基于GPU加速的信號(hào)MP稀疏分解.pdf

1、信號(hào)稀疏分解以其簡(jiǎn)潔、稀疏、靈活的優(yōu)良特性成功的應(yīng)用到信號(hào)處理的諸多方面中，成為信號(hào)處理研究的熱點(diǎn)之一。匹配追蹤算法實(shí)現(xiàn)簡(jiǎn)單、便于理解，在稀疏分解諸算法中算法復(fù)雜度最低，是信號(hào)稀疏分解中運(yùn)用最廣泛的算法。但即使這樣，基于MP的信號(hào)稀疏分解依然面臨分解速度慢、算法復(fù)雜度高、計(jì)算耗時(shí)長(zhǎng)的問(wèn)題。
　　 與CPU相比，GPU對(duì)大量數(shù)據(jù)的處理能力更加出色。GPU的存儲(chǔ)器帶寬也較CPU更有優(yōu)勢(shì)。GPU為大量數(shù)據(jù)的運(yùn)算提供了新的解決方案，特別

2、是CUDA的提出，使GPU有向通用計(jì)算機(jī)發(fā)展的趨勢(shì)。
　　 針對(duì)CPU實(shí)現(xiàn)信號(hào)MP稀疏分解出現(xiàn)的問(wèn)題，本文采用NVIDIA公司發(fā)布的統(tǒng)一運(yùn)算設(shè)備架構(gòu)CUDA來(lái)進(jìn)行信號(hào)稀疏分解的GPU加速，提高信號(hào)稀疏分解的運(yùn)算速度。
　　 首先本文介紹了一維信號(hào)稀疏分解的基本原理，特別是基于MP的信號(hào)稀疏分解算法思想。接著闡述了NVIDIA公司的GPU產(chǎn)品CUDA，并從硬件和軟件兩方面介紹了CUDA編程模型、存儲(chǔ)器模型、軟件體系、執(zhí)行模

3、式等。
　　 然后針對(duì)基于MP的信號(hào)稀疏分解分解速度慢的缺點(diǎn)，對(duì)其采用GPU進(jìn)行加速來(lái)實(shí)現(xiàn)。在實(shí)現(xiàn)的過(guò)程中，本文提出了符合硬件特性的內(nèi)積運(yùn)算并行方案及改進(jìn)方案。與CUDA庫(kù)函數(shù)中的內(nèi)積運(yùn)算函數(shù)進(jìn)行比較，內(nèi)積并行方案的運(yùn)算效率更出色。該方案成功應(yīng)用到基于MP的信號(hào)稀疏分解中的原子能量運(yùn)算、信號(hào)或其殘差與冗余字典中原子的內(nèi)積運(yùn)算中。基于CUDA平臺(tái)，本文對(duì)局部運(yùn)算中冗余字典生成并行實(shí)現(xiàn)，提高了字典中原子的生成速度。實(shí)驗(yàn)表明，與CPU

4、串行運(yùn)算相比，在待分解信號(hào)長(zhǎng)度為8192時(shí)，GPU實(shí)現(xiàn)基于MP的信號(hào)稀疏分解，加速比可達(dá)37.10倍。
　　 最后針對(duì)GPU實(shí)現(xiàn)基于MP的信號(hào)稀疏分解存在冗余字典過(guò)大的問(wèn)題，對(duì)基于FFT的信號(hào)MP稀疏分解算法采用GPU進(jìn)行加速。在實(shí)現(xiàn)過(guò)程中，本文對(duì)冗余子字典、快速傅里葉變換及其反變換等局部運(yùn)算進(jìn)行GPU并行實(shí)現(xiàn)。同時(shí)本文提出的內(nèi)積并行運(yùn)算方案成功運(yùn)用于字典中原子的能量計(jì)算中。實(shí)驗(yàn)表明，在待分解信號(hào)長(zhǎng)度為16384時(shí)，GPU加速基