[发明专利]雷达信号分选中利用GPU加速决策树训练的方法

权利要求书

1.一种雷达信号分选中利用GPU加速决策树训练的方法，其特征在于，包括有如下步骤：

步骤1，获取雷达信号特征数据：在CPU端首先从雷达侦察系统中获取雷达的信号特征向量数据，每个特征向量包含P个特征，分为雷达的训练集和测试集，训练集共有N条数据，测试集共有N₁条数据，并初始化GPU端环境；

步骤2，配置决策树参数：在CPU端设置决策树的深度，基尼系数限定值参数；在GPU端根据训练集特征向量的个数和训练集数据精度开辟相应的显存，将雷达信号分选的训练集逐一拷贝到开辟好的GPU显存中；

步骤3，配置GPU，训练加速决策树：在GPU端使用一维线程索引分配CUDA线程的网格Grid和线程块Block的大小；在GPU端用雷达信号训练集训练决策树，在训练过程中循环迭代执行创建雷达分类的属性列表，寻找“最佳”分割属性和分割点，拆分雷达分类的属性列表，树节点生成操作，并对循环迭代操作中的核函数采用最佳线程调度，全局内存与共享内存合理运用，代码指令优化进行加速；在较短时间内生成加速决策树，并将加速决策树逐一传送至CPU内存中；

步骤4，测试加速决策树，验证分选准确率及加速比：将已读取的测试集数据依次输入到加速决策树中，验证雷达测试集信号分选准确率，若大于预定准确率，则保留整棵加速决策树，用于雷达信号分选；若小于预定准确率，则对加速决策树进行后剪枝优化操作，使其得到优化后的最优加速决策树，用于雷达信号分选；并验证加速决策树与原决策树的加速比；

步骤5，利用加速决策树进行雷达信号分选：在CPU端将训练完成的整棵加速决策树或优化后的最优加速决策树传送至雷达侦察设备中，利用加速决策树进行雷达信号分选。

2.根据权利要求1所述的雷达信号分选中利用GPU加速决策树训练的方法，其特征在于，步骤2所述的配置决策树参数包括有以下步骤：

2.1设置决策树参数：在CPU中设置决策树的深度D、基尼系数限定值Gini；对从雷达信号训练集中读取到的N×P维数据和N个雷达标签，使用cudaMalloc函数开辟相应的GPU显存空间；

2.2训练集数据拷贝，使用cudaMemcpyHostToDevice函数和cudaMemcpy函数，将N×P维的雷达信号特征向量数据从CPU端拷贝至GPU端。

3.根据权利要求1所述的雷达信号分选中利用GPU加速决策树训练的方法，其特征在于，步骤3配置GPU，训练加速决策树包括有以下步骤：

3.1初始化属性列表显存：根据步骤2读取的P个雷达特征，使用cudaMalloc函数初始化决策树的属性列表显存，属性列表包括有属性值列表，类标签列表和划分值列表；

3.2创建属性列表：在GPU端，根据雷达训练数据集的大小，划分线程组织的网格Grid和线程块Block的大小，每一个线程完成一组雷达信号分选训练集属性列表的创建；调用cudaThreadSynchronize函数保持线程块内线程同步；

3.3雷达训练集属性列表排序：调用Thrust库中的stable_sort_by_key函数根据雷达训练集属性列表中的属性值对属性列表进行排序；

3.4生成加速决策树：主要包括初始化树根节点，在根节点处根据属性列表寻找分裂点，以及拆分属性列表，填充树节点，递归迭代直至生成加速决策树，并在生成加速决策树过程中对所有代码指令都进行整体优化；

3.5保存加速决策树：调用cudaMemcpyDeviceToHost函数将步骤3.4生成的加速决策树数据从GPU端传送至CPU端，并且调用cudaFree函数清除GPU端显存。