带状线性方程组的含参交替方向并行算法

在MIMD分布式存储环境下针对系数矩阵为带状或块三对角矩阵的线性方程组提出了含三参数交替方向迭代并行算法。通过引入三参数调整,并适当分裂系数矩阵得到新算法,给出了系数矩阵为若干特殊矩阵时算法的收敛条件。在HP rx2600集群系统上实现了算法,针对不同的算例将其与多分裂方法、BSOR方法和PEk内迭代方法进行了比较。并行计算结果表明,所提算法具有较高的加速比和并行效率,明显优于多分裂方法和PEk方法,能合理分配内存,从而有效节省计算时间。针对算例1,加速比和计算效率略优于BSOR方法;而算例2的结果明显优于PEk内迭代方法。     

带状线性方程组的并行交替方向算法

提出了分布式存储环境下求解带状线性方程组的并行交替方向迭代算法。充分利用系数矩阵的结构特点,给出了在系数矩阵分别为Hermite正定矩阵和M-矩阵时算法的充分条件,并针对采用的分裂方式,讨论了参数的收敛范围,最后在HPrx2600集群系统上进行了数值计算,结果表明实算与理论相一致,算法简便可行且具有良好的并行性。     

块三对角线性方程组的一种并行算法

本文提出了分布式环境下求解块三对角线性方程组的一种并行算法,该算法通过分裂系数矩阵,充分利用系数矩阵结构的特殊性,使算法只在相邻处理机间通信两次.并从理论上给出了算法收敛的一个充分条件,分析了误差.最后,在HP rx2600集群上进行了数值试验,结果表明,实算与理论是一致的,并行效率也很高.     

求解带状线性方程组的一种并行算法

提出了一种在MIMD分布式存储环境下求解带状线性方程组的交替方向迭代并行算法。利用系数矩阵的结构特点分裂矩阵,使整个计算过程只在相邻处理机间通信两次。给出了系数矩阵分别为Hermite正定矩阵和M-矩阵时算法收敛的充分条件。最后,在HP rx2600集群系统上进行的数值计算表明,该算法与多分裂方法相比具有较高的加速比和并行效率。     

基于树结构椭圆簇分裂的深度图像分割算法

提出了一种基于树结构椭圆簇分裂的深度图像分割算法 .该算法是根据聚类簇协方差矩阵分解的物理含义 ,利用数据的二维散布来同时确定分裂扰动矢量的方向和长度 ,迭代地分裂聚类簇 ,为期望最大化算法提供初始值 .算法还充分利用表面法向高斯混合模型的物理含义来减少聚类次数 ,并根据几何含义清晰的门限自适应确定类别数 .作者针对两种深度相机的 6 0幅真实深度图像进行了实验 ,并与传统的树结构扰动方案以及K均值算法初始方案进行了客观比较 .实验证明 ,新的初始值方案以更少的聚类次数得到了更好的结果     

GS-PIA算法的收敛性证明

非均匀三次B样条曲线插值的GS-PIA算法具有简单、稳定及收敛速度较快等优点.文中详细阐述了GS-PIA算法的几何意义,严格证明了算法的收敛性.首先定义算法配置矩阵的比较矩阵,借助矩阵理论的正则分裂证明比较矩阵对应的迭代矩阵的收敛性;然后利用矩阵的相似性,证明了非均匀三次B样条曲线插值的GS-PIA算法的收敛性.为GS-PIA算法的进一步研究及其在计算机图形学等相关领域的应用打下了理论基础.     

求解块三对角方程组的一种并行策略

提出了一种在MIMD分布式存储环境下求解块三对角线性方程组的并行算法。基于Galerkin原理适当取基构造算法,使整个计算过程只在相邻处理机间通信两次,并给出了系数矩阵为对称正定矩阵时算法收敛的条件。在HP rx2600集群系统上进行的数值计算结果表明该算法与多分裂方法相比具有较高的加速比和并行效率。     

单目视觉定位中SURF算法参数的优化

为了提升单目视觉定位方法的定位效率,在基于SURF算法的单目视觉定位系统上对SURF算法参数的选取进行了优化.首先分析了路面图像的特点及路面图像中SURF特征点的特性,据此选取了SURF算法中组数和层数这两个重要参数;其次分析了路面序列图像中特征点数目与hessian矩阵行列式阈值之间的关系,提出了hessian矩阵行列式阈值动态设定方法.通过对SURF算法参数的优化,有效降低了程序的运算量.实验结果表明,该方法能较好满足路面环境下定位的要求,在保证算法精度和稳定性的同时,大幅提高了程序的效率.     

RLL码的计算机辅助设计

本文着重讨论计算机辅助设计RLL码的具体实现问题.该过程首先根据RLL码两个参数d,k确定一个编码率p/q,然后构造出RLL码的高阶状态转换-输出符号矩阵并求相应的近似特征向量.最后通过状态分裂和状态归并过程,即可得到一个满足d,k约束的编码输出表.其中状态转换-输出符号矩阵为实现计算机辅助设计RLL码提供了有效的数据结构,而且要优化RLL码编码器,就必须有选择地进行状态分裂.     

云计算在Web结构挖掘算法中的运用研究

在研究Web结构挖掘经典算法Pagerank和云计算关键技术Mapreduce的基础上,将Pagerank算法与Mapreduce 编程模型结合,针对基于并行Pagerank算法运行大数据集时面临的每次迭代访问HDFS导致I/O消耗增加、每次迭代在混合阶段和排序阶段时耗过多的问题提出了两个改进算法.一个是利用矩阵分块思想的并行Pagerank改进算法;另一个是减少HDFS访问次数的并行Pagerank改进算法.最后利用Hadoop搭建云环境,在实验环境下分析了不同的BlockSize参数对于计算性能的影响.并在云环境下面向不同的Web数据集,测试了原算法和改进算法的性能.结果表明,改进后的算法分别在结果集的空间占用方面和总迭代时间方面具有一定的优越性.