基于图卷积的一维平流方程空间离散化数值求解加速方法

本文提出了一种基于图卷积神经网络的偏微分方程空间离散化数值求解加速方法，并将该方法应用于求解一维平流方程的研究中，实现了一维平流方程的加速求解。并设计了基于图卷积的一维平流方程空间离散化神经网络模型(GCPNN),其在物理先验知识指导下基于图模型利用空间图结构特征进行一维平流方程空间离散化求解加速方案建模，在构建图结构关系过程中，基于物理先验知识建立邻接矩阵，利用邻接矩阵融合了全局信息，从而实现了一维平流方程的加速求解。并且通过设计对比实验和消融实验验证了基于GCPNN的求解器相较于基线求解器和CNN求解器在求解精度和计算成本方面的优势，且验证了加入物理先验知识指导及全局信息融合的有效性。     

桥梁自然特征点的快速精确跟踪算法

特征点跟踪作为无人机对桥梁挠度进行视觉测量的关键技术，跟踪算法的速度和精度直接影响测量的实时性和有效性。本文首先通过加速稳健特征（SURF）匹配得到图像序列特征点的初步定位结果，然后使用相位相关法对特征点进行精确配准，并提出了一种基于无人机运动连续性的加速策略，用于桥梁自然特征点跟踪。利用无人机采集的4 K桥梁视频数据对本文算法进行测试，结果表明，本文算法对于桥梁自然特征点能够实现稳定跟踪，跟踪速度为25 FPS，跟踪精度达到亚像素级别，满足测量要求，能够为视觉测量提供技术支撑。     

紫坪铺水库及邻区的微震检测与定位

首先对四川省地震局提供的1 017次地震进行重定位，并将重定位后的578次高信噪比地震作为模板，利用基于图像处理器加速的匹配定位技术(GPU-M&L)对紫坪铺水库地震台网7个台站2005—2008年记录的连续波形数据进行扫描；然后利用基于深度学习算法的去噪技术(DeepDenoiser)设计出的卷积神经网络模型来进一步验证这些新检测到的地震事件；最后利用双差定位法对检测到的地震事件进行精定位。最终识别到的地震事件多达1万6 836个，约为四川省地震局目录事件的13倍，地震目录的完备震级由M_L1.4降为M_L-0.1。定位结果显示，研究区的地震事件呈北东向线性分布，优势震源深度指示区域地壳内的滑脱层位置，结合b值和震源深度分析结果推测，研究区蓄水后的地震主要是构造应力积累导致的天然地震活动，并伴随水库触发地震混杂发生。     

基于CUDA的并行雷达拼图算法研究北大核心CSCD

雷达组网拼图算法是强对流天气短时临近预报系统(Severe Weather Automatic Nowcasting,SWAN)的重要基础方法之一。提高拼图算法的效率,不仅可以提升现有SWAN临近算法序列的时效性,也能更好地应用高分辨率雷达数据,具有重要的实际意义。采用中央处理器(central processing unit,CPU)和图形处理器(graphics processing unit,GPU)混合架构设计并行雷达拼图算法,其中CPU负责雷达数据的解析和调度GPU并行模块,GPU负责大规模数据的并行计算。通过分析计算统一设备架构(compute unified device architecture,CUDA)算法的并行开销和拼图算法的特点,提出并实现了GPU内存管理优化和数据交换流程优化方案,提高了组网拼图算法的效率。对比试验结果表明,基于CUDA的GPU并行拼图算法和SWAN中30线程并行的CPU算法相比,在全国1 km和500 m分辨率的拼图任务上,加速比分别达到3.52和6.82。综上,基于CUDA的并行拼图算法不仅可以提高SWAN短时临近算法序列的时效性,也为更高分辨率雷达资料的拼图提供了技术支持。