基于GPU的粒子群神經(jīng)網(wǎng)絡(luò)研究與應(yīng)用.pdf

1、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是互連的大規(guī)模并行處理器，它能通過(guò)高度互連的的神經(jīng)元來(lái)解決復(fù)雜優(yōu)化問(wèn)題。ANN模型由于其良好的學(xué)習(xí)和泛化能力，已被廣泛應(yīng)用于電磁、測(cè)量等領(lǐng)域。粒子群優(yōu)化（Particle Swarm Optimization,PSO）算法作為一種容易實(shí)現(xiàn)、收斂速度快的全局優(yōu)化算法，可以代替常用的誤差反向傳播（Back Propagation,BP）算法應(yīng)用到ANN的訓(xùn)練中來(lái)。但是

2、面對(duì)復(fù)雜度較高的問(wèn)題時(shí)，訓(xùn)練時(shí)間長(zhǎng)是粒子群神經(jīng)網(wǎng)絡(luò)（PSO-ANN）的一大問(wèn)題，并行化加速是解決該問(wèn)題的有效思路之一。除了ANN固有的存儲(chǔ)結(jié)構(gòu)和樣本訓(xùn)練的并行性，PSO-ANN還存在PSO算法天然具備的群體中個(gè)體行為的并行性。相比用計(jì)算機(jī)集群、多核CPU或FPGA等專業(yè)并行設(shè)備加速PSO算法，利用圖形處理單元（Graphic Processing Unit，GPU）并行加速PSO算法具備硬件成本低的最顯著優(yōu)勢(shì)。特別是2007年NVIDI

3、A公司推出統(tǒng)一計(jì)算設(shè)備架構(gòu)（Compute Unified Device Architecture，CUDA）后，CUDA C因其強(qiáng)大的可編程性已成為當(dāng)前最為流行的GPU編程語(yǔ)言。
　　本文在GPU端并行PSO算法和GPU端樣本并行BP-ANN算法的研究基礎(chǔ)上，設(shè)計(jì)并實(shí)現(xiàn)了基于CUDA架構(gòu)的并行PSO-ANN求解方案和并行PSO-BP-ANN求解方案，并對(duì)微帶天線（Microstrip Antennas，MSA）諧振頻率、波達(dá)方向

4、（Direction of Arrival，DOA）估計(jì)等問(wèn)題進(jìn)行快速建模，在較短時(shí)間內(nèi)使建模誤差優(yōu)于已有文獻(xiàn)結(jié)果。
　　論文主要工作可歸納如下：
　　（1）針對(duì)GPU端并行PSO算法的傳統(tǒng)加速比指標(biāo)的不合理之處，提出用“有效加速比”作為算法的性能指標(biāo)，并對(duì)基準(zhǔn)測(cè)試函數(shù)進(jìn)行了測(cè)試和分析。
　?。?）在GPU端并行PSO算法的研究基礎(chǔ)上，設(shè)計(jì)并實(shí)現(xiàn)了一種基于CUDA架構(gòu)的并行PSO-ANN求解方案，對(duì)測(cè)試函數(shù)逼近問(wèn)題進(jìn)行