SAR目標(biāo)識別方法的GPU并行實現(xiàn)與優(yōu)化.pdf

1、SAR目標(biāo)識別方法已經(jīng)成為近年來的研究熱點，其研究成果被廣泛應(yīng)用于軍事和民用領(lǐng)域。隨著高分辨SAR成像技術(shù)的發(fā)展，SAR圖像的分辨率和數(shù)據(jù)量均迅速增加，基于 CPU串行計算的目標(biāo)識別算法已經(jīng)不能達(dá)到高分辨 SAR目標(biāo)識別軟件實時處理數(shù)據(jù)的要求，且計算代價過高。而近些年出現(xiàn)的 GPU(Graphic Process Unit)通用計算可以提供強(qiáng)大的計算能力和存儲帶寬，此外其具有開發(fā)成本低、周期短等優(yōu)點。因此，基于GPU的并行目標(biāo)識別算法的

2、研究，對實時處理數(shù)據(jù)的目標(biāo)識別軟件系統(tǒng)的研究和建立具有重要推動作用。
　　本文首先討論了GPU的體系結(jié)構(gòu)以及CUDA編程模型，并將目標(biāo)識別算法分為特征提取部分和分類器部分，然后詳細(xì)描述了如何將各部分的具體計算任務(wù)進(jìn)行并行分解，以及如何通過CUDA并行編程實現(xiàn)各個計算任務(wù)，最終對CUDA程序進(jìn)行一系列優(yōu)化處理，爭取實現(xiàn)算法的加速最大化。具體的工作安排如下：
　?。?）分析了CUDA的編程模型、存儲模型以及編程語言，然后研究主成

3、分分析、非負(fù)矩陣分解和線性判別分析這三種比較成熟的特征提取技術(shù)和支持向量機(jī)這種分類方法的基礎(chǔ)原理和實現(xiàn)方法，為后文目標(biāo)識別算法并行分析提供理論依據(jù)和技術(shù)基礎(chǔ)。
　　（2）研究特征提取方法和分類器的計算任務(wù)，將計算過程拆分并做并行改進(jìn)。分別對三種特征提取方法中的矩陣乘法、Jacobi迭代法求矩陣特征值、歸約法、類間和類內(nèi)散度矩陣構(gòu)造等計算任務(wù)進(jìn)行并行分析和GPU并行改進(jìn)。然后分析SMO算法的計算過程和并行性，實現(xiàn)SVM在CUDA上的