[发明专利]基于多GPU协同交互数据流组织的高光谱图像快速分类法

权利要求书

1.一种基于多GPU协同交互数据流组织的高光谱图像快速分类法，其特征在于，包括以下步骤：

步骤1，读取高光谱图像训练数据与测试数据，将这些数据绑定为页锁定内存；

步骤2，通过基于多GPU流同步的稀疏多项式逻辑回归快速计算法计算最大似然概率矩阵，提取出高光谱图像的光谱信息；

步骤3，使用基于多GPU变量划分的加权马尔科夫场空间先验快速计算法提取高光谱图像空间信息，并计算边际概率矩阵；

步骤4，根据边际概率矩阵求得测试数据的预测标签，得到最终分类结果。

2.根据权利要求1所述的基于多GPU协同交互数据流组织的高光谱图像快速分类法，其特征在于，步骤2具体为：

输入：训练样本A∈R^L×J，训练样本标记Y＝(y₁,…,y_J)∈R^1×J，测试样本X∈R^L×N，L为波段数，J为训练样本数，N为测试样本数；

初始化：设置更新变量α＞0，更新变量β＞0，更新变量λ＞0，当前迭代次数t初始化为0，最大迭代次数T，类别标记图Y∈R^K×J，h(x)为RBF核函数，K是图像包含的类别总数；

步骤2.1，两个GPU分别调用核函数ymax_kernel进行块内线程规约，并将各自结果传回CPU，在CPU中求出Y中的最大值m，并完成矩阵U的计算，1＝[1,1,...,1]^T；调用cusolverDnDsyevd函数对U进行特征值分解；

步骤2.2，由GPU0调用核函数cumatMult_temp1_kernel计算得到Rx和temp1，temp1＝Rx+αI，然后调用核函数cumatMult_temp2_kernel求解得

步骤2.3，由GPU0调用cuSolver库函数求解w的初值ω⁰并对Rx进行特征值分解，ω⁰＝temp1\temp2；

步骤2.4，由GPU0调用核函数cumatMult_Stemp_kernel计算temp3＝1·diag(Dr).Du，Dr为对Rx进行特征值分解后特征值所构成的对角矩阵，Du为对U进行特征值分解后特征值所构成的对角矩阵，diag(Dr)表示取Dr的主对角元素；然后每个GPU分别调用核函数s_kernel求解得s，s＝1./(temp3-β1·1^T)；

步骤2.5，首先由GPU0调用核函数cumatMult_aux1_kernel计算exp表示取指数，然后每个GPU分别调用b_kernel求解出aux2＝1+sum(aux1,1)；

步骤2.6，由GPU0调用核函数cumatMult_Ztemp_kernel和cublasDgemm函数来完成对的计算，其中p＝aux1./(1·aux2)，v为迭代过程中间变量，初始化为ω⁰，b为布雷格曼矢量，初始化为0；

步骤2.7，由GPU0调用cublasDgemm完成矩阵乘法，每个GPU调用w_kernel函数完成点乘计算；

步骤2.8，每个GPU调用Soft_kernel函数完成对ω^t+1，v^t+1和b^t+1的并行更新计算，ω^t+1＝Ur·ω^t·Uu^T，Ur为对Rx进行特征值分解后特征向量的集合，Uu为对U进行特征值分解后特征向量的集合，v^t+1＝soft(ω^t+1-b^t,λ/β),b^t+1＝b^t-(ω^t+1-v^t+1)，

步骤2.9，更新β＝1.05*β，每个GPU调用s_kernel函数来完成对s的并行计算；

重复步骤2.5-步骤2.9，如果t＞T，则循环结束，否则t＝t+1；

步骤2.10，每个GPU分别调用p_addCols_kernel函数求得p_SMLR，

i∈[1,N],k∈[1，K]，w^(k)表示w的第k列，

输出：测试样本X的最大似然概率矩阵p_SMLR。