基于GPU的并行線性判別分析算法研究.pdf

1、線性判別分析（Linear Discriminant Analysis，LDA）是模式識別中經(jīng)典的算法之一，在對數(shù)據(jù)進行特征提取的同時，能夠最大程度的保留原始數(shù)據(jù)的分類信息。隨著互聯(lián)網(wǎng)數(shù)據(jù)維度的增高和數(shù)據(jù)量的加大，LDA算法對計算速度、精度等方面有著更高的要求，傳統(tǒng)的基于單機多核CPU的并行計算模型已經(jīng)不能滿足計算速度方面的要求，并且計算代價過高。而近些年出現(xiàn)的GPU通用計算相比于傳統(tǒng)計算，擁有高并發(fā)、低功耗等優(yōu)點，本文結(jié)合GPU高性能

2、硬件，提出了一種基于CPU-GPU異構計算的改進LDA算法，主要完成的工作如下：
　?。?）本文提出了一種基于CPU-GPU異構計算的矩陣塊Hessenberg歸約算法。LDA算法的計算瓶頸之一是求解散度矩陣的廣義特征問題，而求解廣義特征問題的Hessenberg歸約算法步驟時間復雜度高，計算時間長；此外，Hessenberg歸約算法在矩陣分解與矩陣特征問題領域有著重要的意義，因此本文將該問題作為研究重點之一。本文將基于矩陣塊的H

3、essenberg歸約算法進行任務分解，采用CPU-GPU異構計算的方式，加速了LDA算法的廣義特征值求解過程。
　?。?）本文針對廣義特征向量求解問題，提出了一種基于CPU-GPU異構計算的特征向量回溯算法。該算法包括兩個部分，一是由Hessenberg矩陣的特征向量回溯對稱矩陣的特征向量，而是由對稱矩陣特征向量回溯廣義特征向量，本文分別對這兩個部分進行了加速算法的設計。
　?。?）除廣義特征值問題外，構建類間和類間散度矩