[发明专利]基于GPU的多层水体光子传输半解析蒙特卡洛仿真方法

说明书

本发明提供一种基于GPU的多层水体光子传输半解析蒙特卡洛仿真方法，包括：在CPU的内存中分配固定的输入输出数据储存空间；在GPU的显存中分配固定的输入输出数据储存空间；将在CPU端赋初值的参数数组输入GPU；在GPU端进行并行光子计算；在GPU中对接收到的能量进行记录，并进行累加；所有光子都湮灭或逸出边界后，将记录数组从GPU输出到CPU端，使用CPU对记录数组进行统计绘图，输出不同散射次数的回波信号强度与深度的变化情况，获得最终仿真结果。本发明通过对多层水体光子传输半解析蒙特卡洛模型使用GPU并行运算，提高了多层水体光子传输半解析蒙特卡洛仿真的计算速度。

技术领域

本发明涉及激光雷达技术领域，尤其涉及一种基于GPU的多层水体光子传输半解析蒙特卡洛仿真方法。

背景技术

蒙特卡洛方法是一种常用的数学方法，可以用于仿真多种物理过程。用于弹性激光雷达多次散射模拟的蒙特卡洛模型假设光子只有粒子性而忽略光的波动性，认为激光在水体中的传输路径由许多完全随机的光子轨迹构成。对于半解析蒙特卡洛模型而言，其与标准蒙特卡洛模型主要的不同在于在半解析蒙特卡洛模型中，能量的接收发生在所有满足激光雷达接收器的孔径和视场角条件的散射事件中，而不是最终能够返回接收器的非常少的光子，因此，半解析蒙特卡洛模型显著降低了数据的统计不确定性，使用较少的光子就能获得较高的仿真可靠性。

目前多层水体光子传输半解析蒙特卡洛仿真主要采用CPU进行运算，虽然基于CPU的仿真算法成熟，可选的编程环境也很多，但是由于CPU更注重指令运算，并行运算能力不足，所以采用CPU对多层水体光子传输半解析蒙特卡洛模型进行仿真往往需要耗费大量的时间。而GPU以图形类数值计算为核心，虽然GPU执行每个数值计算的速度并没有比CPU快，但是GPU可以容纳上千个数值计算线程，这使GPU相较于CPU更适合处理数据密集型的计算任务。多层水体光子传输半解析蒙特卡洛模型中包含大量数据密集型的计算，因此，使用GPU对多层水体光子传输半解析蒙特卡洛模型进行仿真能够提高模型仿真速度。目前民用级别的GTX1080显卡，可实现9T次每秒的浮点运算能力，比intel core i7运算能力高10倍以上，因此，基于GPU的多层水体光子传输半解析蒙特卡洛仿真方法具有很大优势。

发明内容

本发明在于克服现有技术的不足，提供一种基于GPU的多层水体光子传输半解析蒙特卡洛仿真方法，通过对多层水体光子传输半解析蒙特卡洛模型使用GPU并行运算，提高了多层水体光子传输半解析蒙特卡洛仿真的计算速度，同时，使用CPU对GPU输出的记录数组进行统计，可以获得不同散射次数的回波信号强度与深度的变化情况。

本发明采用如下技术方案：

一种基于GPU的多层水体光子传输半解析蒙特卡洛仿真方法，包括：

S101，在CPU的内存中分配固定的输入输出数据储存空间；

S102，在GPU的显存中分配固定的输入输出数据储存空间；

S103，在CPU端对输入参数赋初值，并将初值传入GPU端；所述输入参数包括水体状态参数、光子初始状态参数和其它配置参数；

S104，在GPU端进行并行光子计算；

S105，记录接收能量及接收深度；

S106，判断所有光子是否都完成模拟，如果否，重复对所述输入参数赋初值，并将初值传入GPU端，如果是，累计记录结果并传回CPU端；

S107，在CPU端对记录结果进行统计绘图，输出不同散射次数的回波信号强度与深度的变化情况，获得最终仿真结果。

优选的，在CPU的内存中分配输入输出数据储存空间的函数为Malloc；在GPU的显存中分配输入输出数据储存空间的函数为cudaMalloc；将CPU端所赋初值传入GPU端所使用的函数为cudaMemcpy。