ترجمه مقاله الگوریتم های NLMS با اندازه متغیر و پروجکشن آفین – نشریه IEEE
مبلغ : 27800 تومان
سال انتشار : 2004
ترجمه مقاله الگوریتم LSQR موازی قیاس پذیر برای حل سیستم خطی بزرگ برای مسائل توموگرافیک – نشریه الزویر
قیمت خرید این کالا
31,800 تومان
| عنوان فارسی: | الگوریتم LSQR موازی قیاس پذیر برای حل سیستم خطی بزرگ برای مسائل توموگرافیک: یک مطالعه ی موردی در توموگرافی ارتعاشی |
| عنوان انگلیسی: | A scalable parallel LSQR algorithm for solving large-scale linear system for tomographic problems: a case study in seismic tomography |
| تعداد صفحات مقاله انگلیسی : 10 | تعداد صفحات ترجمه فارسی : 17 |
| سال انتشار : 2013 | نشریه : الزویر - Elsevier |
| فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
| کد محصول : 6146 | رفرنس : دارد |
| محتوای فایل : zip | حجم فایل : 1.51Mb |
| رشته های مرتبط با این مقاله: مهندسی کامپیوتر و ژئوفیزیک |
| گرایش های مرتبط با این مقاله: مهندسی الگوریتم ها و محاسبات، لرزه نگاری و زلزله شناسی |
| مجله: کنفرانس بین المللی علوم محاسباتی |
| دانشگاه: گروه علوم کامپیوتر، دانشگاه وایومینگ، ایالات متحده آمریکا |
| کلمات کلیدی: مسائل توموگرافیک، توموگرافی ارتعاشی، ارتعاش سنجی سازه ای، محاسبه ی علمی موازی، LSQR، ضرب بردار ماتریس، ارتباط قیاس پذیر، MPI |
| وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است |
| وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است |
| وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است |
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب
چکیده
1 مقدمه
2 تحقیقات مرتبط
3 مرور الگوریتم
4. ماتریس مرتب سازی مجدد
5 تجزیه داده
6 محاسبه موازی
7 ارتباط
8 ارزیابی عملکرد
8.1 تحلیل عملکرد
9 نتیجه گیری و کارهای آینده
نمونه متن انگلیسی
Abstract
Least Squares with QR-factorization (LSQR) method is a widely used Krylov subspace algorithm to solve sparse rectangular linear systems for tomographic problems. Traditional parallel implementations of LSQR have the potential, depending on the non-zero structure of the matrix, to have significant communication cost. The communication cost can dramatically limit the scalability of the algorithm at large core counts. We describe a scalable parallel LSQR algorithm that utilizes the particular non-zero structure of matrices that occurs in tomographic problems. In particular, we specially treat the kernel component of the matrix, which is relatively dense with a random structure, and the damping component, which is very sparse and highly structured separately. The resulting algorithm has a scalable communication volume with a bounded number of communication neighbors regardless of core count. We present scaling studies from real seismic tomography datasets that illustrate good scalability up to O(10, 000) cores on a Cray XT cluster
نمونه متن ترجمه
چکیده
روش حداقل مربعات با فاکتورگیری QR (LSQR) یک الگوریتم فضای فرعی کریلف است که به صورت گسترده برای حل سیستم های خطی مستطیلی پراکنده برای مسائل توموگرافیک استفاه می شود. پیاده سازی های سنتی موازیِ LSQR بسته به سازه ی غیرصفر ماتریس، هزینه ی ارتباطی بالقوه ی بالایی دارند. این هزینه ی ارتباطی می تواند به شدت قابلیت قیاس پذیریِ الگوریتم را در مقیاس بزرگ محدود کند. ما یک الگوریتم LSQR موازی قیاس پذیر را معرفی می کنیم که از سازه ی ویژه ی غیرصفرِ ماتریس هایی استفاه می کند که در مسائل توموگرافیک رخ می دهند. به طور خاص، ما مخصوصا مولفه ی کرنلِ ماتریس را مورد پردازش قرار می دهیم که با سازه ی تصادفی نسبتا متراکم است و مولفه ی میراگری که بسیار پراکنده است و به صورت جداگانه بسیار سازه ای است. الکوریتم حاصل دارای حجم ارتباطی قیاس پذیر با تعداد معین از همسایگان ارتباطی بدون توجه به شمارش هسته ای است. ما مطالعات پیمایش را از مجموعه داده ی توموگرافی ارتعاشی واقعی ارائه می کنیم که قابلیت قیاس پذیری خوب تا o(10,000) هسته را بر روی خوشه ی Cray XT نشان می دهد.
