先进控制技术在常减压装置的应用

介绍了先进控制技术在兰州石化公司5Mt／a常减压装置上的应用情况，阐述了控制器开发过程的要点。通过采用多变量控制手段来实现工艺控制目的，不仅提高了装置的运行平稳率，而且能够卡边进行操作，达到了提高目标产品收率和装置节能降耗的目的。     

Eclipse的CDT插件分析

CDT是Eclipse开发C/C++的工具,并为专业领域(如嵌入式软件)提供二次开发支持。文章在分析Eclipse和CDT的本身特征的基础上,介绍CDT的功能结构,以C/C++程序开发者的角度,以工程管理、构建管理、运行调试的分类,研究扩展CDT的方法。     

基于麦克风阵列的GCC时延估计算法分析

准确的时延估计（Time Delay Estimation,TDE）是基于到达时间差（Time Difference of Arrival,TDOA）的声源定位技术的前提.在众多时延估计算法中,广义互相关（Generalized Cross Correlation,GCC）算法因其较低的运算复杂度和易于实现的特点得到了广泛的应用.针对不同的噪声情况,GCC时延估计算法利用不同的加权函数来抑制噪声干扰.本文在介绍麦克风阵列模型和GCC时延估计算法的基础上,针对GCC算法的弊端提出了一种改进算法,并在多种信噪比条件下,对部分加权函数的GCC时延估计算法进行了MATLAB仿真,通过比较其时延估计性能和声源定位精度,分析了这些加权函数各自的优劣性.     

ARM NEON技术在车位识别算法中的应用

为了在车位检测系统中不使用DSP的情况下,达到实时处理和节约成本的目的,在嵌入式Linux系统中使用了CORTEX-A系列的NEON协处理器技术来优化一种车位图像检测算法的代码。在CORTEX-A8平台上使用该图像处理算法进行了大量的处理测试,图像算法处理速度得到很大提升。最后在多个平台下使用该图像处理算法进行测试对比,使用了NEON技术后其算法处理速度提升明显,能够满足实时要求。     

利用二次相关改进的广义互相关时延估计算法

为了提高传统广义互相关时延估计算法的性能,本文将二次相关时延估计算法与广义互相关时延估计算法相结合,提出了一种利用二次相关改进广义互相关的时延估计新算法。该算法先对信号进行二次相关处理,利用相关函数抑制了噪声的干扰,然后在相关函数序列上进行权重处理,进一步提高了算法的抗噪声性能与估算精度。仿真实验证明新算法较广义互相关算法性能有了明显的提升,对闪电辐射源定位资料的分析也验证了该算法的有效性。     

Intel64体系结构的数据预取机制及效果

数据预取是为缓解微处理器与DRAM之间速度差异而出现的隐藏访存延迟的方法。当前Intel各系列处理器都采用多种预取机制来加速数据和代码向Cache的移动,从而提升程序的性能。通过对Intel64体系结构存储层次的分析,剖析了X86/X64体系的数据预取机制,包括硬件预取和软件预取,并且分析了编译器对软件预取机制的支持。最后测试了Intel64体系结构数据预取对科学计算程序中紧嵌套循环性能的影响,总结出了影响数据预取有效性的几个因素。此项工作对在Intel平台上进行循环数组预取优化有指导意义。     

GCC的流水冲突识别器和并行调度器

由于超长指令字处理器通常都有多级流水线和复杂的资源使用限制,如何准确地描述处理器的流水线模型,快速地判断是否存在资源冲突并不是个简单地任务。文章介绍GCC新引入的正则表达式语法的流水线描述机制。在将GCC移植到笔者所开发的SuperV芯片的过程中,利用该机制对SuperV芯片的流水线结构和资源使用限制进行详尽地描述,启动了GCC的指令级并行调度。通过并行调度,测试程序的性能提高了大约6%—35%。     

用表驱动算法在GCC中优化实现指数函数

科学计算中的许多领域都需要快速而精确地计算超越函数,即exp、log、sin、tan等此类函数。本文采用表驱动算法,结合IA-64体系结构特点,在GCC中优化实现了指数函数（exp）,提高了GCC编译器在IA-64系统上的浮点性能,为在IA-64和其它平台上高效实现所有超越函数打下了基础。     

化工过程系统用能诊断和调优的“夹点分析”法

把热力学与系统工程的方法相结合，进一步将“夹点分析”应用于化工过程系统的用能诊断及调优。首先，从能量的角度将以能量驱动的过程单元如，反应器、精馏塔、压缩机等与换热器网络中的冷、热流股统一起来；然后，利用格子图，总组合曲线（ＧＣＣ）、扩充的总组合曲线（ＥＧＣＣ）、分离的总组合曲线（ＳＧＣＣ）等诊断工具，对化工过程系统进行用能诊断，给出相应的调优措施，并将该方法应用于实际的化工过程。     

A smart classifier for extracting environmental data from digital image time-series: Applications for PhenoCam data in a tidal salt marsh

PhenoCams are part of a national network of automated digital cameras used to assess vegetation phenology transitions. Effectively analyzing PhenoCam time-series involves eliminating scenes with poor solar illumination or high cover of non-target objects such as water. We created a smart classifier to process images from the “GCESapelo” PhenoCam, which photographs a regularly-flooded salt marsh. The smart classifier, written in R, assigns pixels to target (vegetation) and non-target (water, shadows, fog and clouds) classes, allowing automated identification of optimal scenes for evaluating phenology. When compared to hand-classified validation images, the smart classifier identified scenes with optimal vegetation cover with 96% accuracy and other object classes with accuracies ranging from 86 to 100%. Accuracy for estimating object percent cover ranged from 74 to 100%. Pixel-classification with the smart classifier outperformed previous approaches (i.e. indices based on average color content within ROIs) and reduced variance in phenology index time-series. It can be readily adapted for other applications.