壓縮感知重構(gòu)算法的GPU加速與實現(xiàn).pdf

1、壓縮感知理論打破了傳統(tǒng)奈奎斯特采樣定理對采樣率的限制，它在信號具有稀疏性的前提條件下，以較低的采樣率實現(xiàn)對信號的壓縮采樣。壓縮感知提出后，在無線通訊、陣列信號處理、模式識別和生物傳感等領(lǐng)域得到廣泛關(guān)注。壓縮感知重構(gòu)方法通常具有較高的計算復(fù)雜度，在信號尺度較大時，壓縮感知重建需要的時間會急劇增長，導(dǎo)致大尺度信號壓縮感知重構(gòu)的實時性難以滿足需要。壓縮感知重構(gòu)算法的加速實現(xiàn)已成為該領(lǐng)域關(guān)注的重要問題。
　　隨著基于CUDA架構(gòu)的圖形處理

2、單元(GPU)的推行，最初用于圖像加速、處理圖形轉(zhuǎn)換和渲染等工作的GPU在高性能計算方面得到大量應(yīng)用?？紤]到圖形處理器高效的并行執(zhí)行能力，以及在大尺度并行數(shù)據(jù)處理上具有的良好加速潛力，本文探討了基于GPU的壓縮感知重構(gòu)算法的加速方法與實現(xiàn)技術(shù)。論文重點對三種壓縮感知重構(gòu)算法（OMP算法、BP算法和A*OMP算法）進(jìn)行了分析與比較，以及在對算法模塊的并行性進(jìn)行可行性分析的基礎(chǔ)上，探討了在 GPU平臺上對OMP和A*OMP兩種重構(gòu)算法耗時長

3、模塊的并行加速設(shè)計與實現(xiàn)，以有效提高大尺度信號壓縮感知重構(gòu)的實時性。本文的主要研究工作及創(chuàng)新如下：
　?。?）研究了基于圖形處理器的OMP算法的加速方法及實現(xiàn)。為降低中央處理器與GPU之間傳輸?shù)难舆t，研究了將OMP算法的迭代過程轉(zhuǎn)移到GPU上并行處理的方法。在GPU端，根據(jù)全局內(nèi)存的存取特點改進(jìn)CUDA程序，以便使存儲器的存取滿足合并訪問條件，從而降低訪問延遲。利用流多處理器(SM)的豐富資源，合理分配SM中共享內(nèi)存，改進(jìn)線程訪問