基于Q学习的异构平台任务调度方法及系统

    公开(公告)号:CN112256422B

    公开(公告)日:2023-08-04

    申请号:CN202011284585.6

    申请日:2020-11-17

    Abstract: 本发明属于异构多处理器计算技术领域,特别涉及一种基于Q学习的异构平台任务调度方法及系统,将所有任务作为Q学习的状态空间,处理器集合作为动作空间,等待分配的任务作为当前状态,依据Q学习中任务映射到动作空间所需要的的执行时间来获取任务初始映射方案;创建遗传算法模型,对任务初始映射方案进行适应度评估,并依据适应度设定遗传算法模型中复制到下一代种群中的个体,对保留个体进行交叉变异,确定新种群优化效率及最小阈值;依据遗传算法模型获取模型中任务到处理器映射的近似最优解;将模型近似最优解转换为蚁群信息初始信息分布,根据信息分布并通过蚁群算法迭代搜索输出最优路径来获取任务调度最优方案,以较好提升异构平台性能。

    基于CPU+GPU异构处理平台的多核并行调度方法

    公开(公告)号:CN113553103B

    公开(公告)日:2022-09-23

    申请号:CN202110622040.X

    申请日:2021-06-03

    Abstract: 本发明涉及任务调度技术领域,公开一种基于CPU+GPU异构处理平台的多核并行调度方法,包括以下步骤:步骤1,构建应用的DAG图,所述DAG图包括多个任务节点;步骤2,进行负载部署决策,确定GPU和CPU两组任务调度队列;步骤3,按照最长路径列表中的排序依次调度任务,确定任务优先级;步骤4,在处理器选择阶段,在两组调度队列范围中,按照所选择的处理器可使任务的最早完成时间与其后续任务到出口任务的最长路径之和最小的原则分配GPU和CPU;步骤5,通过分配的CPU或GPU对任务进行调度。本发明提高了CPU和GPU的利用率以及任务调度效率。

    信号处理平台网络架构及硬件设备虚拟化方法和系统

    公开(公告)号:CN112398691A

    公开(公告)日:2021-02-23

    申请号:CN202011283102.0

    申请日:2020-11-17

    Abstract: 本发明属于平台资源虚拟化技术领域,特别涉及一种信号处理平台网络架构及硬件设备虚拟化方法和系统,采用自上而下和自下而上相结合的层级化网络结构,该层级化网络结构包含:多个域通过网络互联形成的系统域,每个域内由不同总线标准定义的平台通过网络通信协议构成,每个平台上设置有多个板卡,若干异构信号处理器嵌在相应板卡上;系统域根据不同应用任务需求,将不同域的域服务器连接进行域间业务数据交互,系统域服务器对多个域的资源进行管理,且每个域之间相互独立。本发明对信号处理硬件设备统一规范虚拟化描述,提高硬件设备的管理效率和互通、互联效果,便于网络中各硬件设备即插即用及随意扩展,可较好适应各通信需求,提升系统性能。

    基于调参随机共振的低信噪比通信信号调制识别方法及装置

    公开(公告)号:CN110276256A

    公开(公告)日:2019-09-24

    申请号:CN201910414555.3

    申请日:2019-05-17

    Inventor: 张政 马金全

    Abstract: 本发明属于信号调制识别技术领域,特别涉及一种基于调参随机共振的低信噪比通信信号调制识别方法及装置,该方法包含:针对低信噪比下微弱通信信号特征,利用自适应调节参数随机共振系统匹配最佳系统参数,以最大化增强信号能量;利用随机共振系统对通信信号进行随机共振处理,提取特征参数;信号特征包含瞬时特征和小波变换特征,自适应调节参数随机共振系统采用双稳态系统;针对提取的特征参数,利用神经网络进行信号分类调制识别。本发明克服传统随机共振不足及传统调制信号特征提取劣势,在极低信噪比下提取具有区分度信号特征,增强信号本身特征,弱化噪声影响,实现对微弱信号调制识别,将识别信噪比门限降低大约8dB,拓展随机共振应用范围。

    虚拟化技术下的多GPU任务调度方法

    公开(公告)号:CN109918182A

    公开(公告)日:2019-06-21

    申请号:CN201910063111.X

    申请日:2019-01-23

    Abstract: 本发明涉及任务调度技术领域,公开虚拟化技术下的多GPU任务调度方法,包括以下步骤:步骤1:构建应用的DAG图,所述DAG图包括多个任务节点;步骤2:利用拓扑排序的方式对DAG图进行分层;步骤3:通过任务节点的优先级对DAG图中每一层的任务节点进行排序;步骤4:计算目标任务节点在处理器上的预测最早完成时间,将任务节点映射到预测最早完成目标任务的GPU处理器上;步骤5:通过预测最早完成任务时间最短的GPU处理器对任务进行调度。本发明提高了任务调度效率。

    信号处理平台网络架构及硬件设备虚拟化方法和系统

    公开(公告)号:CN112398691B

    公开(公告)日:2023-04-28

    申请号:CN202011283102.0

    申请日:2020-11-17

    Abstract: 本发明属于平台资源虚拟化技术领域,特别涉及一种信号处理平台网络架构及硬件设备虚拟化方法和系统,采用自上而下和自下而上相结合的层级化网络结构,该层级化网络结构包含:多个域通过网络互联形成的系统域,每个域内由不同总线标准定义的平台通过网络通信协议构成,每个平台上设置有多个板卡,若干异构信号处理器嵌在相应板卡上;系统域根据不同应用任务需求,将不同域的域服务器连接进行域间业务数据交互,系统域服务器对多个域的资源进行管理,且每个域之间相互独立。本发明对信号处理硬件设备统一规范虚拟化描述,提高硬件设备的管理效率和互通、互联效果,便于网络中各硬件设备即插即用及随意扩展,可较好适应各通信需求,提升系统性能。

    基于随机共振的微弱OFDM子载波数估计方法

    公开(公告)号:CN108683623B

    公开(公告)日:2020-09-08

    申请号:CN201810271269.1

    申请日:2018-03-29

    Abstract: 本发明属于通信技术领域,特别涉及一种基于随机共振的微弱OFDM子载波数估计方法,包含:设定采样频率,该采样频率为最低采样频率的N倍,其中,N不小于50;选取双稳态随机共振系统参数;针对经过双稳态随机共振系统的信号,计算倒谱和/或进行哈尔Haar小波变换,估计其实际子载波数。本发明在倒谱法及小波改进法基础上,利用随机共振方法对微弱OFDM信号进行增强,相比传统方法而言,增大输出的峰值,提升检测性能;降低信噪比门限,在信道环境恶劣的情况下发挥优势;提高估计精度;较大程度地提升了对OFDM信号子载波数估计的算法性能,在低信噪比的情况下凸显了一定的优势,具有更好的有效性和鲁棒性,为低信噪比条件下OFDM信号的信息恢复等起到重要作用。

    基于LZ77的无损数据压缩方法、误码修复方法及编码器和解码器

    公开(公告)号:CN108880556B

    公开(公告)日:2021-09-07

    申请号:CN201810534508.8

    申请日:2018-05-30

    Abstract: 本发明涉及一种基于LZ77的无损数据压缩方法、误码修复方法及编码器和解码器,该压缩方法包含:读取待压缩字符串,获取已编码符号序列及待编码字符串;按照滑动窗口解析顺序依次从已编码符号序列中查找并记录当前待编码字符串的最长匹配前缀;根据当前待编码字符串的最长匹配前缀的匹配多重性,确定嵌入比特信息;将嵌入比特信息与当前待编码字符串的每个最长匹配前缀进行一一映射;根据预设嵌入数值,选取对应的最长匹配前缀作为当前待编码字符串的码字并输出,直至待编码字符串均有码字输出,完成数据压缩。本发明能够在不损失任何压缩能力的情况下,对额外冗余数据利用信道编码器进行保护,以纠正有限数量的错误,具有较强的兼容性和实用性。

Patent Agency Ranking