面向CASA的HuWang模型算法的并行实现

论文摘要

计算听觉场景分析(CASA)试图利用计算机技术通过对人类听觉心理过程及听觉生理机能的模拟,最终使计算机具备像人耳那样处理声音(分离并解释)的能力,这是一项新兴的研究课题。前人关于计算机处理声音的研究,都是以自动语音识别为中心的,在实验环境下,自动语音识别技术已经较为成熟,然而在真实环境中,由于噪声干扰,自动语音识别率较低。现在很多研究人员注意到现在的以HMM统计模型为主要框架的计算机语音识别系统与人类听觉系统之间的差异很大。这一差距引起了人们对人类听觉系统原理研究的兴趣,成为计算听觉场景分析课题的主要推动因素。HuWang模型算法是计算听觉场景分析的经典算法,其主要思想是分别对低频区和高频区采用不同的分离方法,整个模型系统分多个阶段。算法的主要问题是运行速度慢,不能在实际中使用,因此需要对算法进行加速改进。本课题选择单声道语音处理的HuWang模型代码的CPU实现,并使用CUDA语言对它进行改进,取得了很好的加速效果。本论文主要以介绍HuWang模型算法的加速技术为主,分别介绍了计算听觉场景分析,GPU并行计算CUDA技术,为后面的CUDA代码移植作铺垫。在最后,对算法的性能和结果作测试。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 CASA介绍
• 1.3.1 CASA的基本依据
• 1.3.2 CASA分类
• 1.4 论文研究的内容
• 1.5 论文组织结构
• 第二章 CUDA并行计算技术介绍
• 2.1 从GPU到CUDA
• 2.2 CUDA的优势
• 2.3 CUDA编程模型
• 2.3.1 内核
• 2.3.2 线程层次
• 2.3.3 存储器层次
• 2.3.4 异构编程
• 2.3.5 计算能力
• 2.4 CUDA硬件特征
• 2.4.1 束（warp）
• 2.4.2 硬件多线程
• 第三章 HuWang模型的算法实现
• 3.1 算法的步骤
• 3.2 算法的数据结构
• 3.3 全局变量
• 3.4 本章小结
• 第四章 HuWang模型的并行加速算法
• 4.1 算法并行度分析
• 4.2 显存数据结构
• 4.3 并行实现
• 4.3.1 CUFFT库的使用
• 4.3.2 并行求和算法
• 4.3.3 页锁定和write-combined内存
• 4.3.4 线程block的规模选择
• 4.3.5 共享存储器的使用
• 4.3.6 常数存储器的使用
• 4.3.7 显存的合并访问
• 4.3.8 通道的并行
• 4.3.9 帧的并行
• 4.3.10 实现的细节问题
• 4.4 本章小结
• 第五章 算法测试
• 5.1 软硬件平台
• 5.2 测试语音
• 5.3 编译环境
• 5.4 执行时间比较
• 5.4.1 串行代码与并行代码
• 5.4.2 通道加速对并行代码的影响
• 5.4.3 常数存储器对并行代码的影响
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢