Moving Genomsnittet Cuda

För ett annat tillvägagångssätt kan du avkorta det exponentiella glidande medelfönstret och sedan beräkna din filtrerade signal genom att göra en konvolvering mellan din signal och den fönsterfönster exponentialen. Konfolutionen kan beräknas med hjälp av det fria CUDA FFT-biblioteket cuFFT eftersom, som du kanske vet, Konvolution kan uttryckas som den punktvisa multipliceringen av de två signalerna i fourier-domänen. Detta är det lämpliga namnet Konvolutionsteoret, som körs med en komplexitet av O n log n. Denna typ av tillvägagångssätt minimerar din CUDA-kärnkod och kör mycket väldigt mycket snabbt, även på en GeForce 570 Särskilt så om du kan göra alla dina beräkningar i enkel float precision. answered Apr 30 14 på 17 04. Jag skulle föreslå att man manipulerar ovanstående skillnadsekvation som anges nedan och sedan använder CUDA Thrust primitives. DIFFERENCE EQUATION MANIPULATION - EXPLICIT FORM OF THE DIFFERENCE Equation. Med enkel algebra kan du hitta följande. Följaktligen är den explicit formulären följande. CUDA THRUST IMPLEM ENTATION. You kan genomföra ovanstående explicit formulär genom följande steg. Initiera en ingångssekvens dinput till alpha med undantag för dinput 0 1.Definera en vektor d1overbetatothen lika med 1, 1 beta, 1 beta 2, 1 beta 3.Multiply elementwise dinput av D1overbetatothen. Performa en inclusivescan för att få sekvensen av yn beta n. Dividera ovanstående sekvens med 1, 1 beta, 1 beta2, 1 beta 3.Den ovanstående inställningen kan rekommenderas för linjära tidsvarierande LTV-system för linjär tid - Invariant LTI-system kan FFT-metoden som nämns av Paul rekommenderas. Jag ger ett exempel på det här sättet genom att använda CUDA Thrust och cuFFT i mitt svar på FIR-filteret i CUDA. Jag är ingen programmerare med några förmågor. Bara någon nyfiken på CUDA och Så jag mår lite läsning Jag sprang över ett exempel på att använda Thrust för att göra ett glidande medelvärde. Exempelet, som det är, körs och fungerar mest korrekt Men det är trivialt i den meningen att det bara gör en glidande genomsnittlig operation. Hur skulle jag säga 352 av Se rörliga genomsnittliga operationer parallellt, alla som arbetar på samma dataström I mitt sinne kan programflödet vara. Generera data skicka den till en CUDA-kärna Samma som befintlig kod men tänk längder på 1000 eller 10000 istället för 30.Copy det från CUDA-kärnan är det i alla de andra 351 CUDA-kärnorna i min GTX 465. Ange varje CUDA-kärna vilket antal dataposter som ska överstiga 4 5 6 352 353 354. Ange enheten för att köra medeltalet i varje kärna i Parallellt. Läs tillbaka resultaten från varje kärna. Jag får det här koden. mår allt hända, men hur får jag Thrust att göra många av dessa parallellt. Min intresse här handlar om något som lagerdata Om jag tittar på GOOG Priser som jag lägger in i GPU-enheten med alla kärnor och lämnar det där kan jag göra mycket bearbetning utan att ladda data längre och bara läsa tillbaka resultat från varje kärna OBS! Jag kanske inte vill använda GOOG i alla kärnor Några kärnor kan vara GOOG, andra med någon annan symbol, men jag kommer senare senare jag tänker bara G Jag vill inte ha lagerdata i det globala minnet om det finns tillräckligt med utrymme i varje kärna. Jag antar att det här är ganska enkelt för CUDA Thrust. asked 12 sep 12 på 19 39. Min förståelse är att du är intresserad av följande två situationer. Du har en lång sekvens av objekt och du vill beräkna ett visst antal medeltal, med medelvärde på olika antal objekt, dvs med olika längder för det glidande medelfönstret. Det här förstår jag från din ursprungliga fråga. Du har en serie Av sekvenser, lagras i följd i minnet, och du vill genomsnittsa dem parallellt med ett fast medelvärdesfönster av storlek 2 RADIUS 1 Detta är vad ArrayFire-koden föreslår av ASM gör - du har accepterat den. I stället för att använda CUDA Thrust tror jag Det skulle vara lättare att skriva en egen CUDA-kärna för att göra ovanstående operationer Nedan följer ett fullständigt bearbetat exempel som fungerar på samma sätt som ArrayFire-koden som föreslagits av ASM, vilket täcker fallet 2 Ändra det för att täcka fall 1 skulle vara straightfo Rward. answered Nov 15 14 på 15 42. Ditt svar.2017 Stack Exchange, Inc. När du räknar ett löpande rörligt medelvärde, är det genomsnittligt att placera medelvärdet under mellantid. I det föregående exemplet beräknade vi genomsnittet för de första 3 gångerna Perioder och placerade den bredvid period 3 Vi kunde ha placerat medelvärdet mitt i tidsintervallen av tre perioder, det vill säga intill period 2 Detta fungerar bra med udda tidsperioder, men inte så bra för jämna tidsperioder Så var Skulle vi placera det första glidande medlet när M 4. Tekniskt sett skulle det rörliga genomsnittet falla vid t 2 5, 3 5. För att undvika detta problem släpper vi MAs med M 2 Således släpper vi ut de jämnda värdena. Om vi ​​i genomsnitt är jämn antal termer, vi behöver släta de släta värdena. Följande tabell visar resultaten med M 4.