高光谱图像分类是遥感领域的研究热点之一,是对地观测的重要手段,在地物的精细识别等领域具有重要的应用。使用卷积神经网络(CNN)可以有效地从原始图像中提取高级特征,具有较高的分类精度。但CNN计算量巨大,对硬件要求较高。为了提高模型计算效率,可以在图形处理器(GPU)上进行CNN模型的训练。现有的并行算法,比如GCN(GPU based Cube-CNN),无法充分利用GPU的并行能力,算法加速效果并不理想。为了进一步提升算法效率,提出基于通用矩阵乘法(GEMM)算法的GGCN(GPU based Cube-CNN improved by GEMM)并行加速算法,通过G-PNPE(GEMM based Parallel Neighbor Pixels Extraction)对输入数据和卷积核进行重新组织排列,实现卷积的并行计算,有效地提高了GPU的利用率并进一步提升了算法的训练效率。通过分析在三个数据集上的实验结果发现,改进算法的分类精度与原算法保持一致,而且模型的训练时间缩短了30%左右,表明算法的有效性和优越性。

提出了一种反映馈线区域和开关设备拓扑联接关系的网络关联描述矩阵模型，并给出了基于这一模型的馈线故障区域定位的新方法，可直观地定位出故障区域，且同时能确定出隔离该区域所应断开的电源侧开关，对分支末梢区域故障也同样适用。该算法程序设计简单，进一步满足了故障定位的实时性要求，并可推广至多电源复故障系统。通过算例证明了此算法的正确性。

面向GPU的通用矩阵乘法计算的容错研究.pdf

通用矩阵控制演示通通用矩阵控制演示软件用矩阵控制演示软件软件

网络上的Matrix运算库繁多，但有很多功能不够完整，或缺少注释，给使用者带来不少麻烦。该函数库是我搜集到的比较全面的矩阵运算库，而且附带引自清华大学bbs上的函数功能注释，使用方便。 内容包括： Matrix.cpp 执行文件 Matrix.h 头文件 【matrix头文件声明注释】.txt 函数注释说明文件 亲测vs2010下可用 如果涉及到大型稀疏矩阵的运算可以参照我的另一个suitesparse资源