一种高效率的快速块匹配运动估计算法

采用菱形搜索算法对各种视频测试序列中运动矢量的研究,基于H.264视频编码标准提出了一种快速块匹配运动估计算法。它是以图像中相邻宏块之间的时空相关性为前提,结合了分布式菱形搜索,预测搜索和中止阈值等一系列技术而提出的,试验结果表明该算法在运算速度方面优于菱形搜索,而获得与全搜索相当的峰值信噪比。     

一种AVS-M运动搜索快速算法

针对AVS-M运动搜索算法的复杂性,根据其变换量化的特点,推导全零块判决准则,提出一种基于全零块检测的AVS-M运动搜索快速算法,在运动搜索的同时判决出全零块,从而节省运动搜索和变换量化的时间。实验数据显示,该算法节省的计算量最多可达77.4%,且比特率下降程度大于峰值信噪比下降程度。结果表明,在不降低编码性能的情况下,该算法能有效提高运动估计的编码速度。     

一种利用宏块直方图的快速帧间预测方法*

针对H.264/AVC编码复杂度高难以实时应用的缺陷,在深入研究H.264/AVC中重要且耗时的帧间预测编码技术的基础上,提出了一种融合宏块直方图分布信息的分层逐级预判的快速帧间预测算法。仿真实验结果表明,提出算法与H.264/AVC标准算法相比,在保持重建视频图像质量和输出码流结构的前提下,平均节省编码时间约70%,改善了编码复杂度与编码实时性,保持了H.264/AVC低码率的编码优势。该算法有效地提高了H.264/AVC的编码效率。     

一种综合搜索策略的快速运动估计算法*

提出了一种综合搜索策略的运动估计算法。该算法首先采用中值预测提前终止判断策略,然后基于块运动类型确定搜索起点,最后采用小十字模板与基于块的梯度下降搜索法(BBGDS)相结合的方法进行局部搜索。搜索过程中多处引入提前终止策略,进一步提高搜索速度。通过与综合性能代表当前国际先进水平的运动矢量场自适应搜索法(MVFAST)进行对比实验发现,该算法在基本保持搜索精度的情况下,有效提高了搜索速度,对于运动较大序列速度提高尤为明显,可以达到20%48%。     

一种适于实时应用的快速有效的自适应运动估计算法

运动估计是视频编码系统的关键部分,同时也是整个视频编码器中计算量最大的部分,运动估计性能的优劣直接影响到整个视频编码器的运行效率和整个视频序列的重构质量。该文提出了一种适用于实时应用的快速自适应运动估计算法,该算法首先利用运动矢量时空域的相关性预测初始运动矢量,然后对不同运动程度的图像块进行不同大小的菱形搜索,同时采用了高效的提前截止准则。实验结果表明,对于各种不同运动程度的视频序列,该文算法都可以获得和全搜索法基本相同的图像质量,同时可以节省超过99%的计算量,该文算法在搜索速度和搜索精度两方面比快速算法中性能突出的菱形搜索具有更大的优势,更适合实时应用。     

一种HEVC帧内预测快速算法

HEVC作为新一代的视频编码标准,比现有H.264标准的压缩效率提高近一倍,但其存在复杂度较高的问题。为此,针对HEVC中帧内预测最耗时的模块,即编码单元块划分模块和帧内预测模式选择模块,提出一种适合HEVC帧内预测的快速算法。该算法将率失真(RD)代价作为阈值参数,利用候选模式集中预测模式被选中概率快速递减的规律,基于RD代价进行帧内预测块划分和帧内预测模式选择。实验结果表明,该算法在相同编码质量条件下可减少59%的HM10.0帧内预测模块复杂度,相应比特率的增加幅度小于1.34%。     

一种基于朴素贝叶斯分类的性能预测方法

基于朴素贝叶斯分类提出了一种复杂应用系统的性能预测方法.利用应用系统性能测试的结果作为训练集,引入朴素贝叶斯分类方法训练分类器,再将该分类器包装成预测模块嵌入应用系统,对响应时间等多种性能属性进行预测.与传统方法相比,该方法具有准确度高、构造简单、效率高、鲁棒性强、松耦合等优势.在针对金融报表系统的对比实验中准确率达到...     

基于占用率的体系结构脆弱因子在线计算方法

随着CMOS工艺的不断进步,单个芯片上集成的晶体管数目快速增长,使得由高能粒子和α粒子辐射产生的软错误逐渐成为影响微处理器可靠性的重要因素。通过计算体系结构脆弱因子,量化分析软错误对微处理器中不同结构的影响,已成为指导微处理器容错设计、提高系统可靠性的重要方法。体系结构脆弱因子在线计算方法,利用体系结构脆弱因子随应用程序运行而变化的特点,指导动态选择容错技术,实现可靠性与性能之间的平衡。在对已有方法分析的基础上,提出一种基于占用率的体系结构脆弱因子在线计算方法,并在Sim Alpha模拟器上进行验证。通过运行SPEC CPU2000基准测试程序,计算发射队列、重命名缓冲和存取队列的体系结构脆弱因子。实验结果表明,该方法能有效计算微处理器中不同结构的体系结构脆弱因子,与离线计算方法相比,发射队列、重排序缓存和存取队列三个体系结构脆弱因子的平均绝对误差仅为0.10、0.01和0.039。     

基于改进贝叶斯算法的云服务可靠性预测方法研究

目前服务消费者业务的不断发展,业务逻辑的不断复杂,对云服务组合的可靠性性能需求不断增加。通过对服务组合可靠性进行预测,根据预测结果向服务消费者推荐满足其可靠性需求的组合服务,以提高服务使用质量。基于传统的贝叶斯预测模型提出一种改进贝叶斯预测算法(IDLM)。通过采用指数加权回归方法对算法中的状态误差方差项进行估算,有效解决了传统贝叶斯模型中状态误差方差参数确定困难等问题,并且具有较高的预测效率和预测准确性。实验结果表明,改进的贝叶斯预测算法(IDLM)较其他传统的时间序列预测算法具有较高的准确性。     

基于指令行为的Cache可靠性评估研究

软错误由高能粒子撞击所产生,对处理器的可靠性产生很大的损害.随着处理器设计目标转向低功耗、高性能和低供电电压,软错误的发生日益频繁,处理器的可靠性研究也随之受到越来越多的关注.针对传统的基于注错仿真的可靠性评估方法效率低的缺陷,提出了一套系统的cache可靠性评估方法,以可靠性指标之一--体系结构易受损因子(architectural vulnerability factor,AVF))--为研究对象,一方面,基于指令行为分析应用程序运行过程中对最终结果不产生影响的指令,从而确定对cache的AVF产生作用的指令;另一方面,根据cache的存储类型、所采取的写策略,结合cache中数据/指令阵列和地址标识阵列的特点,对cache上的各种相邻操作组合对AVF的影响进行了研究,从而完成AVF评估所需的信息分析.实验部分对PISA体系结构指令cache中的指令阵列进行了AVF评估,说明了该方法的有效性.     

Fast and Precise WCET Prediction by Separated Cache and Path Analyses

Precise run-time prediction suffers from a complexity problem when doing an integrated analysis. This problem is characterised by the conflict between an optimal solution and the complexity of the computation of the solution.The analysis of modern hardware consists of two parts: a) the analysis of the microarchitecture's behaviour (caches, pipelines) and b) the search for the longest program path. Because an integrated analysis has a significant computational complexity, we chose to separate these two steps. By this, an ordering problem arises, because the steps depend on each other.In this paper we show how the microarchitecture analysis can be separated from the path analysis in order to make the overall analysis fast. Practical experiments will show that this separation, however, does not make the analysis more pessimistic than existing approaches. Furthermore, we show that the approach can be used to analyse executables created by a standard optimising compiler.     

基于动态贝叶斯网模型的股指收益率序列预测

证券市场预测,是当前研究的热点和难点.动态贝叶斯网(DBNs),能够学习变量间的概率依存关系及其随时间变化的规律,表达时间序列蕴含的潜在信息.利用DBNs方法,在证券心理分析技术的基础上.建立中国证券指数的日收益率预测模型.文中使用上海证券交易所综合指数日收益率数据对模型进行训练与预测.在离散量预测环境下,模型能达到80.12%预测命中率,在采用混合高斯(GMM)分布的连续量预测中,模型的平均绝对比例误差(MAPE)指标<1%.低于BP神经网络和GARCH-BP神经网络,而且累计误差增长稳定.说明:在市场高噪声的情况下,模型具有良好的稳定性和预测能力.     

基于WLR和PSO-AFS-SVR的滚动轴承可靠度预测方法

在训练数据缺乏的情况下,为了提高支持向量回归机(SVR)对滚动轴承可靠度的预测精度,提出了一种基于威布尔线性回归(WLR)组合可靠度模型结合粒子群人工鱼群-支持向量回归机(PSO-AFS-SVR)的预测方法。首先,使用威布尔统计模型与线性回归（LR）的组合模型作为可靠度模型,利用测量滚动轴承振动信号的加速度计频谱,依据峰值频率分布的变化,分割其性能衰退的各个阶段,对每个阶段单独建模,以便最大程度地挖掘小样本信息;其次,采用k-折交叉验证(k-fold)的平均绝对误差(MAE)和平均相对误差(MAPE)之和作为适应度函数,利用PSO-AFS优化SVR参数,提高其泛化能力和预测精度;最后,采用滚动轴承全寿命周期试验数据进行了验证试验。试验结果表明,所提方法可以对滚动轴承的可靠度进行更准确的预测。     

GAP图像预测算法在FPGA上的快速实现方法

Gradient Adjustcd Prediction(GAP)是一种有效的图像预测方法,该方法通过计算梯度预测当前像素值,特别适用于连续图像的无损压缩。梯度计算需要大量的求“差的绝对值”计算,对于硬件实现需要大量的计算时间,不同的梯度需要不同的程序分支,造成了程序多次跳转,不利于硬件汇编程序的实现。该文针对这两个问题,提出了使用FPGA实现GAP预测的快速方法。     

Modeling and characterizing GPGPU reliability in the presence of soft errors

The general-purpose computing on graphic processing units (GPGPUs) becomes increasingly popular due to its high computational throughput for data parallel applications. Modern GPU architectures have limited capability for error detection and fault tolerance since they are originally designed for graphics processing. However, the rigorous execution correctness is required for general-purpose applications, which makes reliability a growing concern in the GPGPU architecture design. With CMOS processing technologies continuously scaling down to the nano-scale, on-chip soft error rate (SER) has been predicted to increase exponentially. GPGPUs with hundreds of cores integrated into a single chip are prone to manifest high SER. This paper explores a first step to model and characterize GPGPU reliability in light of soft errors. We develop GPGPU-SODA (GPGPU SOftware Dependability Analysis), a framework to estimate the soft-error vulnerability of GPGPU microarchitecture. By using GPGPU-SODA, we observe that several microarchitecture structures in GPGPUs exhibit high soft-error susceptibility, and the structure vulnerability is sensitive to the workload characteristics (e.g. branch divergences, memory access pattern). We further investigate the impact of several architectural optimizations on GPU soft-error robustness. For example, we find that increasing the number of threads supported by GPU significantly affects the GPGPU soft-error robustness. However, changing the warp scheduling policy has little impact on the structure vulnerability. The observations made in this study provide designers the useful guidance to build resilient GPGPUs: a comprehensive resiliency solution for GPGPUs should consider the entire GPGPU design instead of solely focusing on a particular structure.     

WSN目标定位动态预测方法研究

针对固定预测时间间隔下目标机动对无线传感器网络目标定位预测效果影响较大的问题,分析目标预测误差产生机理及主要影响因素,提出WSN目标定位动态预测方法。该方法根据目标预测模型构造预测时间增量函数,通过固定预测时间增量函数取距离自变量值动态调节目标预测时间间隔,实现目标运动状态自适应动态目标预测。仿真平台分别应用运动学预测、粒子滤波预测方法建立预测模型,并进行目标预测实验;结果表明,目标机动情况下,目标动态预测方法误差相比固定预测时间时间间隔方法分别减小18.5%、12.8%,动态目标预测方法能较好改善机动性目标预测效果,增强预测方法对目标运动变化的自适应能力。     

基于灰色模型和自适应过滤的网络流量预测

提出一种新的网络流量预测方法。该方法根据网络流量历史值用灰色模型GM（1,1）进行预测,并用自适应过滤法对GM（1,1）预测时产生的残差进行修正,从而达到较高的预测精度。该方法综合了GM（1,1）预测所需原始数据少、方法简单等特点,具有较高的应用价值。实验结果表明,该方法是有效可行的。     

基于模糊神经网络的WEDM可靠度预计

为了准确预计电火花线切割机床(WEDM)的可靠度,建立基于自适应模糊神经网络的可靠度预计模型。该模型以平均无故障时间为输入,以可靠度为输出,通过神经网络自适应训练获得适合WEDM可靠度预计的平均无故障间隔时间隶属函数。仿真结果表明,该模型的预计精度较高,与应用神经网络的WEDM可靠度预计结果相比,提高了96.4%。     

结合栈式监督AE与可变加权ELM的回归预测模型

在现代工业生产过程中,许多关键变量与产品质量或生产效率密切相关,关键变量的实时监测是实现利润最大化及节能降耗的有效途径。针对回归预测任务中目标特征提取不全面、预测精度较低等问题,提出一种基于栈式监督自编码器与可变加权极限学习机的回归预测模型。通过堆叠多层自编码器并在每层自编码器中添加回归网络,同时以有监督方式对栈式自编码器（SAE）进行逐层预训练,得到与输出变量相关的特征表示。利用反向传播算法对网络参数进行微调,优化自编码器模型参数。在分析提取特征与输出变量的相关性基础上,对极限学习机（ELM）的输入权值和偏置进行加权得到预测结果。实验结果表明,与基于ELM和SAE-ELM的回归预测模型相比,该模型在多晶硅铸锭的G6产品数据集上的均方根误差降低0.056 7和0.011 2、决定系数提高0.489 3和0.290 3,具有更高的回归预测准确性及更强的鲁棒性与泛化性能。