本发明公开了一种基于 GPU 的物体三维面形测量方法，属于物 体三维测量技术领域。该方法具体为：投影仪投射结构光栅到被测物 体表面，同时使用两个相机连续拍摄被测物体表面得到两组图像序列， 将两组图像序列保存到计算机内存中；GPU 并行地完成图像的畸变校 正、解相、对应点匹配和三维重构；GPU 将三维重构得到的物体三维 坐标点传送给计算机内存；重复执行上述步骤，直到测量结束，释放 GPU 的存储空间。本发明利用 GPU

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。

研究背景：  大数据应用的多样化  需要的计算模型、数据模型多样化；  目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。  多系统导致大数据分析平台非常复杂、效率低下。 研究目标： 研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个  方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键  值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计  算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这  套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们  对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于  大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计  算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三  个方面，分别详细介绍FAST系统的三个主要亮点。 融合架构 FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包  括多数据模型融合和多计算模型融合两方面。 多数据模型融合： 设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、  文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据  分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。 经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。 多计算模型融合： 在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集  的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和  流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。 高时效 FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗，  提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。 对于多模态存储，面向应用负载和异构硬件特征进行自适应优化； 对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等； 在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效； 而且我们也考虑到大数据分析过程中用户人工操作的时效性问题，  通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的  时间。 可扩展 FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、  存储层和计算层进行了全面的扩展性优化。 在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块，  能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。 在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。 在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持  到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提  升。 亮点成果： 融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。  从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。 同时在双十一期间，基于智能交互向导技术，也面向电子商务应用  的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品  销量变化的原因，以及促销的有效手段等。

本发明公开了一种基于极化码的分段CRC校验堆栈译码方法，包括：将信息序列分为N部分；对每一段最后一位比特在极化码码字序列中的位置进行标记；在进行堆栈译码的过程中，当译码长度到达标记位置时，实施CRC检验，若通过，则该译码路径存活，若不通过，则该译码路径被淘汰。与传统的方法相比，本发明大大降低了算法复杂度并使译码性能得到提升，并提升了译码的正确率。此外，在译码方法的基础上，硬件架构同时被提出，资源占据较传统算法实现了降低。

研发阶段/n内容简介：本系统是一个基于ARM内核，具有多任务强实时处理能力，同时具有窗口图形人机交互界面的嵌入式智能控制系统。系统硬件采用韩国现代公司推出的32位高性能嵌入式处理器HMS30C7202，集成了ARM7TDMICPU核，存储器管理单元(MMU)，8KB的高速缓冲存储器以及写缓冲器，支持STN和TFT的LCD控制器、TOUCHPANEL控制器、CAN、USB、AID、红外等，主频为70MHz。软件系统采用嵌入式实时多任务操作系统μC／OS-Ⅱ，嵌入了图形用户界面μC／GUI。根据不同的应

本发明公开了一种基于 GPU 的异步图数据处理系统，包括：实 现一个混合着色的算法：将原有的单一、启发式着色算法改为混合着 色算法；数据预处理策略：将原有的基于顶点度数的预处理分割方法 改为基于顶点着色分布的方式；异步处理执行引擎：将处理引擎的执 行方式由同步 BSP 方式改为异步处理的方式，结合混合着色算法模块， 实现 GPU 上的无锁异步编程；在异步处理执行引擎内部，实现迭代处 理模块、数据流执行模块，对 CPU

本发明公开了一种基于 GPU 的多波前潮流计算方法，该方法包 括：1)波前矩阵链异步并发执行；2)CPU-GPU 间任务的分配；3)GPU 上矩阵乘法、减法算法的优化。波前矩阵链采用异步并发执行的模式 处理，GPU 的资源得到了充分的利用；根据矩阵的大小决定采用 CPU 还是 GPU 处理，使得单个矩阵的处理时间最少，结合波前矩阵链的异 步并发执行，能尽可能的减少 CPU、GPU 的空闲等待时间；在 GPU 上对矩阵

本发明公开了一种基于 GPU 的多尺度空间特征提取方法，包括 以下步骤：利用多尺寸并行非线性滤波构造尺度空间、在尺度空间中 并行的进行关键点检测和描述符生成。其中尺度空间构造包括：多尺 寸数据打包、多尺寸并行降采样、多尺寸并行非线性滤波的具体执行 步骤。为了提高算法的并行度、降低数据依赖性，通过并行降采样提 前得到各个尺寸下的初始图像，使得各个尺寸下的非线性滤波、关键 点检测和描述符生成可以在 GPU 中并行的执行。

本发明公开了一种面向 GPU 集群的资源管理方法，包括：主管 理节点建立两张表：资源信息表和任务信息表；主管理节点接收到新 任务；判断任务是 CPU 任务还是 GPU 任务；主管理节点查找满足任 务需求的空闲资源；对于 CPU 任务，次管理节点对任务的数据进行预 处理，将数据片分发到其管理的所有节点进行计算，计算完成后，主 管理节点根据任务号回收次管理节点管理的所有节点的相关 CPU 资 源；对于 GPU 任务，在检

搅拌是化工、食品、制药等行业中典型的单元操作。随着不可再生能源的 日益枯竭，过程强化的必要性已是共识，是可持续性发展的重要“绿色技术”之 一。如何在不增加能耗的前提下提高流体搅拌混合效率，已成为需要迫切解决 的问题。 本项目提出了流体搅拌混沌混合技术，提高对搅拌槽内流体流动的周期性 和搅拌槽空间结构的对称性的扰动，在流体内部诱发混沌，从而提高混合效率。