[发明专利]雷达信号分选中利用GPU加速决策树训练的方法

说明书

本发明提供了一种雷达信号分选中利用GPU加速决策树训练的方法，解决了雷达信号分选中决策树训练时间过长，实时性差问题。包括以下步骤：获取雷达信号特征向量数据；配置决策树参数；配置GPU，训练加速决策树；测试加速决策树，验证分选准确率及加速比；将训练完成并优化后的整棵加速决策树模型送入雷达侦察设备中，进行雷达信号分选。本发明采用了多维度的雷达特征，得到更加完善的训练模型，提高雷达信号分选准确性；相比于现有并行决策树，本发明在GPU端采取合理的内存分配，线程调度，并对核函数进行指令优化，缩短运行时间，提高实时性；本发明基于CUDA体系和VS平台开发，利用C++语言进行模块化设计，易于扩展和移植。

技术领域

本发明属于雷达侦察信号处理技术领域，主要涉及利用CUDA架构加速决策树实现雷达信号分选，具体是一种雷达信号分选中利用GPU加速决策树训练的方法，主要用于缩短雷达信号分选中决策树算法的训练时间。

背景技术

雷达设备的大量应用，使得雷达侦察设备面临的电磁威胁环境信号密度达到数百万个数量级；同时，现代雷达为了提高其性能和抗干扰的需要，经常采用各种复杂的波形设计来最小化信号分选和识别中使用的信号特征规律性，再加上低截获概率(LPI)技术，这些都对雷达信号分选的准确性，可靠性，实时性提出了更高的要求。

GPU的单指令多数据流(Single Instruction Multiple Data，缩写为SIMD)处理模式可并行地对大规模数据进行同样的操作。由于市场驱动，GPU的发展速度大大超过了CPU的发展速度，近年发展的可编程功能为通用计算提供了高性价比运算平台，使得基于GPU的通用计算成为近年来研究热点之一；同时，CUDA所支持的语言是C/C++，所编写的程序在支持CUDA架构的GPU上以高性能运行。

决策树是一种树形结构，利用树形结构进行决策判定。相较于传统的雷达信号分选算法(CDIF，SDIF，PRI变换等)，决策树采用了多维度雷达特征，这可以建立一个更加完善的分选模型，使雷达信号分选准确性得到提升。

电子科技大学的朱旦奇2017年在其硕士论文“基于CUDA平台的机器学习算法GPU并行化的研究与实现”中，针对SPRINT决策树中性能消耗模块进行CUDA加速。该论文中存在树节点寻找“最佳”分割属性时消耗过多内存空间、线程之间通信频繁、影响训练时间以及大数据量下，决策树的加速比是否可以得到有效提升等技术问题。

现有技术中，针对雷达侦察信号处理中大数据量情况，雷达信号分选中对决策树采用GPU并行处理；上述论文验证了并行决策树是可行的，但在决策树构建过程中，GPU端中线程通信会消耗过多时间，属性列表的创建、拆分会消耗过多内存，属性列表没有根据属性值优化排序以及训练过程没有程序指令优化；上述问题会导致决策树的训练时间过长，进而影响雷达信号分选的时间和实时性。

发明内容

本发明的目的是针对现有技术存在的问题和不足，提出一种缩短训练时间，提高实时性的雷达信号分选中利用GPU加速决策树训练的方法。

本发明是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；