基于GPU的粒子群神經(jīng)網(wǎng)絡研究與應用.pdf

1、人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）是互連的大規(guī)模并行處理器，它能通過高度互連的的神經(jīng)元來解決復雜優(yōu)化問題。ANN模型由于其良好的學習和泛化能力，已被廣泛應用于電磁、測量等領域。粒子群優(yōu)化（Particle Swarm Optimization,PSO）算法作為一種容易實現(xiàn)、收斂速度快的全局優(yōu)化算法，可以代替常用的誤差反向傳播（Back Propagation,BP）算法應用到ANN的訓練中來。但是

2、面對復雜度較高的問題時，訓練時間長是粒子群神經(jīng)網(wǎng)絡（PSO-ANN）的一大問題，并行化加速是解決該問題的有效思路之一。除了ANN固有的存儲結構和樣本訓練的并行性，PSO-ANN還存在PSO算法天然具備的群體中個體行為的并行性。相比用計算機集群、多核CPU或FPGA等專業(yè)并行設備加速PSO算法，利用圖形處理單元（Graphic Processing Unit，GPU）并行加速PSO算法具備硬件成本低的最顯著優(yōu)勢。特別是2007年NVIDI

3、A公司推出統(tǒng)一計算設備架構（Compute Unified Device Architecture，CUDA）后，CUDA C因其強大的可編程性已成為當前最為流行的GPU編程語言。
　　本文在GPU端并行PSO算法和GPU端樣本并行BP-ANN算法的研究基礎上，設計并實現(xiàn)了基于CUDA架構的并行PSO-ANN求解方案和并行PSO-BP-ANN求解方案，并對微帶天線（Microstrip Antennas，MSA）諧振頻率、波達方向

4、（Direction of Arrival，DOA）估計等問題進行快速建模，在較短時間內使建模誤差優(yōu)于已有文獻結果。
　　論文主要工作可歸納如下：
　?。?）針對GPU端并行PSO算法的傳統(tǒng)加速比指標的不合理之處，提出用“有效加速比”作為算法的性能指標，并對基準測試函數(shù)進行了測試和分析。
　?。?）在GPU端并行PSO算法的研究基礎上，設計并實現(xiàn)了一種基于CUDA架構的并行PSO-ANN求解方案，對測試函數(shù)逼近問題進行