面向FT-M7002平台点积算法的优化实现

基于国产的FT-M7002平台高性能DSP,针对不同类型的点积算法进行了优化实现,完善了该处理器平台数学库的技术链,充分发挥了FT-M7002内核体系结构优势,对点积算法实现了SIMD向量并行化、DMA双通道传输和SVR传输等优化。该研究充分挖掘了程序的向量并行性,有效地提升了数据传输的速度,提高了程序性能。实验结果表明,输入不同规模大小的数组,不同类型的点积算法在FT-M7002平台上优化后和优化前的平均性能比为12.416 6~45.233 8。相较于TI官网的dsplib库中不同类型的点积函数在TMS320C6678处理器上运行的性能,FT-M7002平台优化后的性能与TI平台的平均性能比为1.371 6~4.519 6。实验结果表明了该DSP平台相对于TI主流平台的计算性能优势。     

面向FT-M7002的Sobel边缘检测算法优化实现

边缘检测是图像处理与计算机视觉领域中一种重要的图像分析方法,Sobel算子常用于粗精度的边缘提取,在图像边缘检测中被广泛应用。随着国产飞腾（FT）系列高性能数字信号处理器的发展,图像处理领域对FT平台的需求日益提高,同时急需实现面向FT平台的高性能图像处理算法。针对上述问题,在FT-M7002平台上对Sobel边缘检测算法进行向量并行优化,使用FT-M7002处理器内嵌SIMD指令,挖掘Sobel边缘检测算法中的数据级并行性,同时设计并实现一种字符型与整型数据间的并行化转换接口,使用循环展开优化方法提升指令节拍数,通过DMA矩阵转置解决数据访存不连续的问题。采用双缓冲技术实现数据传输与内核计算的并行,从而隐藏数据传输与计算之间的时间间隙。对比分析多种卷积核大小及图片规模下原Sobel算法与优化算法的性能,结果表明,与原始算法相比,该优化算法能取得1.66~3.14倍的加速比,此外,相较TMS320C6678处理器上的运行结果,在FT-M7002平台上优化算法可达到1.87~2.08倍的加速效果。     

基于均差滤波与高斯和的非线性非高斯系统滤波算法

针对一类非线性非高斯系统的滤波问题,在分析均差滤波算法和高斯和滤波算法的基础上,提出一种基于均差滤波的高斯和滤波算法,适于处理非线性非高斯系统的滤波问题.对于似然密度位于条件转移概率密度拖尾处的情况,与传统的粒子滤波算法相比,所提算法能提高滤波的精度和实时性.仿真实验验证了新算法的有效性.     

基于高斯粒子群优化的RBPF滤波算法

针对动态系统目标跟踪问题,RBPF算法通过将高维状态空间分解成易于处理的线性子部分与非线性子部分,并采取不同策略进行滤波估计。为了提高RBPF的计算效率,提出将粒子群优化思想融入到RBPF滤波估计中,凭借粒子群算法卓越的全局搜索能力,对于状态空间中非线性部分,通过粒子群算法驱使所有采样粒子向高似然区域(最优适应值区域)移动;对于线性状态部分,依然利用卡尔曼滤波进行处理。通过多组实验仿真结果对比,PSO-RBPF利用较少采样粒子、耗费较少时间即能获得极佳的估计精度。     

高斯粒子群优化粒子滤波检测前跟踪算法

针对低信噪比时标准粒子滤波对弱小目标的检测与跟踪时存在的粒子贫乏、跟踪精度对粒子数目要求高等问题,提出一种基于高斯粒子群优化粒子滤波的弱小目标检测前跟踪算法。利用高斯粒子群优化算法优化重采样后的粒子集,使粒子集朝着后验概率密度分布取值较大的区域运动,增加粒子的多样性,克服了粒子贫乏问题,并在保证跟踪精度的前提下降低了跟踪所需要的粒子数目,提高了标准粒子滤波算法的检测和跟踪性能。同时,建立了检测前跟踪系统的观测模型和系统模型,对基于标准粒子滤波检测前跟踪算法和优化算法进行仿真,仿真实验结果表明高斯粒子群优化粒子滤波的检测前跟踪算法相比基于标准粒子滤波的检测前跟踪算法具有更好的检测与跟踪性能。     

保持边缘的高斯平滑滤波算法研究

提出了一种新的彩色图像高斯滤波算法EPGF,该方法从人眼视觉感知中的彩色细节失明及同时对比特性出发,根据像素间的色差和位置关系共同确定高斯权值,使算法对区域内部进行平滑的同时,保持区域间的边缘不变。给出了各种滤波结果的主观和客观的对比,实验结果表明了算法的有效性。     

基于正则化的高斯粒子滤波算法

针对非线性系统的状态估计问题,提出一种改进的高斯粒子滤波算法。该算法是基于正则化粒子滤波(RPF),将重采样中离散的概率分布函数近似为连续分布,进而在高斯粒子滤波(GPF)中引入正则化粒子滤波算法得到的最新预测值,并利用这一观测值进行状态估计的更新。最后,对RGPF和GPF两种算法进行综合分析和实验仿真,结果表明,与标准GPF算法相比,RGPF具有较高的滤波精度。     

Fermi架构下的时域高斯滤波并行算法

为提高图形图像处理中高斯滤波算法模块的计算速度,将高斯滤波与Fermi平台相结合,设计了一种高斯滤波时域的并行算法。数据测试结果显示,与基于CPU的实现相比,采用Fermi架构的GPU处理不仅可以得到误差精度小于0.0001的计算结果,而且可以取得较大的加速效果。在数据规模为512×112×128和滤波窗口大小为11的情况下能够达到约210倍的加速效果。     

AVS_M环路滤波及其并行优化

介绍了AVS_M中的环路滤波,详细分析了其滤波模式、滤波过程及滤波强度的控制,提出了其中关键判断分支语句算法的改进,在此基础上讨论了AVS_M环路滤波基于OMAP5912平台DSP核的并行优化和基于pc平台MMX的并行优化。     

基于SRCKF 的自适应高斯和状态滤波算法

针对非线性非高斯离散动态系统中的状态估计问题,基于高斯和递推关系,提出一种高斯和状态估计算法GSSRCKF.首先将状态噪声、观测噪声及滤波初值均表示为高斯和的形式,以平方根容积卡尔曼滤波为子滤波器分别估计各高斯子项对应的系统状态;然后结合各子项对应的权值实现全局估计;最后设计高斯子项对应权值的自适应策略,并采用约简控制法降低计算复杂度.仿真结果验证了所提出的算法在滤波稳定性方面的优越性.     

基于高斯滤波与可信度判别的改进指纹增强算法

对现有指纹图像增强算法进行研究并提出了一种新的改进算法。利用Gaussian滤波器对指纹图像多次滤波计算指纹图像方向图,减小了噪声的影响;根据得到的方向信息对原有图像进行对应分块旋转并沿Y轴垂直投影得到图像的统计频率,算法简便;采用Gabor滤波器进行指纹增强,取整幅图像有效频率的均值作为该图像的频率,减少了计算量。并在此基础上利用一定的判别规则对二值化图像进行可信度判别,进一步改进了增强后图像的质量。该算法简单有效,易于实现。实验结果表明对于一定噪声的指纹图像仍有很好的增强效果。     

Optimizing Gaussian filtering of volumetric data using SSE

Gaussian filtering is a basic operation commonly used in numerous image and volume processing algorithms. It is, therefore, desirable to perform it as efficiently as possible. Over the last decade CPUs have been successfully extended with several SIMD (Single Instruction Multiple Data) extensions, such as MMX, 3DNow!, and SSE series. In this paper we introduce a new technique for Gaussian filtering of volume data sets—the extended volume—together with its SIMD implementation using the SSE technology. We further introduce a SIMD optimized recursive IIR implementation of the Gaussian filter, and finally, we parallelize the SSE versions with the help of OpenMP (Open Multi‐Processing). Experimental evaluation indicates that the SIMD implementation can significantly speed up both versions of the Gaussian filtering and that the non‐recursive extended volume version is faster than the recursive IIR one for small widths of the Gaussian filter. Copyright © 2010 John Wiley & Sons, Ltd.     

高斯混合交互式多模型容积信息滤波算法

针对机动目标跟踪中由于目标机动使系统的非线性强度增大,导致系统的线性误差增大和跟踪精度明显下降、甚至发散的问题,提出了基于高斯混合的交互式多模型容积信息滤波（ GMIMM-CIF）算法,实现对机动目标的精确跟踪。新算法在每次输入交互之后,保留概率较大的几个假设,并利用一个高斯混合项替换最优多模型算法中剩余的假设,从而使算法中假设的数量保持恒定;用容积信息滤波器（ CIF）代替传统的非线性滤波器,通过估计信息状态向量和信息矩阵而不是估计状态向量和协方差,可以减小系统的非线性误差。通过仿真对比实验,验证了该算法可以提高机动目标的跟踪精度。     

基于高斯分布的多层无迹卡尔曼滤波算法

在传统无迹卡尔曼滤波(UKF) 中对其估计精度和计算效率起关键作用的是采样算法, 即构造具有权重的样本点. 研究表明, 带权样本点匹配随机变量的阶矩越高滤波的精度越高, 如多项式无迹卡尔曼滤波(PUKF), 但通常此类算法的复杂度过高甚至难以求解. 为此, 基于高斯分布结合高阶矩匹配与无迹卡尔曼滤波线性扩张方 法(LUKF), 提出一种兼顾效率和精度的高斯滤波离线算法. 实验结果表明, 所提出算法拥有比UKF 更高的估计精度和比PUKF 更好的计算效率.

     

用基于中值滤波的高斯过程预测3G网络性能

针对3G网络中主动监控和对性能指标数据进行预测的需要,提出了基于中值滤波的高斯回归模型的网络性能指标预测方法,将高斯回归模型与中值滤波法相融合,对样本空间中的性能指标数据先进行中值滤波预处理,再对处理过的数据进行高斯回归预测,预测结果作为主动告警机制的预测曲线。仿真实验结果表明,相对于其他预测方法,基于中值滤波的高斯过程预测结果更加有效,生成的预测曲线更精确,为3G及以上网络进行主动监控确定更有效的阈值提供理论依据。     

优化的协作过滤推荐算法

基于用户的协作过滤推荐技术中存在的稀疏问题和冷开始问题,影响推荐系统的性能,使协作过滤的效果得不到充分的发挥,提出了一种优化的协作过滤推荐算法,对用户-项目评价矩阵进行降维预处理,对原始评价矩阵降低了噪音,有效地解决了稀疏问题,验证了使用相关相似度的度量标准所得到的算法要比余弦相似度算法的推荐质量要高,验证了采用中心加权求和的方法能很好地弥补协作过滤算法在冷开始中的新项目问题上的不足,可以提高推荐系统的推荐质量与推荐精度。     

基于改进NLMS算法的自适应滤波算法

最小均方算法是应用最广泛的自适应算法之一,但其收敛速度欠佳。在传统NLMS算法的基础上,提出了重复调整归一化最小均方算法(DRNLMS)即在相邻两输入信号样本的间隔时间进行额外调整运算,以提高算法的收敛性,并通过计算机仿真实现该算法。