利用GPU通用计算的同步层竞争算法研究  

The implementation of synchronous competitive layer model(SCLM) method with general purpose GPU computing

作　　者：周伟[1] 李萍[1] 

机构地区：[1]西南民族大学计算机科学与技术学院,四川成都610041

出　　处：《西南民族大学学报（自然科学版）》2012年第4期654-657,共4页Journal of Southwest Minzu University(Natural Science Edition)

基　　金：国家自然科学基金青年科学基金项目(61105061);中央高校基本科研业务费专项资金项目(11NZYTD04);中央高校基本科研业务费专项资金项目(11NZYBS08)

摘　　要：传统神经网络优化算法相对于其它优化算法,具有求解精度高的优点,但也存在收敛速度慢、耗时长的问题.神经网络同步更新迭代算法相比异步迭代方式,一般执行效率更高,也更利于结合并行计算技术来提高算法效率.GPU通用计算作为并行技术发展的代表之一,在并行处理能力上对同时期的多核CPU更具优势.采用层竞争神经网络模型可以用于解决特征绑定问题.通过图像分割实验结果表明,基于GPU通用计算的同步更新层竞争算法,比基于CPU计算的同类算总体效率更高.Compared with other optimization methods, neural networks always have better precision but are also time-consuming. With the advantage of parallel computing, synchronous update mode of neural networks can be used to peruse better performance instead of asynchronous update mode. In this paper, a synchronous competitive layer model （SCLM） method is implemented in two different ways： General Purpose GPU computing, and CPU computing. From the image segmentation results, it can be concluded that General Purpose GPU can efficiently increase the performance of SCLM method.

关 键 词：递归神经网络 并行计算 层竞争 图像分割 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]