一种虚拟室内场景对象调度方法

在具有真实感的虚拟场景中实现实时漫游是构建虚拟场景的关键技术之一。针对室内场景的漫游提出了基于观察者位置和视点方向的对象调度策略。该算法通过合理地载入场景中对象的LOD模型及有效的场景裁剪,极大地加速了漫游时的场景绘制速度,从而实现了在漫游中平滑无延迟地浏览虚拟场景。     

面向大规模地形LOD模型的并行简化算法

大规模地形的快速绘制一般采用层次细节（LOD）模型,需要在预处理阶段使用网格简化算法对模型进行简化。简化质量与简化效率间的矛盾一直是各种简化算法所需面临的问题。通过利用通用的并行编程环境MPI,提出了一种基于四叉树网格剖分的并行简化算法,通过并行化达到提高算法效率的目的,并就模型拼接及负载平衡进行了相关讨论。最后,通过具体实例在集群环境下验证了算法的有效性,得到了较好的并行效果。     

A high-speed wideband spectrometer system based on CUDA-GPU

针对射电信号观测的需求,设计并实现了一种基于统一计算设备架构(CUDA)和图形显示卡(GPU)的宽带高速频谱分析系统.该系统通过运用库利-图基(Cooley-Tukey)快速傅立叶变换算法与谱分析算法实现实时宽带高速频谱分析.系统的关键部分在于通过CUDA来完成运用线程合并算法对数据在CPU与GPU之间传递时的转换,并使用并行流水算法在总线中共享多核GPU来降低实时运算时间.该系统主要为500m口径射电望远镜工程的高分辨率微波巡视项目而设计,实测中满足目标需求,并可应用在射电信号观测或类似的高速密集数据运算中.     

基于GPU的结构光三维测量快速计算方法

针对CCD摄像机高分辨率下CPU进行三维测量计算效率低的问题,提出基于GPU技术的快速计算方法.同时针对三维测量的四个具备并行度的过程,该方法给出了在GPU上可实现的具体算法流程,并根据数据规模及GPU特性,设计了一种新的GPU设备端数据结构组织方式.实验结果表明,该方法有效利用了GPU的大规模并行处理能力,在处理500万像素数据过程中整个测量时间仅需4s左右,计算效率是CPU的160倍.     

基于GPU的快速Sobel边缘检测算法

传统的Soble边缘检测算法的优化和实现都是针对常用处理器(CPU、DSP和FPGA等)提出的,难以应用在图像处理器(GPU)上.本文提出了一种基于NVIDIA公司CUDA架构图形处理器(GPU)的快速Sobel边缘检测算法.快速算法根据GPU的并行结构和硬件特点,采用了纹理存储技术、多点访问技术和对称计算技术三种加速技术,优化了数据存储结构,提高了数据访问效率,降低了算法复杂度.实验结果表明,快速算法充分利用了GPU的并行处理能力,在处理4 096x4 096分辨力的8位灰度图像时速度可达190 fps,是基于CPU实现的122倍.     

基于嵌入式小波编码的DEM快速无损压缩算法

为减少网络地理信息系统(GIS)海量数字高程模型(DEM)数据的存储与传输数据量,提出了一种基于嵌入式小波编码的DEM快速无损压缩算法--FEC算法,此算法编解码快速,压缩位流具有分辨率嵌入、感兴趣区域嵌入和质量嵌入特点.对2/6可逆整数小波变换系数的每级分辨率数据按照区域划分分区,利用时空邻居关系挖掘每个分区子带的数据冗余,对其系数的每一个位面在一次扫描中完成三个子编码过程的系数建模重组与自适应二进制游程Golomb_Rice熵编码.实验数据表明,FFC算法与JPEG2000算法相比,编码、解码时间分别减少了36.04%和44.49%,而压缩比仅仅降低了8.05%;与SPIHT算法相比,编码、解码时间分别减少了32.28%和37.49%,而压缩比仅仅降低了4.58%;与GZIP算法相比,压缩比提高了79.63%;与n点最优预测算法相比,压缩比提高了9.23%.FEC算法在保持良好的压缩性能的同时,大幅度减少了编解码时间.     

基于八叉树的复杂产品模型实时绘制技术

给出基于OpenSceneGraph场景模型的信息提取方法,利用八叉树对场景模型进行分割和视锥体剔除,有效提高了实时绘制的效率,尤其是对浏览场景细节时的绘制效率提高最为明显。采用基于分页技术的Pagelod方法,实现模型的动态调度,以减少I/O的负载,满足在有限硬件条件下虚拟场景中复杂产品模型的实时绘制要求。     

一种基于视向的LOD自动生成方法

总结了LOD自动生成的一般算法,结合DEM均匀网格模型,以“块”作为地形模型简化的空间单位。结合实际视觉效果中观察点位置和角度对场景细节程度的影响,以一个包含视点视向相关因子的尺度作为简化标准。简化过程中采取稀疏采样的策略,建立了多层次LOD数据模型,有效地简化了地形模型的绘制,提高了生成效率,使得生成的三维地形有较高的可视性和真实感。     

应用 Python-GPU 求解的实时混合试验方法研究

提出了基于 Python 和图形处理器（GPU）数值求解的实时混合试验系统。将土‐结相互作用系统作为试验模型，使用 Python‐GPU 代替 CPU 数值求解，对提出的实时混合试验系统进行了仿真与试验验证。研究结果表明，使用 Python‐GPU 对无条件稳定算法求解，积分步长 20 ms 时 GPU 实时求解模型自由度超过 24000，是同一台计算机CPU 求解规模的 7 倍左右，提升了实时混合试验的试验能力。     

细长弹性飞行器飞行动力学并行计算及优化研究

现代飞行器尤如导弹或火箭等飞行器其长细比大、低阶频率低,弹性变形和振动对弹道仿真导航、制导、推力模块的影响不容忽略。就细长体弹性飞行器全弹道仿真中弹性模块出现的计算速度慢、无法实现实时仿真等问题,通过分析不同计算规模下各计算步骤的占时比例,在单机多GPU环境下创新性的采用动态并行构建八叉树的方式表征气动参数表,并通过自适应硬件资源、合理利用共享内存以实现气动数据索引的性能优化;同时设计了CPU端任务队列的异步计算架构,以此实现了CPU-GPU不同粒度的并行任务计算。数值结果表明在单GPU条件下可得到20倍左右的加速比,双GPU并行计算可得到至少30倍的加速比,并以5 ms为时限取得了40阶截断阶数、1 200站点的弹性飞行器实时仿真。     

利用帧间连贯性的动态地形可视化算法

针对动态地形图的特殊要求,利用帧间的连贯性给出了地形实时绘制可视化的解决方案.算法采用三角形二叉树的存储结构,利用嵌套误差判据球计算误差,避免T-连接和裂缝的产生.算法利用帧间连贯性,在相邻帧间只对渲染地形做局部调整,同时,又利用延迟判断时间进一步减少每帧所需判断的次数,提高了算法效率.实验结果表明,该算法有效地减少了计算量,能在满足地形实时绘制的同时很好的表现地形的形变效果.     

基于支持向量机改进算法的船舶类型识别研究

利用船舶目标辐射噪声DEMON谱特征,采用改进的支持向量机算法,实现了对船舶目标的分类识别研究。针对支持向量机算法对噪声比较敏感和最优分类面求解时约束较多不利于支持向量机最优分类面寻优的问题,在保持支持向量稀疏性和应用径向基核函数的条件下,对支持向量机算法在松弛变量和决策函数两方面进行了改进,提出了基于径向基核函数的齐次决策二阶损失函数支持向量机改进算法,并应用于利用船舶目标辐射噪声DEMON谱进行船舶目标类型分类识别实验。理论分析、数据仿真与实验结果表明,该改进算法实现了在二次规划中的较少约束条件下最优分类面求解,具有模型参数寻优空间广阔、总体分类性能优的特点,其分类性能优于原支持向量机算法,是一种适合于船舶辐射噪声DENOM分类识别的有效的支持向量机改进算法。     

RS-LOD方法及其在旋转机械故障特征提取中的应用

局部波动特征分解(LOD)方法是一种新的自适应时频分析方法。该方法通过采用微分、坐标域变换、分段线性变换三种运算,可以高效地将信号自适应分解为一系列的单一波动分量(MOC),非常适合于处理多分量信号。然而,由于分段线性变换的使用,虽可以显著提高算法的计算效率,但会使MOC分量缺乏光滑性,从而导致失真。对此,将样条曲线形状可调可控的有理样条函数引入LOD方法替代分段线性变换,提出了基于有理样条函数的局部波动特征分解(RS-LOD)方法。在详细阐述RS-LOD分解原理的基础上,通过仿真信号将RS-LOD、LOD和经验模态分解(EMD)进行了对比分析,结果表明RS-LOD方法可以明显改善原LOD方法中MOC分量光滑度差的问题。此外,针对旋转机械故障振动信号的多分量调制特点,将RS-LOD方法应用于旋转机械的故障特征提取,对滚动轴承和齿轮箱故障振动信号的分析结果表明,RS-LOD方法可以有效地提取旋转机械振动信号的故障特征。     

Inferring phase diagrams from X-ray data with background signals using graph segmentation

Automated composition-structure-processing phase diagram creation is critical for high-throughput experimental material studies. In particular, diffractogram datasets with large background signals are especially difficult to identify the phase regions. In this work, we proposed a novel graph segmentation algorithm from computer vision to solve the phase diagram prediction problem from X-ray diffraction data with large background signals. We introduced a novel background subtraction algorithm with graph-based clustering/segmentation to build the BGPhase algorithm. Experiments on three datasets with the Al–Cu–Mo material family showed that our phase attribution algorithm can achieve high prediction accuracy ranging from 88.6 to 94.8% or with MCC scores ranging from 0.715 to 0.890. The algorithm can be accessed online at http://mleg.cse.sc.edu/bgphase.     

基于帧速率的地形渲染数据量自适应控制算法

针对大规模地形三维可视化系统在不同性能计算机平台上运行速度的差异,提出了一种基于帧速率的地形渲染数据量负反馈自适应控制算法,该算法以数据量与帧速率关系模型为基础,通过获取精确的系统渲染周期耗时,计算符合帧速率要求的地形数据量,并进行动态数据调整.基于FLTK(和OpenGL的系统实验表明,该算法可以根据特定计算机平台的性能,快速调整渲染数据量,使地形可视化系统稳定运行干预先设定的帧速率区间.该算法有效增强了三维地形可视化系统的平台适应能力,同时算法思想对于类似系统负载与耗时关系的研究也有借鉴意义.     

Composite model of the shark's skeleton in bending: A novel architecture for biomimetic design of functional compression bias

Much of the skeleton of sharks, skate and rays (Elasmobranchii) is characterized by a tessellated structure, composed of a shell of small, mineralized plates (tesserae) joined by intertesseral ligaments overlaying a soft cartilage core. Although tessellated cartilage is a defining feature of this group of fishes and has been maintained for millions of years, the significance of this skeletal tissue type — particularly from a mechanical perspective — is unknown. A cross-sectional model, based on empirical material property and morphological data, was developed in the present work to analyze the function of intertesseral joints in regulating the stress distribution within the skeletal tissue during bending. The results indicate that this structure distributes more stress to the tesserae loaded in compression when compared to those loaded in tension. A functional bias towards compression has also been observed for bone, but with the formation of microcracks in the region under greatest tension. The present model demonstrates how functional compression bias can also be achieved in tessellated cartilage structures but in the absence of microcracking. This behavior provides possible advantages including increasing the resistance to fatigue damage as well as mitigating the risk of tearing under excessive bending loads.     

XA-GANomaly: An Explainable Adaptive Semi-Supervised Learning Method for Intrusion Detection Using GANomaly

Intrusion detection involves identifying unauthorized network activity and recognizing whether the data constitute an abnormal network transmission. Recent research has focused on using semi-supervised learning mechanisms to identify abnormal network traffic to deal with labeled and unlabeled data in the industry. However, real-time training and classifying network traffic pose challenges, as they can lead to the degradation of the overall dataset and difficulties preventing attacks. Additionally, existing semi-supervised learning research might need to analyze the experimental results comprehensively. This paper proposes XA-GANomaly, a novel technique for explainable adaptive semi-supervised learning using GANomaly, an image anomalous detection model that dynamically trains small subsets to these issues. First, this research introduces a deep neural network (DNN)-based GANomaly for semi-supervised learning. Second, this paper presents the proposed adaptive algorithm for the DNN-based GANomaly, which is validated with four subsets of the adaptive dataset. Finally, this study demonstrates a monitoring system that incorporates three explainable techniques—Shapley additive explanations, reconstruction error visualization, and t-distributed stochastic neighbor embedding—to respond effectively to attacks on traffic data at each feature engineering stage, semi-supervised learning, and adaptive learning. Compared to other single-class classification techniques, the proposed DNN-based GANomaly achieves higher scores for Network Security Laboratory-Knowledge Discovery in Databases and UNSW-NB15 datasets at 13% and 8% of F1 scores and 4.17% and 11.51% for accuracy, respectively. Furthermore, experiments of the proposed adaptive learning reveal mostly improved results over the initial values. An analysis and monitoring system based on the combination of the three explainable methodologies is also described. Thus, the proposed method has the potential advantages to be applied in practical industry, and future research will explore handling unbalanced real-time datasets in various scenarios.