基于CUDA的并行K-means聚类图像分割算法优化

为提高K-means聚类算法的运算速度,基于CUDA架构提出一种分块、并行的K-means算法,并采用"合并访问"、"多级规约求和"、"负载均衡"和"指令优化"等策略优化并行算法。实验结果表明,并行K-means算法的分割效果与串行K-means算法相同,但运行速度得到了极大的提高,加速比最高达到560,很好地解决了农业工程实际中由于分割算法带来的瓶颈问题,能够极大地提高农业劳动生产率。     

基于GPU的生态环境遥感评价模型并行化研究

通过基于GPU的生态环境遥感评价模型并行化研究,在深入分析CPU+GPU异构通用计算平台数据传输瓶颈的基础上,设计了数据分片、异步传输的GPU图像处理框架。在此基础上,将碳固定量、草地退化指数和生态环境指数3个计算模型基于CUDA进行并行化实现,并通过实验验证了该技术方法的有效性,随着数据规模的变大,碳固定量计算模型的加速比达到了8.04倍,草地退化指数计算模型的加速比达到了12.21倍,生态环境指数计算模型的加速比达到了7.45倍。     

风扰模拟力加载器控制系统设计

基于GPU高性能并行计算，在CUDA编程环境中实现边界面法正则积分的并行加速.在NVIDIA GTX680 GPU和英特尔(R)酷睿(TM)i7-3770K CPU的计算平台上与传统的正则单元积分对比.数值算例表明，在保证相同精度的前提下，加速比可达到8.3.