GANHO DE DESEMPENHO DO FEMA UTILIZANDO PROGRAMAÇÃO PARALELA E ÁRVORES DE PARTICIONAMENTO ESPACIAL
Colloquium Exactarum
GANHO DE DESEMPENHO DO FEMA UTILIZANDO PROGRAMAÇÃO PARALELA E ÁRVORES DE PARTICIONAMENTO ESPACIAL
Autor Correspondente: Carlos Adriano Miranda | [email protected]
Palavras-chave: FEMa, GPU, Kd-Tree, K-NN.
Resumos Cadastrados
Resumo Português:
O presente estudo apresenta a utilização de estruturas de dados e GPU como uma melhoria de desempenho do algoritmo de classificação FEMa. Primeiramente, à partir de um datasets é criada uma árvore de partição binária do tipo Kd-Tree e após sua construção, aplicado o algoritmo de busca dos K vizinhos mais próximos (K-NN) na Kd-Tree para cada amostra de teste apresentada na fase de classificação. Após ter o resultado da busca das amostras mais próximas, é feita a etapa de classificação do FEMa aplicando uma base dos Métodos dos Elementos Finitos (FEM), para trazer o resultado. Outra abordagem é utilizar códigos CUDA no algoritmo do FEMa, para que o mesmo seja paralelizado e executado em GPU’s, para obter um ganho de desempenho no tempo de execução.
Resumo Inglês:
This paper presents an application with data structures and GPU to get better performances in FEMa algorithm. At first, a binary partition Kd-Tree is constructed from a dataset, after his building, the search algorithm of the K nearest neighbours (K-NN) is applied in the Kd-Tree to all sample in the test dataset. After get the result of nearest samples search, the step of classification begin applying the Finite Element Method basis to get the result. Another approach is to utilize cuda codes in algorithm, so that it can be parallelized and run in GPU to obtain a gain of performance in the code runtime.
