基于自适应Runge-Kutta法的织物动态模拟

运动微分方程的数值求解，是实现基于物理模型的织物仿真的技术关键。针对具有高精度要求的织物动态仿真，提出利用显式Runge-Kutta高阶方法解决仿真过程中运动微分方程的求解问题，并采用内嵌的Cash-Karp计算格式，从自动调整步长和控制精度两方面优化算法。实验证明，基于内嵌的Runge-Kutta自适应法精度高，易实现，具备良好的稳定性，并可直接获取误差，自动调整步长确保精度，使系统的求解效率得以进一步提高。     

基于改进弹簧质点模型的织物模拟算法

提出了一种基于改进弹簧质点模型的织物模拟算法。该算法首先引进刚性杆代替结构弹簧,对弹簧质点模型进行了改进。其次基于改进的弹簧质点模型,实现织物模型的建立。将织物看成是由分布均匀的质点组成,通过对模型中的质点进行受力分析,建立织物的力学方程。最后运用显式欧拉方程法对模型质点的空间位移进行数值求解,并在求解过程中运用动态约束算法改善超弹性问题。实验结果表明,提出的方法在确保织物模拟稳定和效率高的基础上,实现了对织物的高效模拟。     

GPU通用计算平台上中心差分格式显式有限元并行计算

显式有限元是解决平面非线性动态问题的有效方法.由于显式有限元算法的条件稳定性,对于大规模的有限元问题的求解需要很长的计算时间.图形处理器(GPU)作为一种高度并行化的通用计算处理器,可以很好解决大规模科学计算的速度问题.统一计算架构(CUDA)为实现GPU通用计算提供了高效、简便的方法.因此,建立了基于GPU通用计算平台的中心差分格式的显式有限元并行计算方法.该方法针对GPU计算的特点,对串行算法的流程进行了优化和调整,通过采用线程与单元或节点的一一映射策略,实现了迭代过程的完全并行化.通过数值算例表明,在保证计算精度一致的前提下,采用NVIDIA GTX 460显卡,该方法能够大幅度提高计算效率,是求解平面非线性动态问题的一种高效简便的数值计算方法.     

图形硬件加速的织物自碰撞检测算法

自碰撞检测是织物实时模拟的瓶颈.利用最新的图形硬件特性,设计了织物模拟的自碰撞检测算法.该算法以质点包围球为基本计算单元,仅保存计算得到的第一次发生碰撞的信息,而不需要计算出所有的碰撞对.算法在CUDA平台上实现,通过对核函数的一次调用即可完成自碰撞检测,算法复杂度为O(n).将算法用于由大规模质点构成的织物模拟过程中,试验表明,算法的GPU实现比相应的CPU实现性能提高18倍以上,与两遍渲染算法相比,平均性能也提高了20%左右.     

基于粒子系统的织物仿真模拟

以粒子系统为建模基础，根据织物悬垂变形的基本特征，通过构造弯曲、剪切等内在影响因素和重力等外部约束条件，并结合经典力学的刚休碰撞理论，计算织物模型与其它物体间的碰撞与接触，从而生成动态量垂仿真图形。     

Oracle 显式游标的使用

讲述了ORACLE中常用的显式游标的使用方法,描述了使用场合,并举例进行了说明。     

显式丢失通告算法的实现及其性能分析

TCP协议假定链路上的数据丢失率极小，所以当数据传输中出现丢包情况时，它认为是由于网络拥塞而导致的，并且相应地采取拥塞避免机制。然而在无线网络中，由于信道衰减，移动主机切换基站等原因，经常会导致数据的丢失。针对这一问题，显式丢失通告算法(ELN)要求中间路由在发现TCP数据包丢失时，发送显式丢失通告报文，通知TCP发送方数据包的丢失是基于链路原因，而不是由于网络拥塞。后者根据显式丢失通告屏蔽拥塞控制机制，从而避免了由于不必要的触发拥塞控制而导致的性能下降。论文将在实现ELN算法的基础上，根据模拟结果对ELN算法的性能加以评估。     

基于IMEX的织物动态仿真的近似解法

织物在空间运动的刚性特征始终是困扰织物动态仿真的难题．显式方法简单灵活,易于实现,但受稳定因素影响,无法实现具有刚性特征的织物动态模拟;隐式方法稳定性好,却忽略了非线性因素,而且计算复杂,直接影响到仿真的最终结果和实际效率．针对这一问题,提出了基于隐式一显式的近似解法,该方案从系统受力形变的非线性特征出发,将质点受力分为线性和非线性两部分,线性部分采用隐式解法,非线性部分利用显式解法,线性方程组的求解则运用近似解法．实验结果表明,该方法兼具两种方法的优点,既保留了隐式方法的稳定性,又充分利用了显式方法的简易性处理非线性特征,从而从真正意义上解决织物仿真中的刚性问题．     

基于面料力学属性的三维织物模拟

为了精确再现虚拟服装中面料的力学属性,提出一种模拟不同材质织物变形效果的方法.首先测试样本的力学性能参数,通过相关性分析获得其中与悬垂特性密切相关的部分参数,以此作为神经网络的输入数据;然后对比实拍样本及其静态仿真效果图,将获得样本仿真模型控制参数的期望值作为BP神经网络的输出数据;最后建立BP神经网络实现织物力学属性与仿真模型控制参数之间的非线性映射.应用文中方法对15种常用服装面料进行实验的结果表明,仿真效果较好地体现了面料的材质信息,在此基础上实现的虚拟服装更加精准,有助于提高系统的真实感.     

自然语言显式命题自动识别和解析方法

自然语言中包含很多显式命题,正确理解这些命题是理解文本信息的关键.正确识别显式命题并解析其中的关键成分有助于理清语言中的逻辑关系、辅助自然语言理解.该文基于百度百科数据构建了自然语言显式命题标注数据集,并提出两个研究任务:自然语言显式命题自动识别和命题关键成分解析.其中,显式命题自动识别任务判断一个自然语言句子是否为命...     

基于修正后拟牛顿算法的织物实时模拟

选用质点-弹簧模型来描述整个织物运动系统,提出了两种新的基于拟牛顿算法的方法用于织物的实时模拟,同时给出了一种开关算法,根据实时状态对两种方法进行自动选择,以保证更好的收敛速度.对新算法的收敛速度进行了理论上的证明和讨论,并将修正后拟牛顿算法的实验数据和结果与已有的研究成果作了深入的比较和分析,结果表明修正后拟牛顿算法无论在收敛速度还是整体性能上都比已有算法优越.     

基于GPU加速的粒子流体动力学流血模拟算法

流血模拟是虚拟手术训练系统的重要组成部分。然而,流血模拟的真实性和庞大的计算量对手术训练系统具有很大的挑战。提出一种基于GPU加速的方法以解决虚拟手术中的流血效果模拟的实时性问题。该方法利用网格法实时划分问题区域,创建以支持域为边长的空间网格。通过临近网格搜索最近相邻粒子,并且通过并行计算架构(CUDA)多线程并行加速技术完成粒子控制方程的求解以及血液与固体交互的计算,大大提高了运算效率,从而提高了手术训练的实时性。一种改进的移动立方体算法(marching cube)用于流体表面的渲染,大大提高了手术训练的真实性。实验结果表明,该方法能够满足虚拟手术过程中流血的模拟需求,相比于CPU的实现,速度明显提升。     

面向Remeshing的混合材质布料仿真

目前布料仿真所采用的布料模型主要是单一材质的,导致了布料的真实性和多样性没有得到很好体现。从布料材质的多样性角度出发,对Narain提出的自适应Remeshing方法进行改进和扩展,使其适合于混合材质问题。首先提出一种交互方法对布料模型进行分割,然后通过材质属性库为分割的区域填充不同的材质,设计出混合材质的布料模型,并通过改进的自适应网格法来克服布料模型材质单一性的限制,得到真实感较强的混合材质布料仿真效果。     

基于OpenCL的GPU加速三维时域有限差分电磁场仿真算法研究

提出了一种基于开放运算语言（OpenCL）的GPU加速三维时域有限差分（FDTD）电磁场仿真计算的方法．该方法利用图形处理单元（GPU）的并行处理特性并结合OpenCL接口标准实现了时域卷积完全匹配层（CPML）吸收边界条件的三维FDTD的高性能加速计算．首先设置FDTD仿真参数并动态申请内存空间,然后初始化OpenCL的计算参数,对三维电磁模型基于OpenCL进行FDTD加速仿真．本方法显著提升了FDTD电磁场仿真速度,与利用CPU计算相比速度提升可达5-8倍,且具有CPML吸收边界条件,可以模拟电磁波在自由空间的传播;基于OpenCL编译的语言程序可以运行在CPU或GPU硬件上,并可充分发挥多核CPU的并行计算能力,使得FDTD电磁场仿真具有更广泛的实际应用．     

基于GPU的几何体实例化研究

在视频游戏中大量物体需要渲染的情况下,如何提高渲染速度成为了一个越来越富有挑战性的工作.对基于GPU的几何体实例化方法提高渲染速度的原理进行了研究.在分析比较当前已知的几种实现方法的基础上,着重研究了其中的静态批次和顶点常量方法,并在OGRE平台上作了性能测试实验,对该方法在提高渲染速度方面的效果进行了对比性验证.     

基于GPU多纹理混合技术的循经感传模拟的设计与实现

为了在虚拟人体经络系统中模拟循经感传现象,提出了一种基于GPU的纹理混合技术,通过对三张不同色的纹理贴图进行采样,在GPU的像素着色器中根据混合公式合成最终的纹理,实现了循经感传动态模拟效果.程序设计结果表明:在不同的模拟参数下,系统都能够实时逼真地重现循经感传过程.因此采用多纹理混合技术来模拟感传是一个合理有效的解决方案.     

基于GPU的卷积检测模型加速

近年来,形变部件模型和卷积神经网络等卷积检测模型在计算机视觉领域取得了极大的成功。这类模型能够进行大规模的机器学习训练,实现较高的鲁棒性和识别性能。然而训练和评估过程中卷积运算巨大的计算开销,也限制了其在诸多实际场景中进一步的应用。利用数学理论和并行技术对卷积检测模型进行算法和硬件的双重加速。在算法层面,通过将空间域中的卷积运算转换为频率域中的点乘运算来降低计算复杂度;而在硬件层面,利用GPU并行技术可以进一步减少计算时间。在PASCAL VOC数据集上的实验结果表明,相对于多核CPU,该算法能够实现在单个商用GPU上加速卷积过程2.13~4.31倍。     

显式重定向的扩散张量图像配准

扩散张量图像配准算法是近年图像配准研究的热点与难点之一.针对配准中容易出现的局部极值和张量重定向问题,以欧氏距离为相似性测度,将张量重定向显式融入目标函数,采用模拟退火算法与Powell算法法相结合的混合优化策略,对临床使用的扩散张量图像DTI(Diffusion Tensor Images)进行配准实验.实验结果表明,该算法稳定性良好,在对扩散张量图像进行配准时,能有效保持扩散张量主特征方向与纤维走向的一致性,同时成功解决了局部极值的困扰,是一种实用的扩散张量图像配准方法.     

可满足性求解器算法基于GPU的加速研究

可满足性求解(SAT)问题被广泛应用于软件验证、理论证明、微处理器验证、模块验证等领域,工业应用实例问题求解变量规模已达到百万数量级,传统的基于CPU的串行和并行SAT求解方法已无法满足如此规模的问题求解。不同于以往的并行SAT研究,利用GPU并行处理的特点和SAT算法的特点,将SAT算法中最耗时的BCP(Boolean Constraint Propagation)过程并行化,设计实现了基于GPU的BCP过程GP_BCP(GPU Paralleled BCP),从而将BCP过程的性能提高了5.4～10.3倍。     

基于显式和隐式社交网络的混合推荐

传统的社交网络推荐一般依靠用户之间的好友关系,但好友关系不是基于共同兴趣而产生的。针对这种情况,提出通过用户标签所表达的情感兴趣来扩展用户好友关系,形成基于用户好友关系和共同兴趣的混合推荐。利用用户间直接的朋友关系构建显式社交网络,利用标签数据构建隐式社交网络;在显式和隐式社交网络图中分别采用提出的SNA_SPFA(Social Networks Algorithm Based on Shortest Path Faster Algorithm)算法得到推荐结果;最后按照一定权重混合两种推荐结果。实验表明,该方法优于传统的协同过滤方法和社交网络推荐。