图书介绍
空间信息并行处理方法与技术PDF|Epub|txt|kindle电子书版本网盘下载
- 黄方，王力哲，谭喜成著 著
- 出版社： 北京：科学出版社
- ISBN：9787030591159
- 出版时间：2019
- 标注页数：194页
- 文件大小：30MB
- 文件页数：204页
- 主题词：空间信息技术－并行处理
PDF下载
下载说明
空间信息并行处理方法与技术PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
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MPICH29
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 Hadoop146
7.2.3 Spark148
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