基于CUDA的阈值迭代算法并行实现

doi:10.7523/j.issn.2095-6134.2013.05.016

中国科学院大学学报 ›› 2013, Vol. 30 ›› Issue (5): 676-681.DOI: 10.7523/j.issn.2095-6134.2013.05.016

基于CUDA的阈值迭代算法并行实现

耿旻明^1,2, 蒋成龙^1,2, 张冰尘¹

1. 中国科学院电子学研究所微波成像技术重点实验室, 北京 100190;
2. 中国科学院大学, 北京 100190

收稿日期:2012-06-15 修回日期:2013-01-21 发布日期:2013-09-15
基金资助:
国家973计划项目(2010CB731905)资助 

Parallel implementation of iterative shrinkage-thresholding algorithm via CUDA

GENG Min-Ming^1,2, JIANG Cheng-Long^1,2, ZHANG Bing-Chen¹

1. National Key Laboratory of Microwave Imaging Technology, Institute of Electronics, Chinese Academy of Sciences, Beijing 100190, China;
2. University of Chinese Academy of Sciences, Beijing 100190, China

Received:2012-06-15 Revised:2013-01-21 Published:2013-09-15
Contact: 耿旻明,E-mail:gmm810@qq.com

摘要/Abstract

摘要： 利用CUDA编程在GPU平台设计并行实现阈值的迭代算法,并应用于稀疏微波成像. 仿真实验结果表明,在正确重建信号的前提下,相对于常规的CPU串行计算,采用GPU并行处理能加快运算,提高成像速度.

关键词: 稀疏微波成像, 阈值迭代算法, 计算统一设备架构(CUDA), 并行处理

Abstract: We design and implement iterative shrinkage-thresholding algorithm (ISTA) on GPU via CUDA programming, and apply it in sparse microwave imaging. The simulation results show that, compared to CPU-based implementation, GPU-based implementation reconstructs correct signals at a faster computation speed.

Key words: sparse microwave imaging, iterative shrinkage-thresholding algorithm (ISTA), compute unified device architecture (CUDA), parallel processing

中图分类号:

TN957

耿旻明, 蒋成龙, 张冰尘. 基于CUDA的阈值迭代算法并行实现[J]. 中国科学院大学学报, 2013, 30(5): 676-681.

GENG Min-Ming, JIANG Cheng-Long, ZHANG Bing-Chen. Parallel implementation of iterative shrinkage-thresholding algorithm via CUDA[J]. , 2013, 30(5): 676-681.

参考文献

[1] Donoho D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.
[2] Zhang B C, Hong W, Wu Y R. Sparse microwave imaging: principles and applications[J]. Science in China Series F: Information Sciences, 2012, 55(8):1 722-1 754.
[3] 常象宇,饶过,吴一戎,等. 如何在压缩感知中正确使用阈值迭代算法?[J]. 中国科学:F辑,2010,40(1): 1-12.
[4] Beck A, Teboulle M. A fast iterative shrinkage-threshoding algorithm for limear inverse problems[J]. Slam J Imaging Science, 2009, 2(1):183-202.
[5] Sanders J, Kandrot E. CUDA by example: an introduction to general-purpose GPU programming[M]. Beijing: Pearson Education Asia Limited and China Machine Press, 2011.
[6] Nvidia. CUDA C programming guide version 4.2.(2012-04-16)[2013-05-20]. http://wenku.it168.com/d_000252926.shtml.
[7] Gu Q, Gao N, Bao Z Z, et al. Implementation and optimization of high speed AES algorithm based on GPGPU and CUDA[J]. Journal of Graduate University of Chinese Academy of Sciences, 2011, 28(6): 776-785(in Chinese). 顾青,高能,包珍珍,等. 基于GPGPU和CUDA的高速AES算法的实现和优化[J]. 中国科学院研究生院学报,2011,28(6):776-785.
[8] Chen Y, Wang Y Q, Liu Y. Acquisition method with spread spectrum technique based on GPU acceleration[J]. Journal of Graduate University of Chinese Academy of Sciences, 2012, 29(2):240-245(in Chinese). 陈源,王元钦,刘莹. 基于GPU加速的扩频信号捕获方法[J]. 中国科学院研究生院学报, 2012, 29(2):240-245.
[9] Andrecut M. Fast GPU implementation of sparse signal recovery from random projections[J]. Engineering Letters, 2009, 17(3):151-158.
[10] Chen S, Li G, Zhang H, et al. A GPU-based parallel implementation of compressive sampling reconstruction for SAR imaging compression[J]. Journal of Electronics & Information Technology, 2011, 33(3):610-615(in Chinese). 陈帅,李刚,张颢,等. SAR图像压缩采样恢复的GPU并行实现[J]. 电子与信息学报,2011,33(3):610-615.

[1]	林世明, 张毅, 王吉利, 赵爽. 星载双基InSAR系统中的电离层色散效应分析与校正[J]. 中国科学院大学学报, 2021, 38(6): 809-816.
[2]	刘雨洁, 齐向阳. 基于长时间间隔序贯SAR图像的运动舰船跟踪方法[J]. 中国科学院大学学报, 2021, 38(5): 642-648.
[3]	向建冰, 吕孝雷, 付希凯. 基于双曲等效的双星滑动聚束SAR两步成像算法[J]. 中国科学院大学学报, 2021, 38(4): 511-518.
[4]	郑慧敏, 郑明洁, 张振宁, 申晓天. 基于低秩和一维稀疏矩阵分解的多通道SAR-GMTI方法研究[J]. 中国科学院大学学报, 0, (): 21533-21533.
[5]	王正晟, 李亚林, 张洪群. 基于GAN序列的卫星数据接收系统故障定位^*[J]. 中国科学院大学学报, 0, (): 539-539.
[6]	申晓天, 郑明洁. 一种新的基于FrFT的动目标测速和定位方法^*[J]. 中国科学院大学学报, 0, (): 547-547.
[7]	邢文继, 金燕, 仇晓兰, 丁赤飚, 周晓. 高分辨率SAR子孔径图像相干性分析及其地物分类应用研究^*[J]. 中国科学院大学学报, 0, (): 85-85.
[8]	宋志华, 陈锟山, 曾江源, 许镇. 一种基于FMCW雷达的慢速目标检测自适应滤波器[J]. 中国科学院大学学报, 2021, 38(3): 382-391.
[9]	罗开盛. 基于面向对象技术的旅游用地遥感识别[J]. 中国科学院大学学报, 2020, 37(4): 490-497.
[10]	王泽隆, 徐向辉, 张雷. 基于仿真SAR图像深度迁移学习的自动目标识别[J]. 中国科学院大学学报, 2020, 37(4): 516-524.
[11]	杨牡丹, 魏中浩, 徐志林, 张冰尘, 洪文. 一种基于层次稀疏的全极化SAR层析成像方法[J]. 中国科学院大学学报, 2020, 37(4): 525-531.
[12]	胡亮, 肖俊, 王颖. 基于多维度特征和MLP的岩体点云植被滤波方法[J]. 中国科学院大学学报, 2020, 37(3): 345-351.
[13]	马娇, 董勇伟, 李原, 李凌霄, 杨杰芳. 多旋翼无人机微多普勒特性分析与特征提取[J]. 中国科学院大学学报, 2019, 36(2): 235-243.
[14]	杨力, 魏中浩, 张冰尘, 卢晓军. 基于广义最小最大凹惩罚项的ISAR稀疏成像方法[J]. 中国科学院大学学报, 2019, 36(2): 244-250.
[15]	段伟, 吕孝雷. 一种新的桥梁区域时序InSAR相位解缠方法[J]. 中国科学院大学学报, 2019, 36(2): 251-258.

基于CUDA的阈值迭代算法并行实现

Parallel implementation of iterative shrinkage-thresholding algorithm via CUDA

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们