使用异类处理器实现H.264算法

嵌入式多媒体设备要求具有更高的处理能力、极低的功耗,以延长电池供电设备的工作时间。提高CPU的工作频率或者增加CPU内并行的工作单元可提高CPU处理能力,但相同工艺下更高的频率要求更高的工作电压和更大的功耗,并行的工作单元只能利用局部指令的并行性,一些单元得不到充分利用,造成功耗的浪费。使用不同类型的处理器并行工作,充分发挥各个CPU的处理优势,可有效降低多媒体设备的功耗。     

笔记本电脑的节能

决定笔记本电脑性能的核心部件就是CPU,现在的笔记本电脑CPU达到333MHZ,能处理所有运算领域的工作,包括电子商务、网际联络等,还有更高级的性能,如运用多媒体、通信系统。笔记本电脑由于体积小、重量轻,就要求CPU的功耗低,使狭小的空间热量少些。而上网和应用多媒体却要求CPU要有高速度,这就必然导致大功耗,使散热突出。所以,和台式机相     

多通道接收设备数据并行处理方法

随着计算机技术的发展,信号接收设备大量运用于计算机进行设备控制、数据处理和人机交互.在接收设备完成天线信号接收、模数转换和解调处理后,人机交互和后续数据处理显示工作由计算机应用软件来完成.通常设备要求体积小、功耗低,编写的软件需充分发挥CPU性能,以提升设备效率.本文结合多通道接收设备,讨论多线程技术在利用CPU资源方面的应用.     

异步子字并行乘累加单元的设计与实现

异步电路能很好地解决同步集成电路设计中出现的时钟扭曲和时钟功耗过大等问题。本文采用异步集成电路设计方法设计了一款32位异步子字并行乘累加单元,并在0.18μm工艺条件下实现了该单元。通过使用特殊的部分积译码电路,该乘累加单元能支持多种子字并行模式,适用于多媒体处理。评测结果表明,异步乘累加单元的性能和功耗指标均优于采用同样结构的同步乘累加单元。     

基于CUDA的直升机旋翼桨叶挥舞角快速测量方法

针对基于立体视觉的直升机旋翼桨叶挥舞角测量CPU串行算法耗时多、效率不高的问题,利用图像处理单元(GPU)并行计算的优势,提出一种基于CUDA统一计算设备构架的并行处理快速算法.首先,对算法中最耗时的图像去噪、阈值分割、连通域标记三部分进行并行化设计;然后,采用多层次并行策略将大量密集运算分配到不同的图像处理单元上并行执行,利用共享内存和共享寄存器加速数据访问;最后,进行多次测量实验,结果表明该方法执行效率明显高于CPU串行方法,可满足旋翼桨叶挥舞角快速测量的要求.     

基于CPU／GPU异构平台并行优化的研究

CPU／GPU异构系统具有很大的发展潜力,深入研究CPU／GPU异构平台的并行优化,可实现系统整体计算能力的最大化。通过对CPU／GPU任务划分的优化来平衡CPU和GPU的负载,可提高计算资源的利用率,缩短计算任务的执行时间;通过对GPU线程划分的优化,可使GPU获得更高的速度。从而提高系统整体性能。     

可穿戴计算机多媒体任务处理技术研究

多媒体任务的处理能力是可穿戴计算机的重要性能指标,为了使配备国产CPU的可穿戴计算机具有较强的多媒体任务处理能力,采用了可伸缩的系统结构模型。设计了15条面向多媒体任务的新指令,实现了执行新指令的多媒体任务协处理部件的逻辑结构设计,并利用工具软件对协处理部件进行了功能和性能的仿真,实验结果表明:利用可伸缩系统结构模型提高可穿戴计算机的多媒体任务处理能力是可行的。     

38℃的诱惑，浅析Intel 38℃机箱

几年前，任何人都不会关心CPU的发热量、显卡的功耗等“无谓”的问题。那时候CPU只要配合一个简单的散热器就足以稳定工作。时至今日，PC性能在不断提升的同时，CPU等主要设备的功耗也在以几何级数飙升。最新的Pentium4 E CPU的功耗已经突破了100W，要对功耗如此惊人的设备进行良好的散热的确不是一件容易的事情。单纯依靠提高散热器体积、提高风扇转速的方法已经捉襟见肘。为了适应日后PC硬件功耗的提升，Intel提出了本文的主角——38℃机箱设计。     

长城BTX-400SEL-P4电源

LGA775架构的Prescott核心的处理器功耗已经突破100W,给CPU供电的 12V输出电流提出了更高的要求,沿用传统的ATX 12V 1.3版电源容易造成较大的安全隐患和较大的线路损耗,因此Intel提出了ATX 12V 2.0版电源的设计主张,即电源同时提供两路 12V输出,分别供给CPU和其他设备,提高电源     

一种基于GPU的并行算法功耗评估方法

随着软件和硬件的不断发展,图形处理器(GPUs)已经广泛用于通用计算领域,并作为加速器来协助CPU加速程序的运行。为了追求高性能,GPU往往包含成百上千个核心运算单元,高密度的计算资源使其在性能远高于CPU的同时功耗也高于CPU,因此功耗问题已经成为制约GPU发展的重要问题之一。分析了并行程序在GPU上运行时消耗的功耗,提出了并行算法在GPU上运行的功耗评估方法,接着通过并行前缀求和算法对该方法进行了详细的论述与分析。在实验部分通过稀疏矩阵向量乘算法的实际应用对该方法的正确性以及敏感性进行了证明与分析。结果表明,对于给定的程序,在满足性能要求的前提下,最优线程块数、存储访问方式以及任务分配顺序是影响系统功耗的关键因素。