种新的解决思路.

关键词：指控系统图形处理器通用计算地理信息系统空间查询

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：