Лекции → Архитектура вычислительных систем → Лекция 12. Кластерные и MPP-системы

кластеры, mpp, grid, cray, beowulf
Лекция 12. Кластерные и MPP-системы

Одно из самых современных направлений в области создания вычислительных систем — это кластеризация. По производительности и коэффициенту готовности кластеризация представляет собой альтернативу симметричным мультипроцессорным системам.

 Кластер – группа взаимно соединенных вычислительных систем (узлов), работающих совместно, составляющих единый вычислительный ресурс и создавая у пользователя иллюзию наличия единственной ВМ.
В качестве узла кластера может выступать как однопроцессорная ВМ, так и ВС типа SMP или МРР. Важно лишь то, что каждый узел в состоянии функционировать самостоятельно и отдельно от кластера. В плане архитектуры суть кластерных вычислений сводится к объединению нескольких узлов высокоскоростной сетью. Для описания такого подхода, помимо термина «кластерные вычисления», достаточно часто применяют такие названия, как: кластер рабочих станций (workstation cluster),гипервычисления (hypercomputing),параллельные вычисления на базе сети (network-based concurrent computing),ультравычисления (ultracomputing).
Изначально перед кластерами ставились две задачи: достичь большой вычислительной мощности и обеспечить повышенную надежность ВС. Пионером в области кластерных архитектур считается корпорация DEC, создавшая первый коммерческий кластер в начале 80-х годов прошлого века.
В качестве узлов кластеров могут использоваться как одинаковые ВС (гомогенные кластеры), так и разные (гетерогенные кластеры). По своей архитектуре кластерная ВС является слабо связанной системой.

Лекции → Архитектура вычислительных систем → Лекция 11. Матричные вычислительные системы

систолические структуры, матричные ВС, ассоциативные устройства, simd, illiac
Лекция 11. Матричные вычислительные системы

Назначение матричных вычислительных систем - обработка больших массивов данных (во многом схоже с назначением векторных ВС). В основе матричных систем лежит матричный процессор (array processor), состоящий из регулярного массива процессорных элементов (ПЭ).

Организация систем подобного типа на первый взгляд достаточно проста. Они имеют общее управляющее устройство, генерирующее поток команд, и большое число ПЭ, работающих параллельно и обрабатывающих каждый свой поток данных.

Между матричными и векторными системами есть существенная разница. Матричный процессор интегрирует множество идентичных функциональных блоков (ФБ), логически объединенных в матрицу и работающих в SIMD-стиле. Не столь существенно, как конструктивно реализована матрица процессорных элементов — на едином кристалле или на нескольких. Важен сам принцип - ФБ логически скомпонованы в матрицу и работают синхронно, то есть присутствует только один поток команд для всех. Векторный процессор имеет встроенные команды для обработки векторов данных, что позволяет эффективно загрузить конвейер из функциональных блоков. В свою очередь, векторные процессоры проще использовать, потому что команды для обработки векторов — это более удобная для человека модель программирования, чем SIMD.

Лекции → Обработка и анализ изображений → Лекция 7. Сегментация изображений

сегментация, преобразование Хафа, пороговая обработка, контуры

В лекции рассмотрены методы обнаружения разрывов яркости, связывания обнаруженных контуров и обобщенные методы сегментации изображений на отдельные области.

Лекции → Обработка и анализ изображений → Лекция 6. Морфологическая обработка изображений

эрозия, связные компоненты, морфология, дилатация

Рассматривается понятие математической морфологии, её применение для анализа бинарных и полутоновых изображений.

Лекции → Обработка и анализ изображений → Лекция 5. Реконструкция изображений

фильтрация, реконструкция изображений, линейные системы, геометрические искажения

В лекции рассмотрены линейные трансляционно-инвариантные искажения, оценка искажающей функции и методы фильтрации для реконструкции изображений.

Лекции → Обработка и анализ изображений → Лекция 4. Восстановление изображений

свёртка, полосовые фильтры, модели шума, корреляция, восстановление изображений

В данной лекции речь пойдёт о методах восстановления изображений, которые основываются на моделировании процессов искажений и применении для восстановления обратных процедур.

Лекции → Обработка и анализ изображений → Лекция 3. Улучшение изображений

эквализация, фильтрация, улучшение изображений, преобразование Фурье, гистограмма

В лекции рассматриваются вопросы улучшения качества изображений в смысле субъективного человеческого восприятия через градационные и арифметико-логические преобразования, а также фильтрацию в пространственной и частотной областях.

Лекции → Обработка и анализ изображений → Лекция 2. Регистрация и представление изображений

смежность пикселей, регистрация, мера расстояния, квантование, дискретизация

В лекции излагаются основы считывания и регистрации изображений. Представлена упрощённая модель изображения. Рассмотрены процессы квантования и дискретизации, сопутствующие регистрации.

Лекции → Обработка и анализ изображений → Лекция 1. Введение в обработку и анализ изображений

обработка изображений

В лекции излагается краткий план курса, связь обработки и анализа изображений с другими научными дисциплинами, а также область применения обработки изображений.

Лекции → Обработка и анализ изображений → Вопросы по курсу

экзамен
Вопросы по курсу

Список вопросов охватывает следующие темы лекционного курса.

  • Регистрация.
  • Улучшение, восстановление и реконструкция изображений.
  • Сжатие изображений.
  • Морфологическая обработка.
  • Сегментация.
  • Представление и описание изображений.
  • Поиск изображений.
  • Распознавание образов.

Страницы: 1 2 3 Следующая Последняя