空间信息并行处理方法与技术PDF电子书下载

第1章 绪论 1

第2章 高性能计算与高性能地学计算 5

2.1 高性能计算演化进程 5

2.1.1 向量机、向量并行机时代 5

2.1.2 大规模并行计算时代 6

2.1.3 异构并行计算时代 7

2.1.4 云计算与大数据时代 8

2.2 常见的高性能计算硬件平台 9

2.2.1 Linux集群平台 9

2.2.2 GPU平台 10

2.2.3 集成众核MIC平台 11

2.3 常见并行模型与方法技术 14

2.3.1 MPI并行模型 14

2.3.2 OpenMP并行模型 15

2.3.3 CUDA并行模型 16

2.3.4 OpenCL并行模型 17

2.3.5 云计算编程技术 20

2.4 衡量高性能计算并行算法的指标 22

2.4.1 计时工具 22

2.4.2 加速比 22

2.4.3 执行效率 23

2.4.4 可扩展性 23

2.4.5 阿姆达尔定律 23

2.5 高性能地学计算 24

2.5.1 高性能地学计算研究现状 24

2.5.2 高性能地学计算未来展望 26

2.6 本章小结 26

第3章 基于集群平台的MPI并行数据处理技术 28

3.1 概述 28

3.1.1 并行计算基础 28

3.1.2 MPI及MPICH 29

3.1.3 相关研究现状 31

3.2 基于集群的MPI并行计算方法 31

3.2.1 集群平台类型的选择 31

3.2.2 编程开发模型和工具的选择 32

3.2.3 需要开发的并行程序的定位 32

3.3 基于Linux集群平台的MODTRAN并行算法 33

3.3.1 应用背景概述 33

3.3.2 MODTRAN数据处理并行化研究现状 36

3.3.3 PMODTRAN并行算法设计 37

3.3.4 PMODTRAN并行算法实现 38

3.3.5 PMODTRAN并行算法性能测试 41

3.4 基于Linux集群平台的等高线生成并行算法 44

3.4.1 栅格DEM生成等高线算法原理 45

3.4.2 优化后的等高线追踪串行算法实现 47

3.4.3 串行算法热点分析 51

3.4.4 栅格DEM生成等高线并行算法设计 53

3.4.5 栅格DEM生成等高线并行算法实现 55

3.4.6 栅格DEM生成等高线并行算法实验与测试 58

3.4.7 栅格DEM生成等高线并行算法的进一步优化 61

3.5 基于Windows集群的MPI并行处理方法 66

3.5.1 Windows集群搭建与配置 67

3.5.2 基于Windows集群的并行算法设计与实现 67

3.6 本章小结 69

第4章 基于Intel多核/众核平台的OpenMP并行数据处理技术 71

4.1 概述 71

4.1.1 多核与MIC设备 71

4.1.2 OpenMP编程模型 72

4.1.3 基于Intel多核/众核计算平台的研究现状 74

4.2 基于Intel多核/众核平台的OpenMP并行数据处理方法 75

4.3 基于Intel多核平台的坡度坡向并行算法 77

4.3.1 坡度坡向算法原理及串行实现 77

4.3.2 利用OpenMP实现坡度、坡向并行算法 80

4.3.3 在多核平台上并行坡度、坡向算法性能测试 80

4.4 基于Intel多核/众核平台的NLM图像处理并行算法 81

4.4.1 NLM图像处理并行算法原理 81

4.4.2 NLM算法并行化研究现状 83

4.4.3 基于多核平台的NLM并行算法并行化设计 84

4.4.4 基于Intel多核/众核平台的NLM并行算法实现 85

4.4.5 基于Intel众核平台MIC的NLM并行算法实现 87

4.4.6 NLM并行算法在Intel多核/众核平台上的性能测试 88

4.5 本章小结 93

第5章 基于GPU平台的CUDA/OpenCL并行数据处理技术 94

5.1 概述 94

5.1.1 GPU与通用GPU计算 94

5.1.2 CUDA与OpenCL编程模型 95

5.1.3 通用GPU计算在地学领域的应用现状 96

5.2 基于GPU的空间信息并行处理方法 97

5.3 利用CUDA实现压缩感知重构并行算法 98

5.3.1 压缩感知重构算法原理及实现 98

5.3.2 压缩感知重构算法并行化研究现状 99

5.3.3 压缩感知重构算法热点分析及其并行化设计 100

5.3.4 基于CUDA的压缩感知重构并行算法实现 102

5.3.5 基于CUDA的压缩感知重构并行算法性能测试 104

5.4 基于OpenCL的压缩感知重构并行算法 105

5.4.1 基于OpenCL的压缩感知重构并行算法实现 105

5.4.2 基于OpenCL的压缩感知重构并行算法实验 110

5.5 本章小结 112

第6章 基于CPU＋GPU/MIC异构平台的协同并行数据处理技术 113

6.1 概述 113

6.2 基于CPU＋MIC/GPU异构平台的协同并行处理方法 114

6.3 基于CPU＋MIC异构计算平台下的NLM协同并行算法 117

6.3.1 CPU＋MIC协同的NLM并行算法 117

6.3.2 基于动态任务分配的CPU＋MIC协同NLM并行算法 119

6.3.3 基于CPU＋MIC异构计算平台的协同NLM并行算法性能测试 122

6.4 基于CPU＋GPU/MIC异构计算平台下的泛Kriging协同并行算法 124

6.4.1 Kriging算法并行化研究现状 124

6.4.2 泛Kriging算法原理及其实现 125

6.4.3 基于OpenCL的泛Kriging并行算法设计 127

6.4.4 基于OpenCL的泛Kriging并行算法实现 130

6.4.5 基于CPU＋GPU/MIC异构平台的泛Kriging并行算法性能测试 138

6.5 不同异构计算平台算法性能对比实验 141

6.6 本章小结 143

第7章 基于大数据Spark平台的并行数据处理技术 144

7.1 概述 144

7.2 云计算与大数据及其关键技术 145

7.2.1 云计算与大数据 145

7.2.2 Hadoop 146

7.2.3 Spark 148

7.2.4 Docker容器虚拟化技术 151

7.2.5 大数据集群资源管理框架 153

7.3 基于云计算/大数据平台的并行数据处理方法 155

7.4 DBSCAN算法及其在Spark平台上并行设计与实现 156

7.4.1 DBSCAN算法 156

7.4.2 DBSCAN算法并行化现状 158

7.4.3 DBSCAN并行算法在Spark平台上的设计与实现 160

7.4.4 DBSCAN并行算法在Spark平台上的优化 165

7.4.5 DBSCAN并行算法在不同资源管理器模式下的并行实现 168

7.5 DBSCAN并行算法性能测试与分析 170

7.5.1 实验平台及配置 170

7.5.2 实验数据 171

7.5.3 实验内容 171

7.5.4 测试结果及分析 172

7.6 基于Spark平台的DBSCAN并行算法在城市拥堵区域发现应用 177

7.6.1 DBSCAN并行算法在城市拥堵区域发现的应用流程 177

7.6.2 实验数据与平台 178

7.6.3 实验测试与分析 178

7.7 本章小结 182

参考文献 183