基于GPU的超声弹性成像并行实现研究

合集下载

探究GPU视角下的图像处理并行算法

探究GPU视角下的图像处理并行算法在现代图像处理中，由于图像数据的维度特别高，所以实现图像处理算法的并行化非常重要。

尤其是在GPU（图形处理器）的视角下，GPU拥有数以千计的专用计算单元，可以快速处理高维度的数据，因此GPU在图像处理并行算法中具有得天独厚的优势。

1. 并行渐进式拉普拉斯金字塔算法。

该算法适用于图像的降采样和上采样过程中。

在该算法中，原始图像通过不断的降采样处理生成多尺度图像（金字塔结构）。

然后使用拉普拉斯滤波器进行高通滤波，得到拉普拉斯金字塔。

最后通过高通滤波和下采样重建出原始图像。

在这个过程中，每个层级都可以并行处理。

2. 并行直方图平衡化算法。

直方图平衡化是一种基于像素亮度均衡的技术，它使图像的像素值均匀分布在整个亮度范围内。

在GPU上实现直方图平衡化并行化的方法是将图像划分成许多小块，并在每个小块中分别计算其直方图。

然后将每个小块中的直方图相加，最后通过使用累积直方图重新分配像素值来平衡化整个图像。

3. 并行区域生长算法。

区域生长是一种图像分割技术，可以将相似的像素聚类在一起，形成连续的区域。

在GPU视角下，区域生长可以通过并行处理每个像素来实现。

对于每个像素，首先将其与邻域像素进行比较，并根据相似度判断是否加入区域中。

重复此过程，直到不再向该区域中添加像素。

4. 并行快速傅里叶变换算法。

傅里叶变换是一种频域处理技术，将图像从空间域转换为频域。

GPU具有高速傅里叶变换的硬件支持，因此可以进行并行加速。

快速傅里叶变换算法（FFT）是一种高效的傅里叶变换算法，GPU可以通过并行处理FFT的各个步骤来加速整个算法。

总之，GPU视角下的图像处理并行算法可以大大提高图像处理的效率和速度，从而更好地满足现代图像处理的需求。

基于GPU的高性能并行算法研究共3篇

基于GPU的高性能并行算法研究共3篇基于GPU的高性能并行算法研究1基于GPU的高性能并行算法研究随着计算机技术的不断发展和GPU的逐渐普及，基于GPU的高性能并行计算已经成为了当前研究的热点之一。

作为现代计算机中的重要组成部分，GPU为我们提供了强大的并行计算能力，能够处理大规模数据，并且具有更快的计算速度和更低的能源消耗。

因此，研究基于GPU的高性能并行算法已经成为了一个重要的课题。

目前，基于GPU的高性能并行算法主要涵盖了三个方面：并行算法设计、并行程序优化和计算模型设计。

在这些方面的研究中，有一些最新的进展已经取得了令人瞩目的成果。

首先，基于GPU并行算法设计的研究是为了高效地利用GPU在并行计算方面的能力。

GPU上的并行算法采用的是SIMD方式，即对于同一个指令的多个数据进行并行计算。

此法将指令发射和控制逻辑大大简化，极大地提高了计算的效率。

其次，对于并行程序优化，在开发GPU并行算法时，程序员需要选择适当的数据结构，评估算法的并行效率，同时还需要进行负载均衡。

因此，优化GPU上的并行程序非常具有挑战性，并且需要付出更多的支出。

最后，基于GPU的计算模型设计方面的研究包括理论上的基础研究和实践研究。

在基础研究方面，主要包括GPU计算的中心化和分布式算法的研究。

而实践研究则主要针对系统架构设计、调度运行和数据移动等方面。

在GPU的应用方面，许多领域都能够受到GPU并行算法的帮助，例如大规模数据处理、图像处理、计算流体力学、生物学建模和量子计算等。

其中，GPU并行算法在深度学习、计算机视觉和自然语言处理等方面展现出了巨大的优势。

总结一下，基于GPU的高性能并行算法研究引发了越来越广泛的关注，持续推进了GPU并行算法的开发。

这项研究已经在广泛的领域中应用，特别是在科学计算领域、媒体和图形、人工智能领域中。

期待这一领域能够在未来不断发展，为我们带来更多的新机遇和发现综上所述，GPU并行算法作为一种高效、可扩展的计算方式，已经被广泛应用于许多领域中。

超声弹性成像技术

超声弹性成像技术在地质资源勘探中的应用
超声弹性成像技术的发展
技术进步
超声弹性成像技术从最初的静态弹性成像发展到动态弹性成像
随着计算机技术的发展，超声弹性成像技术实现了实时成像和定量分析
超声弹性成像技术在医学领域的应用越来越广泛，如肿瘤诊断、心血管疾病诊断等
超声弹性成像技术与其他成像技术相结合，提高了诊断的准确性和可靠性
超声波的折射：当超声波遇到介质的界面时，部分声能会进入另一种介质，形成折射波。
成像技术
超声弹性成像技术是一种利用超声波检测组织弹性的技术。
应用：主要用于检测组织病变，如肿瘤、炎症等。
原理：通过测量组织对超声波的反射和散射，计算组织的弹性系数。
优点：无创、实时、可重复，对组织损伤小。
超声弹性成像技术的应用
超声波的传播与反射
超声波在介质中的传播：超声波在介质中以一定的速度传播，遇到不同介质的界面时会发生反射和折射。
超声波的反射：当超声波遇到介质的界面时，部分声能会反射回发射端，形成反射波。
超声弹性成像技术的原理：利用超声波的传播和反射特性，通过检测反射波的强度、频率和相位等信息，实现对组织弹性的定量评估。
A
超声弹性成像技术可以用于检测材料的弹性和强度
B
超声弹性成像技术可的疲劳和磨损情况
D
超声弹性成像技术可以检测材料的硬度和耐磨性
地质勘探
B
D
A
C
超声弹性成像技术在地质勘探中的应用
超声弹性成像技术在地质灾害预警中的应用
利用超声弹性成像技术进行地质构造分析
医学诊断
肿瘤诊断：通过检测肿瘤组织的硬度和弹性，辅助诊断肿瘤的性质和分期
肝脏疾病诊断：检测肝脏组织的硬度和弹性，辅助诊断肝硬化、脂肪肝等疾病

基于GPU的SAR实时并行成像处理

基于GPU的SAR实时并行成像处理
赵敬亮;雷万明;黄银和
【期刊名称】《信息化研究》
【年(卷),期】2010(0)2
【摘要】结合RD成像算法的特点和GPU的计算处理能力,提出了一种具有高并行度的机载SAR实时并行成像处理方案。

对实测数据进行成像处理的结果表明,本文提出的方案能够在不损失分辨率及成像精度的基础上,满足实时处理的要求,同时与传统实时成像处理系统相比较,能够大幅度的降低硬件成本。

【总页数】4页(P28-30)
【关键词】RD;SAR;GPU;实时;并行
【作者】赵敬亮;雷万明;黄银和
【作者单位】南京电子技术研究所
【正文语种】中文
【中图分类】TN958
【相关文献】
1.基于GPU的SAR成像层次化并行处理研究 [J], 李东生;何余洪;雍爱霞
2.基于NVIDIA GPU的机载SAR实时成像处理算法CUDA设计与实现 [J], 孟大地;胡玉新;石涛;孙蕊;李晓波
3.基于PCI-E和GPU的一种高效SAR实时成像处理器 [J], 何锡君;徐学伟;
4.基于ARM GPU的机载SAR成像算法并行优化策略 [J], 李威;梁军;张桢;李青
5.基于GPU的多模式SAR实时成像算法研究 [J], 翟新刚;韦立登;汪丙南;向茂生因版权原因，仅展示原文概要，查看原文内容请购买。

基于GPU并行计算的计算机视觉算法实现

基于GPU并行计算的计算机视觉算法实现计算机视觉技术作为当下最重要的技术应用之一，其应用范围日益扩大。

从机器人视觉到自动驾驶，从智能监控到医疗影像，计算机视觉技术已经渗透到了各行各业。

然而，计算机视觉算法的复杂性和计算量的巨大挑战了它的实际应用。

在此背景下，GPU并行计算被广泛应用于计算机视觉算法实现，成为计算机视觉技术跨步发展的利器。

GPU的并行处理能力是它成为计算机视觉算法实现的重要选择之一。

以传统的CPU为例，它的计算核心数量很少，且不具备并行处理能力，难以胜任计算机视觉算法的高复杂性运算。

而GPU则不然，GPU的核心数量多，能在同一时间完成多个计算任务，拥有超高的并行计算能力。

基于GPU并行计算的计算机视觉算法实现涉及到许多领域，如图像处理、模式识别、机器学习等。

以图像处理为例，GPU并行计算可实现的技术包括图像去噪、图像增强、图像分割、图像匹配等。

图像匹配是其中的关键技术之一。

在计算机视觉中，匹配是指找到两幅图像之间的相似之处，通常是将一幅图像中的特征点与另一幅图像中的特征点进行匹配。

而匹配的准确率与速度显然是相互牵制的。

GPU并行计算技术的优势恰好能够兼顾这两方面的需求。

通过GPU并行计算，可以快速匹配大量特征点，并且实现准确的特征点匹配，从而提高计算机视觉算法的效率和准确性。

在基于GPU并行计算的计算机视觉算法实现中，深度学习技术也发挥了重要作用。

目前，深度学习技术在计算机视觉上已经成为一种通用的算法，应用于视觉分类、目标检测、语义分割等领域。

基于深度学习的计算机视觉算法的优势在于能够根据问题的特性获取最大的表示能力，并且克服传统算法在处理多变和非线性特征时的不足。

而深度学习模型的训练和应用需要强大的计算机性能支持。

在此需求下，GPU并行计算技术的发展为深度学习技术的实际应用带来了福音。

除此之外，在计算机视觉算法中，GPU并行计算技术也为实时处理提供了重要支持。

对于某些领域的实时监测和检测，光靠传统的CPU计算存在时效性差的问题，而GPU并行计算技术则可以在短时间完成大量数据的处理，提高实时性和响应速度。

探究GPU视角下的图像处理并行算法

探究GPU视角下的图像处理并行算法在计算机图形学领域，图像处理是一个重要的研究方向。

随着计算机图形学技术的发展，图像处理算法也得到了很大的改进。

计算机图形学的目标是生成和处理图像，图像处理算法是实现该目标的关键。

图像处理算法可以分为串行算法和并行算法两种。

在串行算法中，图像处理任务按顺序依次执行，只有前一个任务完成后，才能进行下一个任务。

这种算法的优点是易于理解和实现，但缺点是执行效率较低。

在处理大规模图像时，串行算法往往需要较长的执行时间。

与之相对应的是并行算法，通过同时执行多个任务，可以大大提高图像处理的效率。

并行算法可以分为两种模式，一种是在多个CPU上并行执行，另一种是在GPU上并行执行。

GPU（Graphics Processing Unit，图形处理器）是一种专门用于处理图形和图像的硬件设备。

与CPU相比，GPU具有更高的并行计算能力和更大的计算能力。

在图像处理任务中，使用GPU来执行并行算法可以极大地提高处理速度。

在GPU视角下的图像处理并行算法中，常用的方法有并行扫描线算法和并行像素算法。

并行扫描线算法是将图像划分为多个扫描线，每个扫描线由一个线程处理。

线程之间可以并行执行，但需要进行同步操作，以确保每个线程在处理自己的扫描线时，不会对其他线程产生干扰。

这种算法适用于需要对整个图像进行处理的任务，如图像滤波等。

在使用GPU进行图像处理时，还需要注意内存管理和数据传输的问题。

由于GPU拥有自己的内存空间，需要将图像数据从CPU内存传输到GPU内存，并在处理完成后将结果传输回CPU内存。

这些数据传输操作会占用较长的时间，因此需要合理地管理和优化数据传输过程。

GPU视角下的图像处理并行算法可以大大提高图像处理的效率。

通过合理选择并行算法和优化数据传输，可以实现对大规模图像的快速处理。

在未来，随着GPU技术的不断发展，图像处理算法的并行性将得到更好的利用，为计算机图形学的发展带来更大的推动。

超声弹性成像技术

实时成像，可动态观察组织变化
高分辨率，可清晰显示组织结构
操作简便，可快速获取检测结果
高分辨率成像
超声弹性成像技术可以提供高分辨率的图像，能够清晰地显示组织结构和病变情况。
高分辨率成像还可以帮助医生更好地了解病变的性质和程度，为治疗提供更有针对性的方案。
高分辨率成像有助于医生更准确地诊断疾病，提高诊断准确性。
动态成像：超声弹性成像技术可以动态成像，提供更准确的诊断信息。
超声弹性成像技术的发展
技术突破
1
2
3
4
1970年代：超声弹性成像技术的概念
提出
1980年代：超声弹性成的广泛应
用和进一步发展
1990年代：超声弹性成像技术的临床
应用
临床应用
肿瘤诊断：通过测量肿瘤组织的弹性系数，判断
肿瘤的良恶性
心血管疾病诊断：测量血管壁的弹性系数，评估心血管疾病的风险
肝脏疾病诊断：测量肝脏组织的弹性系数，评估肝脏疾病的严重
程度
肌肉骨骼疾病诊断：测量肌肉骨骼组织的弹性系数，评估肌肉骨
骼疾病的程度
发展趋势
技术进步：不断提高成像质量和分辨率
应用领域拓展：从医学领域向其他领域拓展，如工业检测、地质勘探等
04 弹性系数的应用：评估材料的弹性、强度、耐磨性等性能指标
超声弹性成像技术的应用
肿瘤检测
01 超声弹性成像技术可以检测肿瘤的硬度和弹性
02 肿瘤的硬度和弹性与肿瘤的恶性程度有关
03 超声弹性成像技术可以辅助医生判断肿瘤的性质和分期
04 超声弹性成像技术可以提高肿瘤检测的准确性和可靠性
高分辨率成像技术还可以减少对患者身体的辐射伤害，提高患者的舒适度和安全性。

基于GPU并行计算的计算机体视学三维重建算法研究

基于GPU并行计算的计算机体视学三维重建算法研究一、绪论在计算机体视学中，三维重建是一个重要的研究领域。

传统的三维重建算法，由于计算量大、耗时长，导致其在实际应用中往往难以满足实时性的需求。

为此，利用GPU并行计算来优化三维重建算法已成为当前研究的热点之一。

本文研究基于GPU并行计算的计算机体视学三维重建算法，旨在提高三维重建的效率和准确性，以满足实际应用需求。

二、相关技术介绍2.1 计算机体视学计算机体视学（Computer Vision）是一种利用计算机与机器视觉技术进行建模、识别、跟踪和分析现实世界物体和场景的学科领域。

计算机体视学技术主要应用于三维重建、影像加工、机器人控制、生物医学图像处理等领域，是计算机科学、数据库管理、数学、物理等学科的结合。

2.2 三维重建三维重建（3D Reconstruction）是指通过2D影像或其他传感器获得的有关物体外观、运动等信息来还原物体的三维形状、位置与姿态的过程。

三维重建技术的应用范围十分广泛，包括工业检测、机器人导航、虚拟现实、文化遗产保护等领域。

2.3 GPU并行计算GPU并行计算（General-purpose Computing on Graphics Processing Units）是指利用图形处理器（GPU）的并行计算能力来加速通用计算的过程。

GPU并行计算可以提高计算效率、降低功耗、提高性能等优势，其应用领域包括机器学习、计算机视觉、科学计算等。

三、基于GPU并行计算的三维重建算法研究3.1 数据采集首先，需要采集物体的影像数据。

在采集过程中，要考虑影像分辨率、视场角、背景等因素。

同时，为了提高采集效率，可以采用多摄像头同步拍摄的方式。

3.2 光流法计算接下来，利用光流法来计算影像流量。

在传统的光流法中，计算过程较为耗时，在GPU并行计算中可以利用并行计算的优势，加快流量计算的速度。

3.3 特征提取然后，需要从计算的光流法结果中提取特征点。

探究GPU视角下的图像处理并行算法

探究GPU视角下的图像处理并行算法
GPU （Graphics Processing Unit）是一种专用的处理器，广泛应用于图形渲染和图像处理的领域。

相比于 CPU，GPU 在图像处理方面具有更强的并行计算能力，这使得它成为了许多图像处理算法的首选。

在GPU的视角下，图像处理算法的运行方式与CPU有所不同。

CPU通过串行的方式执行指令，而GPU则通过将大量的计算事务并行处理来提高图像处理效率。

在GPU中，图像被划分为许多小的计算单元，每个计算单元都可以独立地进行计算。

这种并行计算方式使得GPU能够同时处理多个像素点，从而大大提高图像处理的速度。

在图像处理中，许多算法可以被有效地并行化，以利用GPU的并行计算能力。

常用的图像滤波算法，如均值滤波和高斯滤波，可以通过并行计算每个像素点的值来加快处理速度。

在并行计算中，每个计算单元可以独立地处理一个像素点，而不需要等待其他像素点的计算结果。

这种并行计算方式可以显著提高处理速度，并且保持图像质量不变。

GPU还可以用于图像分割和图像识别等复杂的图像处理任务。

基于机器学习的图像分割算法可以通过并行计算每个像素点的概率分布来实现。

GPU的并行计算能力可以显著加速这类算法的计算过程，从而提高图像分割的准确性和速度。

从GPU的角度来看，图像处理算法的并行化是一项重要的技术挑战。

为了充分利用GPU的并行计算能力，开发者需要设计并实现高效的并行算法，并合理地利用GPU资源。

也需要解决GPU内存带宽和计算资源的限制问题，以确保图像处理算法能够在GPU上实时运行。

基于GPU并行计算的遥感图像处理技术研究

基于GPU并行计算的遥感图像处理技术研究遥感图像处理技术是对宇宙中各种自然现象进行研究的重要手段。

在人类社会的现代化进程中，遥感图像处理技术被广泛应用于土地利用、资源管理、气象预测、城市规划、环境保护、林业、农业等领域，成为了各项工程和科学研究的重要基础。

然而，随着遥感数据的不断增长，如何快速、高效处理海量的遥感图像数据成为了一个亟待解决的问题。

在此背景下，基于GPU并行计算的遥感图像处理技术应运而生。

GPU并行计算技术是近年来计算机技术领域的重要突破之一，它能够充分利用GPU高并发计算的特性，将运算任务分解成多个子任务来并行处理，从而大大提高运算效率。

GPU并行计算技术的应用可以极大地加速遥感数据处理的速度，实现大规模遥感数据的高效处理。

不过，基于GPU并行计算的遥感图像处理技术研究并不简单。

首先，遥感图像处理应用涉及到大量的矩阵、向量运算和像素级数据处理，而这些运算过程对算法的精度和效率要求相当高。

其次，GPU的运算架构与CPU有很大的差异，在并行计算过程中需要对GPU硬件的特性有深入的理解和应用。

此外，可扩展的算法设计和高效的数据读取技术也是基于GPU并行计算的遥感图像处理技术研究需要解决的技术难题。

在实际研究中，基于GPU并行计算的遥感图像处理技术主要包括图像压缩、图像分割、特征提取、分类识别、监督学习、无监督学习等内容。

其中，图像压缩是基于GPU并行计算的遥感图像处理技术中的核心部分，它可以通过对遥感图像的数据进行压缩来减少存储和传输所需要的带宽和时间，从而实现对遥感图像数据的高效利用。

同时，基于GPU并行计算的图像分割和特征提取技术也能够较好地对遥感图像数据进行处理和分析，从而得出可靠的图像分类和识别结果。

总的来说，基于GPU并行计算的遥感图像处理技术是一项高新技术，可以有效解决遥感图像数据处理中的数据量大、计算化和高精度等难题，对于实现地球资源的自然环境研究和精准农业等问题都具有十分重要的意义。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｍｅｔｈｏｄｓｂａｓｅｄｏｎＧｒａｐｈｉｃｓＰｒｏｃｅｓｓｉｎｇＵｎｉｔ（ＧＰＵ）ｗｅｒｅｉｎｖｅｓｔｉｇａｔｅｄ．Ａｆｔｅｒｇｉｖｉｎｇａｎｉｎｔｒｏｄｕｃｔｉｏｎａｂｏｕｔｔｈｅｔｗｏｃｏｍｍｏｎ
结果表明，基于ＧＰＵ的方法可以大幅提高弹性图计算速度，在处理单帧弹性图条件下，与基于互相关方法比较，加速比达到４２ｘ，而基于相位零估计的方法在提高数据吞吐量的情况下加速比可达到６５ｘ。关键词：超声影像；弹性成像；应变成像；图像处理器；并行算法
中图分类号：ＴＰ３９１．４１文献标志码：Ａｄｏｉ：１０．３９６９￣．ｉｓｓｎ．１００３ — ５０１Ｘ．２０１３．０５．０１４
ＩｎｖｅｓｔｉｇａｔｉｏｎｏｆＧＰＵ— ｂａｓｅｄＵｌｔｒａｓｏｕｎｄＥｌａｓｔｏｇｒａｐｈｙ
基于ＧＰＵ的超声弹性成像并行实现研究
彭博 ’ 。，谌勇，刘东权
（１．四川大学计算机学院，成都６１００６５；２．西南石油大学计算机科学学院，成都６１０５００）摘要：为了提高超声弹Ｊ｝生成像计算速度，提出使用ＧＰＵ硬件加速基于互相关技术和相位零估计的弹性成像技术。先描述这两种弹性成像技术的实现细节及特点，然后分析这两种技术的计算密集操作部分的并行化计算可能性，最后通过ＧＰＵ程序开发工具ＡｒｒａｙＦｉｒｅ实现了基于ＧＰＵ的互相关和相位零估计的超声弹性成像技术。通过模拟和扫描仿真人体组织的弹性成像体模获得的压缩前后数据帧对基于ＧＰＵ的超声弹性成像方法进行测试与￣－ｉｒ，实验
ｍｅｔｈｏｄｓ，ｔｈｅＧＰＵ— ｂａｓｅｄａｐｐｒｏａｃｈｅｓｔｏｒａｐｉｄｌｙｅｓｔｉｍａｔｅｔｉｓｓｕｅｓｔｒａｉｎｗａｓｐｒｏｐｏｓｅｄ．ＴｈｅｗｏｔＧＰＵ— ｂａｓｅｄａｐｐｒｏａｃｈｅｓｗｅｒｅｔｅｓｔｅｄｉｎｓｉｍｕｌａｔｉｏｎｓｉｇｎａｌｓａｎｄｒｅａｌｓｉｇｎａｌｓｂｙｓｃａｎｎｉｎｇａｔｉｓｓｕｅ — ｍｉｍｉｃｋｉｎｇｐｈａｎｔｏｍｒｅｓｐｅｃｔｉｖｅｌｙ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓ
ｓｈｏｗｔｈａｔｔｈｅＧＰＵ．ｂａｓｅｄＮｏｒｍａｌｉｚｅｄＣｒｏｓｓＣｏｒｒｅｌａｔｉｏｎ（ＮＣＣ）ｉｍｐｌｅｍｅｎｔａｔｉｏｎｉｓａｂｏｕｔ４２ｔｉｍｅｓｆａｓｔｅｒｔｈｎａｔｈａｔｂａｓｅｄｏｎ
第４０卷第５期
２０１３年５月
光电工程
Ｏｐｔｏ — ＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ
பைடு நூலகம்
Ｖ＿０１．４０．ＮＯ．５Ｍａｙ，２０１３
文章编号：１００３ — ５０１Ｘ（２０１３）０５ — ００９７ — ０９
Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｃａｌｃｕｌａｔｉｏｎｓｐｅｅｄｏｆｕｌｔｒａｓｏｕｎｄｅｌａｓｔｏｇｒａｍｓ，ｔｗｏｃｏｍｍｏｎｕｌｔｒａｓｏｕｎｄｅｌａｓｔｏｇｒａｐｈｙ
ＰＥＮＧＢｏ＇－，ＣＨＥＮＹｏｎｇ，ＬＩＵＤｏｎｇｑｕａｎ１
（１．ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒ，ＳｉｃｈｕａｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００６５，Ｃｈｉｎａ；
ＣＰＵｐｌａｔｆｏｍｒｗｉｔｈｔｈｅｓａｍｅｅｌａｓｔｉｃｉｔｙｉｍａｇｅｑｕａｌｉｙｔＡｔｔｈｅｓａｍｅｔｉｍｅ，ｔｈｅＧＰＵ — ｂａｓｅｄＰｈａｓｅＺｅｒｏＥｓｔｉｍａｔｉｏｎ（ＰＺＥ）
２．ＳｃｈｏｏｌｏｆＣｏｍｐｕ￣ｒＳｃｉｅｎｃｅ，ＳｏｕｔｈｗｅｓｔＰｅｔｒｏｌｅｕｍＵｎｉｖｅｒｓｉｙｔ，Ｃｈｅｎｇｄｕ６１０５００，Ｃｈｉｎａ）