基于径向基代理模型的序列优化中自适应再采样策略

针对径向基插值代理模型样本点预测误差为零时无法获得误差函数进行序列再采样优化的问题,将样本点分布约束引入序列再采样过程,利用潜在最优解加速收敛性,提出一种适用于径向基插值代理模型序列优化的再采样策略,该策略兼顾仿真模型的输出响应特性与样本点的空间分布特性。仿真结果表明,使用该在采样策略后,算法寻优效率和精度均优于传统基于代理模型的优化方法,在对最优解进行有效预测的同时,能显著减少原始模型计算次数。     

多核数字信号处理器并行矩阵转置算法优化

矩阵转置是矩阵运算的基本操作,广泛应用于信号处理、科学计算以及深度学习等各种领域。随着国防科技大学自主研制的飞腾异构多核数字信号处理器(digital signal processor, DSP)在各种领域中的推广应用,对高性能矩阵转置实现提出了强烈需求。针对飞腾异构多核DSP的体系结构特征与矩阵转置操作的特点,提出了一种适配不同数据位宽(8 B、4 B以及2 B)矩阵的并行矩阵转置算法ftmMT。该算法基于DSP中向量处理单元的Load/Store部件实现了向量化,同时基于矩阵分块实现了多个DSP核的并行处理,通过隐式乒乓设计实现了片上向量化转置与片外访存的重叠以及访存性能的大幅提升。实验结果表明,ftmMT能够显著加快矩阵转置操作,与CPU上的开源转置库HPTT相比,可获得高达8.99倍的性能加速。     

全隐LU-SGS算法在高超声速热化学非平衡流刚性问题中的应用

在高超声速热化学非平衡流动计算中,当地气体能量松弛时间、化学反应特征时间与流动时间推进步长量级差异过大会带来严重数值刚性问题,且在高雷诺数条件下,壁面、拐角等强干扰区网格加密使得该问题加剧,导致初始最大CFL数极小,收敛速度缓慢.原始LU-SGS算法仅考虑化学反应源项和对流项的隐式处理,通过推导黏性项Jacobian矩...     

一种优化神经网络映射算法——吸收算法

本文揭示了神经计算的本质──并行分布处理,并以此为基础提出了时间步的概念。分析了映射算法的两个重要概念──负载均衡和通讯开销,并提出了映射分配准则。在神经网络的映射分配中引入图论的有关思想,提出了一种优化的神经网络映射算法──吸收算法。最后给出了重要的试验结果,这些数据表明吸收算法是一种有效的映射算法。     

保形的Hermite插值样条函数

本文讨论一种满足Hermite 插值条件的保形样条函数,文中构造了一个保单调的样条函数q(x),且q(x)满足下列条件:1)q(x_i)=y_i,i=0,1,2,…,n,n+1;2)q'(x_i)=y'_ii=0,1,2,…,n,n+1.该方法对凸数组及相应的导数也适合。     

某些环中卷积的快速计算

本文研究了环中卷积的快速计算问题,讨论了计算域中卷积通常使用的Wino-grad 短卷积算法、快速富里叶变换算法以及多项式变换算法对一般环中卷积计算的可适用性。特别地,对应用广泛的矩阵多项式乘积、矩阵卷积及多项式卷积计算提出了比直接计算快得多的算法。     

地面目标特征识别与无人飞行器位姿估计

针对小型无人飞行器位置姿态估计问题,提出了一种基于视觉图像目标特征的相对位姿估计算法。应用Camshift算法获取目标初始位置,利用非线性尺度空间下的KAZE特征进行跟踪区域特征点提取,与源目标特征点进行匹配,得到精确的目标位置信息,实现了在图像平面内的目标快速跟踪,并得到机体轴系下无人飞行器与目标间相对位置和姿态角的估计值。对算法进行了实验验证,具有优良的跟踪性和实时性。     

二维 DFT 和 DCT 的 Systolic 阵列

超级计算中一个活跃的研究领域是将某些有限和,如离散富里叶变换(DFT)、离散余弦变换(DCT),映射到多处理机阵列上。本文首先通过二维DFT的行列分解算法流程图,给出了计算二维DFT的二种Systolic阵列:一种是由N_1个处理器组成的线性阵列,所花时间步为O(N_1N_2)(设二维DFT为N_1×N_2长的),与行列分解算法在单处理机上顺序执行所花时间相比,加速比为O(N)(设N_1=N_2=N)。这一结果无论是在时间消耗,还是在PE数量上都是目前最优的。另一种是由N_1×N_2个处理器组成的矩形阵列,所需时间为O(N_1+N_2),与行列算法在单处理机上顺序运行所花时间相比,加速比为O(N~2)(这里仍假定N_1=N_2=N)。本文还给出了二维DCT的与二维DFT相似的Systoilc阵列结构。不难将上述阵列推广到多维的情况。     

一种基于混合概率PCA模型的高光谱图像非监督分类方法

提出了一种在期望最大化(EM)算法框架下同时实现混合概率主成分分析(PPCA)降维和聚类的高光谱图像非监督分类方法。它根据不同类别应各有自己代表性的特征集,将通常意义下的特征抽取和模式分类合并在一步内完成,尽可能地保留了可分性;同时该方法具有概率模型的优点,更适合高维数据处理。采用仿真数据和真实数据进行的比较实验表明,该算法较一般不加区分地对所有原始数据进行PCA降维再分类的方法能得到更好的分类结果。     

采用RLS算法的功率倒置阵列的性能

为解决功率倒置阵列采用LMS算法时收敛速度和稳态失调误差不能兼顾的缺点,提出了采用RLS算法实现功率倒置阵列的方法。仿真结果表明,功率倒置阵列采用RLS算法和LMS算法都能达到较好的抗干扰效果。和LMS算法相比,RLS算法同时具有收敛速度快和稳态失调误差小的优点,代价是计算量增大。