Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình tính toán cho ước lượng Bayes hồi quy theo lưới song song: tính toán song song sử dụng đơn vị xử lý đồ họa
Tóm tắt
Bài báo này trình bày mô hình hiệu suất của ước lượng Bayes hồi quy theo lưới thời gian thực (RBE), đặc biệt là việc tính toán song song sử dụng đơn vị xử lý đồ họa (GPU). Mô hình được đề xuất đã hình thức hóa quá trình truyền dữ liệu giữa bộ vi xử lý trung tâm (CPU) và GPU cũng như các phép toán số thực cần thực hiện trong mỗi CPU và GPU cần thiết cho một lần lặp của RBE theo lưới thời gian thực. Dựa trên các thông số kỹ thuật phần cứng máy tính, mô hình được đề xuất do đó có thể ước lượng tổng thời gian chi phí để thực hiện RBE theo lưới trong một môi trường thời gian thực. Một công thức dự đoán mới, áp dụng phép tích chập tách biệt, được đề xuất để tăng tốc thêm cho RBE theo lưới thời gian thực. Hiệu suất của mô hình được đề xuất đã được điều tra, và các nghiên cứu tham số trước đó đã chứng minh độ tin cậy của nó dưới nhiều điều kiện khác nhau bằng cách cho thấy rằng sai số trung bình của ước lượng trong hiệu suất tính toán luôn dưới 6% đến 7%. Khi sử dụng dự đoán với phép tích chập tách biệt, RBE theo lưới cũng đã được phát hiện có thể thực hiện trong vòng 1 ms, mặc dù kích thước vấn đề khá lớn.
Từ khóa
#mô hình tính toán #ước lượng Bayes #lưới #tính toán song song #đơn vị xử lý đồ họaTài liệu tham khảo
Tarantola A: Inverse Problem Theory and Methods for Model Parameter Estimation. Philadelphia: Society for Industrial and Applied Mathematics; 2005.
Harlim J, Hunt BR: A non-Gaussian ensemble filter for assimilating infrequent noisy observations. Tellus A 2007, 59: 225–237. 10.1111/j.1600-0870.2007.00225.x
Apte A, Hairer M, Stuart AM, Voss J: Sampling the posterior: an approach to non-Gaussian data assimilation. Physica D 2007, 230: 50–64. 10.1016/j.physd.2006.06.009
Doshi P, Gmytrasiewicz PJ: Monte Carlo sampling methods for approximating interactive POMDPs. J. Artif. Intell. Res 2009, 34: 297–337.
Mandel J, Beezley JD: An ensemble Kalman-particle predictor-corrector filter for non-Gaussian data assimilation. Comput. Sci. ICCS 2009, 2009: 470–478.
Stenger B, Thayananthan A, Torr PHS, Cipolla R: Filtering using a tree-based estimator. IEEE Int. Conf. Comput. Vis 2003, 2: 1063–1070.
Huang D, Leung H: Maximum likelihood state estimation of semi-Markovian switching system in non-Gaussian measurement noise. IEEE Trans. Aerosp. Electron. Syst 2010, 46: 133–146.
Bergman N: Recursive Bayesian estimation navigation and tracking applications. PhD Dissertation, Linkopings University; 1999.
Furukawa T, Durrant-Whyte HF, Lavis B: The element-based method—theory and its application to Bayesian search and tracking. San Diego: Paper presented at the IEEE/RSJ international conference on intelligent robots and systems; 29 Oct–2 Nov 2007.
Lavis B, Furukawa T: HyPE: Hybrid particle-element approach for recursive Bayesian searching and tracking. Proceedings of Robotic: Science and Systems IV. Zurich: MIT Press; 2008.
Lavis B, Furukawa T, Durrant-Whyte HF: Dynamic space reconfiguration for Bayesian search and tracking with moving targets. Auto. Robots 2008,24(4):387–399. 10.1007/s10514-007-9081-4
Furukawa T, Lavis B, Durrant-Whyte HF: Parallel grid-based recursive Bayesian estimation using GPU for real-time autonomous navigation. Paper presented at the IEEE international conference on robotics and automation. Anchorage, AK, USA: ; 3–7 May 2010.