一、使用WinRAM-Booster优化内存 提升系统速度(论文文献综述)
李荣亚[1](2014)在《双态云支持下高分辨率遥感存储与计算一体化研究》文中研究说明伴随科学技术的持续发展与应用需求的不断提高,高空间分辨率、高光谱分辨率、高时间分辨率已成为当今卫星遥感发展的主要趋势。当前,高分辨率遥感应用逐渐凸显出数据密集和计算密集的双重特征,对传统的影像数据存储与计算手段提出了巨大挑战。通过对国内外专家学者的相关研究成果进行深入分析,本文围绕高分辨率遥感影像特点与应用需求,通过融合云计算与内存云技术两者的优势,实现了面向高分辨率遥感的双态云存算一体化,解决了目前高分辨率遥感应用中遇到的数据密集与计算密集问题。本文主要研究内容如下:(1)提出了一种面向高分辨率遥感的双态云存储新模式R-D Cloud首先,对云计算的发展及其优势进行研究,分析了主流云平台的技术架构;然后,以内存硬件的进步为主线,分析了内存存储与计算技术的衍化进程;最后,提出了一种融合云计算与内存云的双态云模式,通过结合硬盘云的稳定与内存云的高效建设一个高性能的高分辨率遥感存储与计算平台。(2)设计了双态云支持下高分辨率遥感存算一体化策略与技术途径在存算一体化的前提下,研究了双态云环境下的遥感数据组织与存储模式,设计了一种灵活、可扩展的元数据信息管理机制,实现了双态云下多个集群节点的并行计算任务调度,并提出了一种“读-算-写”异步流水线模型,利用GPU众核计算进一步提高了集群节点的高分辨率遥感影像的处理速度。(3)开展高分辨率遥感存算一体化原型系统设计与实验验证利用当前计算科学领域的多种先进技术,针对高分辨率遥感应用的需求,基于存算一体化策略与关键技术设计并实现了一个原型系统,并利用TB级的多来源、多分辨率的三种国产高分辨率遥感影像实现了对数据存储的可靠性、系统的存储能力和图像处理能力的测试,从实践上论证了双态云下高分辨率遥感存算一体化的性能。研究结果表明,本文提出的面向高分辨率遥感的双态云存算一体化策略,可以有效解决当前高分辨率遥感影像面临的高效存储与快速计算问题。本研究提出高分辨率遥感数据组织与存储机制,同样可以应用于中低分辨率遥感数据。本文研究成果丰富并发展了高性能遥感地学计算领域的理论与方法,对于推动我国高分辨率遥感影像数据的应用具有十分重要的社会价值和现实意义。
郭红宇[2](2011)在《基于非笛卡尔采样的磁共振快速重建算法的研究》文中认为磁共振成像由于无辐射,分辨率高,多方位、多参数等优点,在临床上已得到广泛应用。相比传统的笛卡尔采样,非笛卡尔采样具有许多优势,如成像速度快、对运动和流动不敏感等。特别是在心脏动态成像、脑功能成像和磁共振波谱成像中,非笛卡尔采样的优势更加明显。此外,许多基于非笛卡尔采样的运动校正技术,充分利用了自身采集中集成的运动校正导航信息,对消除磁共振扫描中的运动伪影非常有效。然而,非笛卡尔采样却迟迟不能在临床中得到大范围应用和推广,其中一个主要的原因是由于非笛卡尔采样点并非落在笛卡尔网格点上,因此传统的快速傅立叶变换的重建算法不能直接应用到非笛卡尔采样的重建中,而是必须使用一些更高级的重建算法。但是这些算法普遍计算过程复杂,执行效率低,导致非笛卡尔采样的重建速度很慢。本文以PROPELLER采样轨迹为研究重点,结合其他非笛卡尔采样轨迹,对提高非笛卡尔采样的重建速度问题进行了研究。本文完成的主要工作和创新点如下:(1)分析了PROPELLER网格重建中不同密度补偿函数对图像质量的影响。权衡计算时间和重建图像质量,Jackson密度补偿函数是实际应用中PROPELLER网格重建的一个很好的选择。(2)针对PROPELLER和Radial采样轨迹,提出一种基于对称采样轨迹的快速密度补偿函数计算方法,使得密度补偿函数的计算速度相比以前方法提高400多倍,基本实现了计算的实时化,而重建图像质量并未受到明显影响。(3)将非均匀FFT (nonuniform FFT, NUFFT)应用到迭代重建算法的矩阵向量乘计算中,提高了迭代重建算法的计算速度。(4)将该NUFFT加速的迭代重建算法应用到PROPELLER采样的重建中。实验证明,与网格算法相比,该迭代算法能够减少重建图像的振铃伪影,提高信噪比和均匀性,而且迭代算法的速度比以前提高了至少40倍。(5)根据PROPELLER采样轨迹的特点,设计了一种新的基于CUDA的网格重建算法。在网格驱动的卷积插值算法中,提出了一种新的数据存储结构和卷积插值邻域点搜索方法。该算法相比于CPU算法速度提高了8倍左右,而平均归一化均方误差小于3×10-4。(6)直接从MRI成像的离散—离散信号模型出发,设计实现了基于CUDA的GPU迭代重建算法,算法中优化了稀疏矩阵向量乘和矩阵向量乘核函数。使用Spiral采样数据验证,该GPU算法的计算速度相比CPU算法提高了70倍以上,归一化均方误差小于5×104。总之,本文结合软件和硬件技术,从磁共振成像理论和非笛卡尔采样轨迹特点出发,提出一系列提高非笛卡尔采样重建速度的方法,对于推动非笛卡尔采样技术在临床中的应用起到了一定作用。
苗又山[3](2015)在《大规模动态演化图的存储与分析系统研究》文中进行了进一步梳理图数据通过顶点和边的结构表达实体间的相互联系。图数据的分析计算技术,也称图挖掘技术,是通过分析实体间联系,获得关于实体的性质、特征等重要信息的一项技术,正广泛地应用于信息检索、社交分析、生物计算等多个领域。本文所述的图存储分析系统是支持图分析计算的平台系统。它利用抽象的编程接口支持图分析算法的高效实现,利用优化的系统设计提供高效的算法执行,从而实现超大规模的图数据分析。在大数据时代的今天,大规模图存储与分析系统及其相关技术已经成为一个重要的研究方向。而近年来,随着社交网络媒体、移动互联网等新型应用的普及,信息的组织方式、传播方式等,正发生着新的变化——信息呈现出更为明显的动态化特征。随着这一变化,捕捉了数据时序特征的动态演化图,其数据挖掘分析的价值正受到更多的重视,并随着演化图数据分析理论研究的同步深入,逐渐成为一个新的发展趋势。然而现有的图存储与分析平台系统针对的是静态图,并不适合动态演化图。因此,本文研究问题的重点,就在于:如何针对动态演化图分析这一类新的应用,设计并实现高效的大规模存储分析系统。我们通过分析,将动态演化图相关的应用主要总结为:(1)分析动态演化图准实时状态和(2)分析动态演化图长期变化趋势两类。前者着重于分析动态演化图的最新状态,而后者着重于分析动态演化图的长期历史变化过程。在文中,我们为这两类应用算法,设计并实现了动态演化图存储、分析系统。该系统以图数据的实时变化作为输入,产生具有全局一致性的图数据更新,并用于动态演化图准实时状态分析;同时,它会将接收到的时序数据存储下来,重新组织并用于动态演化图长期变化趋势分析。在系统的设计实现中,我们将针对动态演化图准实时状态分析和动态演化图长期变化趋势分析的两部分功能分别抽象成以下两个子问题加以解决:一、动态演化图在线分析的系统问题。在该问题中,大量新的图数据高速产生,应用需要不断地对最新的图数据进行在线处理,从而得到准实时的分析结果。然而实现准实时分析,数据的处理延迟需要足够低。此外,在分布式环境下,还需保持动态数据访问的全局一致性,从而保证分析结果的正确性。为此,我们设计了动态演化图在线分析子系统。该子系统的架构的设计考虑了处理流程的耦合关系,对图数据存储和分析计算进行了解耦。它选用了一个“时段提交”技术来处理图更新,并为系统的计算部分提出了全新的增量计算模型,大大降低分析计算的延迟。我们完成了该系统的工程实现,并在1亿条真实推特文本数据上进行了包括争议话题探测、近似最短路径计算、用户排序等多种应用的测试。利用40台机器组成的集群,我们获得了10万每秒的推文处理速率,并保持2.5分钟以内的数据延迟,满足了我们最初设定的“远超推文的产生速率”的性能要求。二、动态演化图离线分析的系统问题。在该问题中,系统需要保存动态演化图的长期历史数据,并支持动态演化图长期变化趋势的离线分析。相对于静态图分析处理的是单一的静态图,长时间跨度动态演化图分析面对的是多个时间点对应的一系列静态图。更大的数据量带来更高的处理开销,因而系统分析计算的性能非常重要。此外,系统还需要为动态演化图复杂多变的存取模式提供高效的访问性能,为分析性能提供保障。为此我们在文中提出了动态演化图离线分析子系统。它的副本相异数据排布技术利用数据中心多个数据备份的特点,为动态演化图不同类型的访问提供不同针对性的数据组织方式,从而在复杂多变的存取访问中获得更好的数据存取性能;利用全新的局部性感知分批调度技术——局部性分批调度,我们提高了分析计算中高速缓存的利用率并减少了数据同步的开销,极大地改善了长时间跨度动态演化图分析的整体性能。在实际大规模动态演化图进行的多项应用测试结果表明,该系统能够提供相对于目前数据库系统高达5倍的存取性能,以及相对于静态图分析平台高达10倍的性能。综上,本论文所述的研究,为图分析平台的发展进步,特别是动态演化图数据分析平台领域,做出了积极的探索。
冯春生[4](2014)在《油藏数值模拟中面向异构体系的多水平法及高效解法器研究》文中研究表明黑油及其扩展模型,是描述油藏模拟问题的基础数学模型,是现代石油工业中应用最广泛的计算模型之一。虽然关于此类模型大规模离散化系统的快速算法及解法器的研究已取得了很大的进展,但仍存在许多值得进一步研究的问题。本文面向CPU-GPU异构计算机体系,针对黑油模型及一类聚合物驱模型的数值求解,研究基于多层(重)网格法的高效并行预条件GMRES法,并研制相应的串并行解法器,主要研究工作与创新点如下。面向CPU-GPU异构计算机体系,首先针对结构网格下泊松方程的有限差分格式,基于多色序设计了两种并行几何多层网格法GMG-V-CUDA和FMG-CUDA。数值实验表明:在一定条件下,采用GPU比采用多核CPU执行GMG-V-CUDA更具成本效益,GMG-V-CUDA比GMG-V-OpenMP解法器具有更好的算法与并行可扩展性,FMG-CUDA比cuFFT库中的泊松方程解法器更加高效。接着通过利用强连通矩阵,以及影响因子与路径长度等要素,设计了一种自由度代数分组算法,并给出分组数的上界估计;通过采用最小稀疏度因子优先的原则,设计了基于自由度分组的并行高斯-赛德尔迭代法,以及两种相应的并行代数多层网格法RS-AMG-MC和SA-AMG-MC。通过分别对泊松问题和复杂油藏问题的压力方程进行对比实验,表明SA-AMG-MC提高了SA-AMG的收敛速度,RS-AMG-MC比SA-AMG-MC具有更好的算法可扩展性和并行可扩展性。针对标准黑油模型和聚合物驱模型,给出了向后欧拉时间离散格式、算子牛顿线性化法,并利用上游加权有限差分离散格式得到相应的Ja-cobian线性代数系统。接着面向CPU-GPU异构体系为这些Jacobian线性代数系统设计并行多阶段预条件GMRES法,其中主要利用油藏模型的物理与解析性质,借助辅助空间预条件方法框架和交替块分解解耦算法,分别为不含隐式井和含隐式井的油藏方程设计了两种多阶段预条件子MSP1和MSP2。数值实验结果表明,与常用预条件子ILU(0)和传统的CPR预条件子相比, MSP1和MSP2更稳健高效。在此基础上,针对OpenMP和CUDA并行编程环境,利用基于强连通矩阵自由度分组技术以及合理的数据结构,分别设计了相应的并行求解算法并研制了相应的并行解法器MSP-GMRES-OMP和MSP-GMRES-CUDA,数值实验结果表明,MSP-GMRES-OMP和MSP-GMRES-CUDA均具有良好的算法和并行可扩展性。利用所研制的多阶段预条件GMRES串并行解法器,针对国际油藏工程师协会提供的其中3个标准算例(SPE1、SPE9和SPE10)、源自复杂实际油田的2个典型实例和1个油田机理模型,围绕可靠性、适应性和并行扩展性等方面进行了6组数值测试。数值测试结果表明,所研制的基于多层网格法的多阶段预条件GMRES解法器适应于标准黑油模型和聚合物驱模型的求解;对标准算例及高度非均质、高含水、含断层的实际复杂油田区块均具有良好的适应性和可靠性,例如,对于标准算例的模拟结果(油、气、水压力与饱和度等物理量的时空分布)与实际物理现象相符,对于油田实例的模拟结果与历史生产统计数据相符;并在求解规模和运算效率上均取得了突破,特别地,在某HP桌面工作站上,基于OpenMP的并行加速比最高达到3.2倍、求解规模突破了千万网格单元,基于单GPU卡(Geforce480)的并行加速比最高达到3.6倍。
梁春泉[5](2014)在《不确定数据流分类算法研究》文中研究指明在无线传感器网络、信用卡欺诈检测、网络监控等大量应用领域中,数据流数据持续、高速地产生,并且由于设备精度、重复抽样、值缺失、隐私等原因,产生数据普遍存在着不确定性。不确定数据流已逐渐成为一种常见的数据存在方式,针对不确定数据流的管理和挖掘技术也因此成为学术界前沿研究领域之一。数据流分类是数据流挖掘的重要问题之一,许多应用问题如网络入侵检测、环境监测、垃圾邮件过滤和信用卡欺诈检测等,都可以建模为数据流分类问题。然而,传统数据流分类算法大多数只能处理数据项为精确值的数据流,无法有效地应用于不确定性普遍存在的实际应用领域。本文主要关注不确定数据流分类分析问题,围绕快速不确定数据流分类,获取不确定数据流数据概率分布,概念漂移不确定数据流分类,以及正例与未标注学习场景下的不确定数据流分类等几方面技术展开研究。主要研究内容和成果包括:(1)为对快速不确定数据流分类,基于非常快速决策树(Very Fast Decision Tree,VFDT)算法,本文提出了uVFDTc算法。给出了在VFDT中处理持续到来不确定样本的方法,提出了从不确定样本中收集充分统计量的技术,并且针对不确定连续属性值,提出了高斯逼近,固定有序箱和等高直方图三种归纳算法,获取不确定数值流中数据项的概率分布。扩展了朴素贝叶斯模型为不确定朴素贝叶斯(Uncertain Na ve Bayes,UNB)模型,使之能对不确定数据流分类。在训练阶段,uVFDTc算法在收集的统计量上计算不确定信息增益,并应用Hoeffding边界理论快速构造合理的决策树;在分类阶段,在叶子结点上采用UNB分类策略提高输出模型的分类性能。实验结果表明,Hoeffding边界理论可令uVFDTc快速产生规模小、准确率高的不确定决策树;叶子结点上应用UNB分类策略可显着提高uVFDTc的分类性能;与没有使用UNB分类策略的uVFDTc相比,使用了UNB的uVFDTc最高准确率高出3%;数据流不确定水平达30%情况下,uVFDTc的分类准确率仍能接近于使用确定样本学习的VFDT。(2)研究了不确定数据流近似分位归纳问题。为更准确获取不确定数据流的概率分布,基于GK算法,本文提出针对不确定数据流的近似分位归纳算法uGK,并应用到uVFDTc算法中。uGK算法使用与GK算法相同的内存结构(元组)存储归纳信息,与GK算法具有相似的空间复杂度;只需进行一遍扫描,就可将不确定数据流的概率分布信息归纳到少量元组中,且所获得的分布能以指定精度逼近不确定数据流的实际分布。实验结果表明,uGK算法能以远少于空间复杂度估算数目的元组归纳数据流;随着数据集的不确定水平上升,所需元组的数目不会随之增加,甚至有可能降低;归纳元组能够满足指定的分位查询精度;在数据流分类中,uGK可令uVFDTc获得更佳的分类准确率。(3)为对隐含概念漂移的不确定数据流分类,基于uVFDTc和CVFDT算法,本文提出可处理不确定数据流中概念漂移的非常快速决策树算法uCVFDTc。在训练阶段,uCVFDTc利用与uVFDTc相同的技术处理不确定样本、收集充分统计量和生长决策树,同时采用滑动窗口技术和备选子树替换技术,获得概念漂移处理的能力。在分类阶段,uCVFDTc同样在叶子结点上使用不确定朴素贝叶斯分类器,作为分类策略,进一步提高分类性能。实验结果表明,uCVFDTc具有很强的能力检测和适应不确定数据流中概念的变化;不确定朴素贝叶斯分类策略在uCVFDTc叶子结点上的应用,可明显提高uCVFDTc对不确定数据流的分类性能,特别是可提高对不确定性的健壮性和概念漂移的处理能力。(4)研究了正例与未标注学习场景下的不确定数据流分类问题。为对仅含正例与未标注样本的不确定数据流分类,本文提出了puuCVFDT算法。该算法仅利用不确定正例与未标注样本进行学习,构造非常快速决策树。首先给出了从仅含正例与未标注样本的不确定数据流中收集充分统计量的方法,提出了针对正例与未标注样本的不确定信息增益,并给出了在充分统计量上计算不确定信息增益的方法。接着应用Hoeffding边界理论,快速生成多棵不确定决策树。最后给出从多棵决策树中选择分类性能最佳决策树的技术,以及最佳决策树对未知样本分类的技术。实验结果表明,puuCVFDT具有很强的能力从仅含正例和未标注样本的,且隐含概念漂移的不确定数据流中学习非常快速决策树;在数据集不确定程度达30%,且其中正例样本比例仅为10%的情况下,puuCVFDT所输出决策树模型的分类准确率就可与使用全标注确定样本训练的CVFDT相匹敌。
赵巍[6](2001)在《使用WinRAM-Booster优化内存 提升系统速度》文中认为当我们使用计算机的时候如果打开许多应用程序就会发现计算机的速度会变慢,这是由于大量的应用软件让CPU“超负荷”。如果关掉一些应用程序后计算机速度依然很慢就是由于内存被一些无用的数据占用而浪费。因为Windows是无法自己清理内存的,所以我们只能从新启动计算机而达到清理内存的目的。但如果你有WinRAM-Booster Professional 2000,这个问题就会迎刃而解。
张琪[7](2000)在《深入Win98内存管理》文中研究说明 微软的Win98虽然是一个十分出色的操作系统,但是仍然存在着这样那样的不足,特别是对系统的硬件要求非常高。为此,在提高硬件配置的同时,我们应该对Win98进行系统优化,让她发挥最佳水平。其中,对内存的优化可以说是最关键、最有成效的,成功的优化可以给系统带来相当惊人的性能改进,让你不必再对“同桌的她”劳神伤思,捉摸不透了!
二、使用WinRAM-Booster优化内存 提升系统速度(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、使用WinRAM-Booster优化内存 提升系统速度(论文提纲范文)
(1)双态云支持下高分辨率遥感存储与计算一体化研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
目录 |
图索引 |
表索引 |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 高分辨率遥感应用的计算密集性 |
1.1.2 高分辨率遥感应用的数据密集性 |
1.1.3 高分辨率遥感的存算一体化需求 |
1.1.4 计算机领域软硬件有了新的进展 |
1.2 国内外研究现状 |
1.2.1 遥感地学领域云计算技术研究进展 |
1.2.2 遥感地学领域GPU并行计算研究 |
1.3 研究内容与主要特色 |
1.4 论文组织结构与技术路线 |
2 面向高分辨率遥感的双态云存储新模式R-D Cloud |
2.1 主流云计算技术 |
2.1.1 云计算及其优势 |
2.1.2 主流云计算平台 |
2.2 内存云技术 |
2.2.1 内存数据库 |
2.2.2 内存文件系统 |
2.2.3 内存云存储 |
2.2.4 内存计算研究 |
2.3 面向高分辨率遥感的双态云存储架构 |
2.3.1 双态云的内涵 |
2.3.2 面向高分辨率遥感的双态云体系结构 |
2.4 本章小结 |
3 双态云支持下高分辨率遥感存算一体化技术 |
3.1 双态云下高分辨率遥感存算一体化策略 |
3.2 高分辨率遥感存算一体化数据组织与存储机制 |
3.2.1 常规遥感影像数据组织与存储方式分析 |
3.2.2 分布式数据组织与存储的分块优化 |
3.2.3 存算一体化数据组织与存储模型GF-OSM |
3.2.4 基于GF-OSM模型的影像数据存储实现 |
3.3 可扩展高分辨率遥感元数据信息内存云管理机制 |
3.3.1 基于key-value数据库的元数据信息结构化管理 |
3.3.2 基于关系型数据库的元数据信息结构化管理 |
3.3.3 高分辨率遥感元数据信息内存云管理机制 |
3.4 面向高分辨率遥感处理的双态云GPU众核计算模型 |
3.4.1 GPU众核计算处理模式 |
3.4.2 面向GPU众核计算的技术实现方法 |
3.4.3 高分辨率遥感影像“读-算-写”异步流水线模型 |
3.5 高分辨率遥感双态云多节点并发任务调度机制 |
3.6 本章小结 |
4 原型系统设计与实现 |
4.1 系统总体架构 |
4.2 系统运行环境 |
4.2.1 系统部署 |
4.2.2 实验环境 |
4.2.3 实验数据 |
4.3 系统功能实现 |
4.4 系统性能测试 |
4.4.1 遥感数据读写性能测试 |
4.4.2 系统健壮性与可靠性测试 |
4.4.3 影像处理性能测试 |
4.5 本章小结 |
5 总结与展望 |
5.1 主要研究工作 |
5.2 研究特色与创新 |
5.3 展望 |
参考文献 |
攻读博士期间科研成果 |
(2)基于非笛卡尔采样的磁共振快速重建算法的研究(论文提纲范文)
摘要 |
Abstract |
目录 |
第1章 绪论 |
1.1 磁共振成像概述 |
1.2 课题研究背景和意义 |
1.3 国内外研究现状 |
1.4 本文研究内容 |
第2章 磁共振成像基本原理 |
2.1 磁共振信号的产生 |
2.1.1 磁化的核自旋系统 |
2.1.2 RF激发 |
2.1.3 弛豫和信号 |
2.2 磁共振信号的检测 |
2.3 磁共振信号的编码 |
2.3.1 信号定位 |
2.3.2 信号采集 |
2.4 磁共振图像的重建 |
2.4.1 K空间 |
2.4.2 K空间轨迹 |
2.4.3 Nyquist采样定理 |
2.4.4 图像重建 |
2.5 本章小结 |
第3章 非笛卡尔采样轨迹的设计 |
3.1 Radial采样轨迹 |
3.2 Spiral采样轨迹 |
3.3 PROPELLER采样轨迹 |
3.4 其他轨迹 |
3.5 本章小结 |
第4章 非笛卡尔采样的网格重建算法 |
4.1 网格重建法 |
4.2 采样密度函数的选择 |
4.2.1 Jackson密度补偿函数 |
4.2.2 Pipe迭代密度补偿函数 |
4.2.3 Hoge解析密度补偿函数 |
4.2.4 Voronoi图密度补偿函数 |
4.2.5 同像权密度补偿函数 |
4.3 密度补偿函数对PROPELLER采样重建的影响 |
4.4 基于对称采样轨迹的密度补偿函数快速算法 |
4.5 本章小结 |
第5章 非笛卡尔采样的迭代重建算法 |
5.1 迭代重建算法 |
5.2 NUFFT加速的迭代重建算法 |
5.3 PROPELLER的快速迭代重建 |
5.3.1 Shepp-Logan水模仿真数据 |
5.3.2 水模扫描数据 |
5.3.3 in vivo扫描数据 |
5.4 本章小结 |
第6章 基于GPU加速的非笛卡尔重建算法 |
6.1 基于CUDA的GPU通用计算 |
6.2 CUDA程序的优化方法 |
6.3 基于CUDA的网格重建算法的加速 |
6.3.1 实现方法 |
6.3.2 结果 |
6.4 基于CUDA的迭代重建算法的加速 |
6.4.1 实现方法 |
6.4.2 结果 |
6.5 本章小结 |
第7章 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表的论着和科研、获奖情况 |
作者简介 |
(3)大规模动态演化图的存储与分析系统研究(论文提纲范文)
摘要 |
ABSTRACT |
目录 |
表格索引 |
插图索引 |
第一章 绪论 |
1.1 研究的背景与意义 |
1.2 平台系统及其发展现状 |
1.2.1 通用存储分析平台系统 |
1.2.2 图存储分析平台系统 |
1.2.3 动态演化图存储与分析系统相关研究 |
1.3 本文的研究内容与贡献 |
1.4 论文结构安排 |
第二章 动态演化图的存储与分析系统概论 |
2.1 引言 |
2.2 动态演化图的描述 |
2.2.1 动态演化图数据的表示 |
2.2.2 动态演化图基本运算及其表示 |
2.3 图的存储方式、运算模型与优化技术 |
2.3.1 图数据的存储 |
2.3.2 图运算模型 |
2.3.3 图存储分析相关优化技术 |
2.4 动态演化图存储与分析平台框架 |
第三章 动态演化图的在线分析 |
3.1 引言 |
3.2 动态演化图在线分析系统 |
3.2.1 存储和计算相隔离的设计 |
3.2.2 背景工作:一个动态图数据的在线更新协议——“时段提交” |
3.3 支持增量图分析 |
3.3.1 增量图分析计算的设计原理 |
3.3.2 增量图分析计算的模型 |
3.3.3 算法增量化的原理 |
3.3.4 算法的增量化实现 |
3.4 容错处理 |
3.4.1 容错处理 |
3.5 系统设计的其它细节 |
3.5.1 存储的设计中的问题 |
3.5.2 增量化的扩展 |
3.6 动态演化图的持久化 |
3.6.1 图数据的持久化流程 |
3.6.2 时间分辨率的细化 |
3.6.3 存储格式的设计 |
3.7 实验与结果分析 |
3.7.1 图更新操作的吞吐率 |
3.7.2 数据的时效性 |
3.7.3 容错处理 |
3.8 相关工作 |
3.9 本章小结 |
第四章 动态演化图的离线分析 |
4.1 引言 |
4.2 离线分析系统架构 |
4.2.1 相关的应用 |
4.2.2 设计难点 |
4.2.3 系统架构 |
4.3 针对动态演化图的不同应用的优化设计 |
4.3.1 具有时间维度局部性的数据排布 |
4.3.2 具有空间维度局部性的数据排布 |
4.3.3 辅助索引和链状结构 |
4.3.4 动态演化图的分析计算 |
4.4 系统编程模型与接口设计 |
4.4.1 动态演化图的查询接口 |
4.4.2 动态演化图迭代计算接口 |
4.4.3 在离线分析系统上实现动态演化图应用 |
4.5 实验与结果分析 |
4.5.1 评价方法 |
4.5.2 图数据排布的有效性 |
4.5.3 局部性分批调度的有效性 |
4.5.4 离线分析系统在多核环境下的性能 |
4.5.5 与关系型数据库的比较 |
4.6 相关工作 |
4.7 本章小结 |
第五章 总结与展望 |
5.1 全文总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
在读期间发表的学术论文与取得的研究成果 |
(4)油藏数值模拟中面向异构体系的多水平法及高效解法器研究(论文提纲范文)
摘要 |
Abstract |
目录 |
第一章 绪论 |
第二章 预备知识 |
2.1 常用记号 |
2.2 实验环境 |
2.3 稀疏矩阵存储结构 |
2.4 PGMRES法简介 |
2.5 辅助空间预条件子 |
第三章 油藏模拟的基础知识 |
3.1 岩石的物性参数 |
3.1.1 孔隙度 |
3.1.2 毛细管压力 |
3.1.3 渗透率 |
3.2 流体的物性参数 |
3.2.1 粘度 |
3.2.2 溶解气油比 |
3.2.3 地层体积系数 |
3.2.4 流体的PVT特性 |
3.2.5 多相流的物性参数 |
3.3 聚合物的物性参数 |
3.4 单相渗流模型 |
3.4.1 Darcy定律 |
3.4.2 模型推导 |
3.4.3 不可压缩流体的数学模型 |
3.4.4 微可压缩流体的数学模型 |
3.4.5 边界条件 |
3.5 黑油模型与聚合物驱模型 |
3.5.1 标准黑油模型 |
3.5.2 聚合物驱模型 |
第四章 基于自由度分组的两种并行多层网格法 |
4.1 基于多色序的并行几何多层网格法 |
4.1.1 基于多色序的并行高斯-赛德尔法 |
4.1.2 一种并行几何多层网格法 |
4.1.3 几何多层网格法的算法复杂度分析 |
4.1.4 数值实验 |
4.2 基于强连通矩阵的并行代数多层网格法 |
4.2.1 基于强连通矩阵的并行高斯-赛德尔法 |
4.2.2 一种并行代数多层网格法 |
4.2.3 数值实验 |
第五章 黑油及扩展模型的离散格式与快速算法 |
5.1 全隐式离散格式 |
5.1.1 标准黑油模型的全隐式离散格式 |
5.1.2 聚合物驱模型的全隐式离散格式 |
5.1.3 全隐式格式的系数矩阵 |
5.2 两种多阶段预条件子 |
5.2.1 油藏方程的多阶段预条件子 |
5.2.2 含隐式井方程的多阶段预条件子 |
5.3 基于OpenMP的并行多阶段预条件GMRES法 |
5.3.1 PGMRES法的多核并行化 |
5.3.2 多阶段预条件子的多核并行化 |
5.3.3 OpenMP版BoomerAMG的一种改进 |
5.4 基于CUDA的并行多阶段预条件GMRES法 |
5.4.1 PGMRES法的众核并行化 |
5.4.2 多阶段预条件子的众核并行化 |
第六章 油藏数值模拟的应用 |
6.1 SPE1标准算例 |
6.1.1 油田参数 |
6.1.2 模拟结果 |
6.2 SPE9标准算例 |
6.2.1 油田参数 |
6.2.2 模拟结果 |
6.3 SPE10标准算例 |
6.3.1 油田参数 |
6.3.2 模拟结果 |
6.4 油田实例一 |
6.4.1 油田参数 |
6.4.2 模拟结果 |
6.5 油田实例二 |
6.5.1 油田参数 |
6.5.2 模拟结果 |
6.6 油田机理模型 |
6.6.1 机理测试 |
6.6.2 规模与效率测试 |
小结 |
总结与展望 |
主要工作 |
进一步将开展的工作 |
参考文献 |
致谢 |
个人简历、在读博士期间发表的学术论文和研究成果 |
(5)不确定数据流分类算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 数据流研究的兴起 |
1.1.2 数据不确定性受到重视 |
1.1.3 不确定数据流分类的研究意义 |
1.2 研究现状 |
1.2.1 数据流分类 |
1.2.2 不确定数据分类 |
1.2.3 不确定数据流研究 |
1.3 本文的研究内容和主要创新点 |
1.4 论文组织结构 |
第二章 快速不确定数据流分类算法 |
2.1 引言 |
2.2 相关技术 |
2.2.1 VFDT算法 |
2.2.2 叶子结点上的分类策略 |
2.3 问题定义 |
2.4 uVFDTc 算法 |
2.4.1 处理不确定样本 |
2.4.2 收集充分统计量 |
2.4.3 选择分裂属性 |
2.4.5 构建不确定非常快速决策树算法 |
2.4.6 对未知不确定样本分类 |
2.4.7 复杂性分析 |
2.5 归纳不确定数值流分布 |
2.5.1 高斯分布逼近 |
2.5.2 固定有序箱 |
2.5.3 等高直方图 |
2.5.4 计算期望类条件概率 |
2.6 实验分析 |
2.6.1 实验设置 |
2.6.2 在合成数据集上的实验结果 |
2.6.3 在真实数据集上的实验结果 |
2.7 小结 |
第三章 不确定数据流分位归纳研究 |
3.1 引言 |
3.2 相关研究 |
3.3 问题定义 |
3.3.1 数据模型 |
3.3.2 不确定数据流分位 |
3.4 不确定数据流分位归纳算法 |
3.4.1 插入归纳操作 |
3.4.2 合并归纳操作 |
3.4.3 分位查询 |
3.4.4 在不确定数据流分类中的应用 |
3.5 复杂性分析 |
3.5.1 空间复杂性 |
3.5.2 时间复杂性 |
3.6 实验分析 |
3.6.1 实验设置 |
3.6.2 分位归纳能力 |
3.6.3 不确定数据流分类中的应用能力 |
3.7 小结 |
第四章 概念漂移不确定数据流分类算法 |
4.1 引言 |
4.2 相关技术与问题定义 |
4.2.1 模型定义 |
4.2.2 uVFDTc 算法 |
4.2.3 CVFDT |
4.2.4 问题定义 |
4.3 uCVFDTc 算法 |
4.3.1 处理不确定样本 |
4.3.2 收集充分统计量 |
4.3.3 选择分裂属性 |
4.3.4 构建 uCVFDTc 决策树 |
4.3.5 复杂性分析 |
4.3.6 分类未知样本 |
4.4 实验分析 |
4.4.1 实验设置 |
4.4.2 在合成数据集上的实验结果 |
4.4.3 在真实数据集上的实验结果 |
4.5 小结 |
第五章 正例与未标注学习场景下的不确定数据流分类 |
5.1 引言 |
5.2 相关研究 |
5.2.1 正例与未标注学习 |
5.2.2 半监督学习 |
5.3 问题定义 |
5.4 puuCVFDT 算法 |
5.4.1 处理不确定样本 |
5.4.2 收集充分统计量 |
5.4.3 选择分裂属性 |
5.4.4 构建 puuCVFDT 决策树 |
5.4.5 选择树 |
5.4.6 复杂性分析 |
5.4.7 分类未知样本 |
5.5 实验分析 |
5.5.1 实验设置 |
5.5.2 在合成数据集上的结果 |
5.5.3 在真实数据集上的结果 |
5.6 小结 |
第六章 结论与展望 |
参考文献 |
致谢 |
作者简介 |
四、使用WinRAM-Booster优化内存 提升系统速度(论文参考文献)
- [1]双态云支持下高分辨率遥感存储与计算一体化研究[D]. 李荣亚. 浙江大学, 2014(01)
- [2]基于非笛卡尔采样的磁共振快速重建算法的研究[D]. 郭红宇. 东北大学, 2011(07)
- [3]大规模动态演化图的存储与分析系统研究[D]. 苗又山. 中国科学技术大学, 2015(09)
- [4]油藏数值模拟中面向异构体系的多水平法及高效解法器研究[D]. 冯春生. 湘潭大学, 2014(02)
- [5]不确定数据流分类算法研究[D]. 梁春泉. 西北农林科技大学, 2014(02)
- [6]使用WinRAM-Booster优化内存 提升系统速度[J]. 赵巍. 电脑采购周刊, 2001(01)
- [7]深入Win98内存管理[J]. 张琪. 电脑爱好者, 2000(02)