基于有限元法的超声相控全矩阵检测与成像仿真

全矩阵超声相控阵成像技术具有信噪比好、缺陷分辨率高等优点,近年来在无损检测领域获得广泛研究.基于全矩阵数据采集理论和全聚焦成像算法原理,采用有限元法建立超声相控全矩阵检测模型,该模型以钢板中的圆孔缺陷检测为研究对象,提取检测模型中超声纵波幅值信号进行分析.仿真结果显示,采集到的全矩阵A扫描数据具有对称性,且全聚焦算法能有效地实现缺陷的反演成像.成像结果进一步表明,与常规B扫描检测模型相比,该全矩阵模型能准确定位缺陷位置且成像效果较好.而对于某一特定检测介质的全聚焦成像,不同的阵元数成像效果也不同,可以通过数值模拟确定最优的阵元数.     

一维金属-介质光子晶体的特性

利用特征矩阵法对一维金属-介质光子晶体的特性进行了计算,发现此种光子晶体具有可见光透明,微波、紫外高反的光谱特性,而且存在比一维介质光子晶体更宽、反射更强的全向带隙.     

利用交互依赖活动集对C4ISR系统进行重组

一个复杂的C4ISR系统由若干子系统组成,子系统之间的交互依赖关系应该尽量少.利用活动模型构造系统的活动邻接矩阵,用图论中的路径矩阵来识别强连通子图,从而得出交互依赖活动集.具有交互依赖关系的活动尽量安排在一个子系统内部.利用这种方法来对C4ISR系统进行重组.     

矩阵多项式aA+bI

本文讨论了矩阵A满足f(A)=0时一次矩阵多项式aB+bI可逆的条件,并给出了来(aA+bI)-1的一般方法。     

求解舰船消磁系统S矩阵的一种新方法

利用舰船感应干扰系数矩阵和消磁系统传感器检查绕组电磁常数定义了舰船消磁系统模拟特征矩阵———S矩阵.进一步阐述了用S矩阵模拟产生舰船消磁系统在任意地点和任意姿态下的真实消磁电流的原理方法.在定义消磁系统电流状态矩阵基础上,推导了S矩阵各元素新的数学表达式,从而得到S矩阵一种新的求解和测量方法.     

基于菱形模板的摄像机标定方法

在传统的基于平面模板的摄像机标定算法和基于3个非线性点在特定运动下的标定算法的基础上,提出了一种基于菱形模板的摄像机标定算法,本算法只需要知道菱形的一个夹角就能标定出摄像机的内参数矩阵。弥补了传统算法在标定时需要知道特征点世界坐标的不足,减少了制定模板世界坐标带来的误差;同时本算法不需要菱形特征点做任何运动,避免了旋转特征点带来的人为误差。该算法的标定精度仅取决于特征点检测的精度,实验结果验证了该文算法的有效性。     

一种基于Q-R矩阵分解的自适应滤波算法

由于计算误差等因素的影响,致使滤波协方差阵不对称或负定,从而导致滤波器发散,影响滤波算法的收敛速度和稳定性。在机动加速度"当前"统计自适应卡尔曼滤波算法的基础上,引入了基于Q-R矩阵分解的自适应卡尔曼滤波算法。将协方差阵分解为两个矩阵的乘积,来保证协方差矩阵的正定性。仿真结果表明,该算法可以较好地跟踪机动目标,具有精度高、稳定好、收敛快等特点。     

压缩感知理论与光学压缩成像系统

压缩感知理论为提升信息获取能力提供了新的思路,它表明当被探测信号具有稀疏性时,则获取信号所必需的测量数据与其稀疏度K量级相当,而远小于信号的维数N(Shannon采样定理所要求的采样数)。基于压缩感知理论的成像技术(压缩成像)则将感知、压缩和数据处理三个过程完美地结合在一起,避免了传统成像系统"先采样再压缩"方式带来的传感器和计算资源浪费。本文从稀疏性、投影测量矩阵的设计与可重构条件、压缩感知重构算法三个方面概述了压缩感知理论及进展,并以光学成像为背景,详细阐述了最近提出的几类光学压缩成像系统,最后,探讨了压缩感知及压缩成像方面目前所面临的一些挑战性问题。     

一种高效的支持原位计算的三角矩阵乘法向量化方法

向量处理器的向量化算法映射是难点问题。提出一种高效的支持原位计算的三角矩阵乘法向量化方法,采用将L1D配置为SRAM模式,用双缓冲的乒乓方式平滑多级存储结构的数据传输,使得内核的计算与DMA数据搬移完全重迭,让内核始终以峰值速度运行,从而取得最佳的计算效率;将不规则的三角矩阵乘法计算均衡分布到各个向量处理单元,充分开发向量处理器的多级并行性;将结果矩阵保存在乘数矩阵中,实现原位计算,节省了存储空间。在Matrix上的实验结果表明,提出的向量化方法使三角矩阵乘法性能达到1053.7GFLOPS,效率为91.47%。     

基于SIMD处理器的全定制多粒度矩阵寄存器文件

在SIMD处理器上映射矩阵运算时会带来大量的数据重排操作从而降低系统性能。本文提出定制化的多粒度矩阵寄存器文件(MMRF)以消除数据重排操作。MMRF支持多粒度的并行行访问和列访问,从而提升矩阵运算的性能。MMRF可以被动态配置为不同的并行访问模式,在不同模式下一个或多个子矩阵可以被并行处理。实验结果显示,同传统的向量寄存器文件(VRF)和矩阵寄存器文件(MRF)相比,MMRF可分别带来2.21倍和1.6倍的平均性能提升,面积分别增加14.3%和3.7%,功耗分别增加14.6%和2.2%。同TMS320C64x+处理器相比,基于SIMD技术的FT-Matrix处理器在引入MMRF后可以得到5.65倍到7.71倍的性能提升。通过层次化的全定制设计技术,MMRF的面积和关键路径分别减少17.9%和39.1%。