CPU/GPU异构系统下高光谱遥感影像线性降维并行算法研究与实现

【摘要】：如何对高光谱信息进行高效处理是遥感领域近年来的研究热点,高光谱图像降维是做好后续地物分析识别的一个关键步骤。由于降维计算是一个典型的计算密集和访存密集型过程,计算复杂度较高,采用传统串行处理模式已无法满足军事、农林等高端应用实时处理的需求。CPU+GPU异构系统可以满足应用对高度密集计算的需求,是目前乃至未来很长一段时间内高性能计算机体系结构主流发展方向之一。如何充分利用CPU/GPU异构系统的计算能力,有效提高高光谱遥感图像降维的处理速度是本文研究的关键。CPU/GPU异构系统具有3个并行层次,分别是结点间进程级、结点内线程级和GPU线程级。本文针对高光谱遥感影像线性降维中的PCA和Fast ICA两种典型降维算法,分析研究算法中多个加速热点的并行处理方案和优化策略,基于MPI、openMP和CUDA等3种主流的并行编程模型设计和实现上述3个层次的多级协同并行算法。本文的主要工作和创新有以下几点:(1)深入研究了CPU/GPU异构系统3种主流并行模式。异构系统中,除了GPU的密集计算资源外,一般还包括多CPU、多GPU、多结点等特征,要完全开发系统的性能,必须熟练掌握MPI、openMP和CUDA等主流并行技术。本文重点针对这3种并行技术的编程模型和优化策略进行了深入研究,并研究了一些混合并行的优化策略。(2)基于CPU/GPU异构系统研究并提出了一系列高光谱影像PCA并行降维算法。在分析PCA算法加速热点的基础上,提出了适用于不同并行层次的任务划分方案,给出了协方差矩阵计算、PCA变换、高光谱数据I/O等热点步骤的并行及优化策略;分别基于MPI、openMP、CUDA、MPI+CUDA、openMP+CUDA和MPI+openMP+CUDA等单一或混合编程模式提出并实现了6种PCA多级并行降维算法。实验结果表明,6种并行算法均获得了显著的性能提升,其中MPI+openMP+CUDA三级协同并行PCA降维算法获得了最高145倍的计算加速比(不含I/O)和最高128倍的总加速比(含I/O)。(3)基于CPU/GPU异构系统研究并提出了一系列高光谱影像Fast ICA并行降维算法。在分析FastICA算法加速热点基础上,提出了白化处理、ICA迭代、IC变换等热点步骤的并行及优化策略,特别是针对复杂的ICA迭代过程,提出了一种“具体-抽象-具体”的并行设计模式,并将该模式应用于ICA迭代过程的并行程序设计;结合协方差矩阵、高光谱数据I/O等并行优化策略,提出了6种Fast ICA多级并行降维算法。实验结果显示,6种并行算法均获得了良好的加速效果,其中MPI+openMP+CUDA三级并行FastICA降维算法获得了最高169倍的计算加速比和159倍的总加速比。
【关键词】：高光谱降维 PCA Fast ICA 协方差 CUDA 多级并行
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TP751