(50 امتیاز از 12 رای)
Loading...
ترجمه مقاله شتاب موازی الگوریتم رسام زاویه طیفی و تحلیل عملکرد
ترجمه مقاله Parallel Acceleration of SAM Algorithm and Performance Analysis
در این پست ترجمه مقاله شتاب موازی الگوریتم رسام زاویه طیفی و تحلیل عملکرد را با عنوان انگلیسی Parallel Acceleration of SAM Algorithm and Performance Analysis برای شما دوستان آماده کرده ایم که در ادامه می توانید چکیده و مقدمه فارسی از این مقاله را مطالعه نمائید. مقاله اصلی نیز به صورت رایگان قابل دانلود است.
چکیده ترجمه مقاله شتاب موازی الگوریتم رسام زاویه طیفی و تحلیل عملکرد : پیشرفت فناوری رایانه و حسگرها موجب انقلابی در جمع آوری، تحلیل و مدیریت داده های حسی از راه دوری شده که صدها و یا هزاران کانال در یک ناحیه از زمین دارند. در مقاله حاضر، ما با بکارگیری واحد های پردازش گرافیک و دسته های پراکنده، از رسام زاویه ی طیفی استفاده کردیم (که با محاسبات موازی و توزیعی سازگاراند) تا شتاب محاسبات را افزایش دهیم. می توان با بررسی نتایج استفاده از ساختار های موازی الگوریتم رسام زاویه ی طیفی ، مقایسه ی کمی میان عملکرد ساختار منسجم ابزار محاسبه (CUDA) و ابزار MATLAB انجام داد. بخصوص در رابطه با خصوصیت واحد های پردازش گرافیک،این مقاله به بررسی توازن میان منابع هر ریسه و تعداد بلوک های فعال و تاثیر پیچیدگی محاسباتی بر افزایش سرعت پرداخت. بعلاوه، برای اینکه واحد مرکزی پردازش (CPU) و واحد پردازش گرافیکی (GPU) با هم کار کنند، ما مفاهیم حافظه ی صفحات قفل شده و توالی را مطرح می کنیم. بعلاوه، ما الگوریتم رسام زاویه ی طیفی را ارتقا دادیم که در ان چند نمونه ی اموزشی به جای یک نمونه استفاده شده است. نتایج ازمایشی داده های فرا طیفی نشان داده که شناسایی نتایج الگوریتم رسام زاویه ی طیفی بهتر از استفاده از تنها یک طیف است. از طرف دیگر، سرعت بکارگیری موازی واحد پردازش گرافیکی بالاتر از واحد مرکزی پردازش با چند ریشه است. همچنین انتقال غیرهمزمان CUDA، نهفتگی انتقال داده ها را به خوبی تحت پوشش قرار می دهد و بدین ترتیب، میزان منابع موجود در ابزار ها را بشدت افزایش می دهد.
جزئیات کامل ترجمه مقاله شتاب موازی الگوریتم رسام زاویه طیفی و تحلیل عملکرد را در ادامه مطلب می توانید مشاهده کنید.
چکیده انگلیسی:
Advances in sensor and computer technology are revolutionizing the way that remote sensing data with hundreds or even thousands of channels for the same area on the surface of the earth is collected, managed and analyzed. In this paper, the classical Spectral Angle Mapper (SAM) algorithm, which is fit for parallel and distributed computing, is implemented by using Graphic Processing Units (GPU) and distributed cluster respectively to accelerate the computations. A quantitative performance comparison between Compute Unified Device Architecture (CUDA) and MATLAB platform is given by analyzing result of different parallel architectures’ implementation of the same SAM algorithm. Especially for the property of GPU, this paper studied the balance between resource acquirement of each thread and the number of active blocks, and the impact of computational complexity on speedup. In addition, page-locked memory and stream are also introduced to make CPU and GPU work collaboratively. Moreover, we improved the SAM algorithm, in which several training samples are instead of a single one. Experimental results on hyperspectral data have shown that recognition result of the improved SAM algorithm is better than that only using single spectrum. On the other hand, the GPU parallel implementation achieves a higher speedup comparing with the multithread CPU counterpart. And the asynchronous transfer function of CUDA covers the data transmission latency effectively, thus improves the devices’ resource occupancy significantly.
ممنون عالی بود