فایل پی دی اف کامل مقاله یک الگوریتم LSQR موازی مقیاس پذیر برای حل خطی در مقیاس بزرگ سیستم برای مشکلات توموگرافی PDF

توجه : این فایل به صورت فایل PDF (پی دی اف) ارائه میگردد

 فایل پی دی اف کامل مقاله یک الگوریتم LSQR موازی مقیاس پذیر برای حل خطی در مقیاس بزرگ سیستم برای مشکلات توموگرافی PDF دارای ۱۰ صفحه می باشد و دارای تنظیمات و فهرست کامل در PDF می باشد و آماده پرینت یا چاپ است

فایل پی دی اف فایل پی دی اف کامل مقاله یک الگوریتم LSQR موازی مقیاس پذیر برای حل خطی در مقیاس بزرگ سیستم برای مشکلات توموگرافی PDF  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل پی دی اف کامل مقاله یک الگوریتم LSQR موازی مقیاس پذیر برای حل خطی در مقیاس بزرگ سیستم برای مشکلات توموگرافی PDF،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل پی دی اف کامل مقاله یک الگوریتم LSQR موازی مقیاس پذیر برای حل خطی در مقیاس بزرگ سیستم برای مشکلات توموگرافی PDF :

دانلود فایل پی دی اف کامل مقاله یک الگوریتم LSQR موازی مقیاس پذیر برای حل خطی در مقیاس بزرگ سیستم برای مشکلات توموگرافی PDF

موضوع انگلیسی:A scalable parallel LSQR algorithm for solving large-scale linear
system for tomographic problems
زبان: انگلیسی
فرمت فایل: pdf
تعداد صفحه:۱۰
سال انتشار:۲۰۱۳

چکیده

روش حداقل مربعات با روش QR-factorization (LSQR) یک الگوریتم زیر فضایی کریلوف است که برای حل سیستم های خطی پراکنده مستطیلی برای مشکلات توموگرافی استفاده می شود. پیاده سازی های موازی سنتی LSQR بسته به موارد مختلف دارای پتانسیل بالایی هستند
ساختار غیر صفر ماتریس ، تا هزینه ارتباط قابل توجهی داشته باشد. هزینه ارتباطات می تواند به طور چشمگیری محدود شود
مقیاس پذیری الگوریتم در تعداد هسته های بزرگ. ما یک الگوریتم LSQR موازی مقیاس پذیر را توصیف می کنیم که از خاص استفاده می کند
ساختار غیر صفر ماتریس ها که در مشکلات توموگرافی رخ می دهد. به طور خاص ، ما به طور خاص جزء هسته را درمان می کنیم
ماتریس ، که نسبتاً متراکم با ساختار تصادفی است ، و جزء میرایی ، که بسیار کم و بسیار زیاد است
به طور جداگانه ساختار یافته است الگوریتم حاصله دارای حجم ارتباطی مقیاس پذیر با تعداد محدودی از همسایگان ارتباطی بدون در نظر گرفتن تعداد هسته است. ما مطالعات مقیاس بندی از مجموعه داده های توموگرافی لرزه ای واقعی را ارائه می دهیم که خوب را نشان می دهد
مقیاس پذیری تا O (10 ، ۰۰۰) هسته در یک خوشه Cray XT