利用快速kNN搜索改进GPU加速的自适应反距离加权插值算法
分布式、并行与集群计算
2016-09-09 v1
摘要
本文提出了一种在现代图形处理器(GPU)上高效并行的自适应反距离加权(AIDW)插值算法。所提算法通过采用快速k近邻(kNN)搜索对我们先前GPU加速的AIDW算法进行了改进。在AIDW中，需要为每个插值点找到若干个最近邻数据点以自适应确定幂参数；然后利用该幂参数通过加权插值得到插值点所需的预测值。本工作中，我们开发了基于空间划分数据结构即均匀网格的快速kNN搜索方法，以改进先前的GPU加速AIDW算法。改进后的算法由kNN搜索和加权插值两个阶段组成。为评估改进算法的性能，我们进行了五组实验测试。实验结果表明：(1) 改进算法相较相应的串行算法可实现高达1017倍的加速；(2) 改进算法至少是我们先前GPU加速AIDW算法的两倍快；(3) 快速kNN搜索的使用能显著提升整个GPU加速AIDW算法的计算效率。
引用
@article{arxiv.1601.05904,
title = {Improving GPU-accelerated Adaptive IDW Interpolation Algorithm Using Fast kNN Search},
author = {Gang Mei and Nengxiong Xu and Liangliang Xu},
journal= {arXiv preprint arXiv:1601.05904},
year = {2016}
}
备注
Submitted manuscript. 9 Figures, 3 Tables