资源描述：
《稀疏分解论文：基于gpu加速的信号mp稀疏分解》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、稀疏分解论文：基于GPU加速的信号MP稀疏分解【中文摘要】信号稀疏分解以其简洁、稀疏、灵活的优良特性成功的应用到信号处理的诸多方面中,成为信号处理研究的热点之一。匹配追踪算法实现简单、便于理解,在稀疏分解诸算法中算法复杂度最低,是信号稀疏分解中运用最广泛的算法。但即使这样,基于MP的信号稀疏分解依然面临分解速度慢、算法复杂度高、计算耗时长的问题。与CPU相比,GPU对大量数据的处理能力更加出色。GPU的存储器带宽也较CPU更有优势。GPU为大量数据的运算提供了新的解决方案,特别是CUDA的提出,使GPU有向通用计算机发展的趋势。针对CPU实现信号
2、MP稀疏分解出现的问题,本文采用NVIDIA公司发布的统一运算设备架构CUDA来进行信号稀疏分解的GPU加速,提高信号稀疏分解的运算速度。首先本文介绍了一维信号稀疏分解的基本原理,特别是基于MP的信号稀疏分解算法思想。接着阐述了NVIDIA公司的GPU产品CUDA,并从硬件和软件两方面介绍了CUDA编程模型、存储器模型、软件体系、执行模式等。然后针对基于MP的信号稀疏分解分解速度慢的缺点,对其采用GPU进行加速来实现。在实现的过程中,本文提出了符合硬件特性的内积运算并行方案及改进方案。与CUDA库函数中的内积运算函数进行比较,内积并行方案的运算效
3、率更出色。该方案成功应用到基于MP的信号稀疏分解中的原子能量运算、信号或其残差与冗余字典中原子的内积运算中。基于CUDA平台,本文对局部运算中冗余字典生成并行实现,提高了字典中原子的生成速度。实验表明,与CPU串行运算相比,在待分解信号长度为8192时,GPU实现基于MP的信号稀疏分解,加速比可达37.10倍。最后针对GPU实现基于MP的信号稀疏分解存在冗余字典过大的问题,对基于FFT的信号MP稀疏分解算法采用GPU进行加速。在实现过程中,本文对冗余子字典、快速傅里叶变换及其反变换等局部运算进行GPU并行实现。同时本文提出的内积并行运算方案成功运
4、用于字典中原子的能量计算中。实验表明,在待分解信号长度为16384时,GPU加速基于FFT的信号MP稀疏分解的速度是CPU串行实现的12.29倍。【英文摘要】Signalsparsedecompositionhasbeensuccessfullyappliedinmanyfieldswithitssimple,sparse,flexiblecharacteristics.Sosignalsparsedecompositionbecomesoneofhotspotsinsignalprocessingresearch.Comparedwithoth
5、ersparsedecompositionalgorithms,MatchingPursuitiseasiertounderstandandrealizewhichmakingitwidelyusedinsparsedecomposition.ButtherearestillsomeproblemsforMPalgorithm,suchashugealgorithmcomplexityandcomputationalcost.ComparedwithCPU,GPUhasthestrongerabilityinprocessinglargeamou
6、ntsofdataandmuchwidermemorybandwidth.Itprovidesasolutionforthelargeamountsofdatacomputation.WiththeproposedCUDA,GPUhasdevelopedfromgraphicprocessingunittogeneralpurposeunit.ThisthesisconcentratesonthematchingpursuitalgorithmbasedonCPU.Wecarryoutfurtherresearchformatchingpursu
7、italgorithmbasedonGPUtoimprovesparsedecompositionrate.Firstly,thisthesisintroducesthebasicprincipleofsignalssparsedecomposition,especiallytheprincipleforsparsedecompositionbasedonmatchingpursuit.ThenthisthesisintroducesGPUofNVIDIACorporation,especiallyparallelcomputingfeature
8、swithCUDA,includingCUDAprogrammingmodel,CUDAsoftwaresystem,CUDAmemor
