CN103197300A - 一种基于gpu的外辐射源雷达直达波杂波对消实时处理方法 - Google Patents

Abstract

本发明提出了一种基于GPU的外辐射源雷达直达波杂波对消实时处理方法，建立了一种高效的并行处理流程，提高了算法的实时处理能力。第一步、信号分段并行处理；将T秒待处理信号进行分段；第二步：采用BLMS方法对第一步并行处理后的各段信号进行对消处理；第三步：采用GPU对第一步处理后的各段信号进行并行处理，各段内数据处理采用多线程计算FFT，对输出结果去除重叠区域并进行拼接，同时输出最后一块数据的滤波器系数，作为后续数据处理的初始权系数；第四步：将迭代最终获得的滤波器系数w(n)作为下1秒数据的初始滤波器权值，即对第一段数据迭代K次，对后续数据仅需要对数据处理一次即可。

Description

一种基于GPU的外辐射源雷达直达波杂波对消实时处理方法

技术领域

本发明是一种基于GPU的外辐射源雷达直达波杂波对消实时处理方法，涉及外辐射源雷达（PBR）信号处理领域，具体涉及到杂波抑制及其实时信号处理。

背景技术

在外辐射源雷达信号处理领域，由于辐射源并非专门按照雷达的处理需求设计，造成了雷达回波信号中存在很强的直达波、杂波。由于接收信号不可控，且广播、电视等外辐射源天线下视，会造成直达波、杂波往往高于信号60～140dB，在经过相干匹配后仍然有很强的旁瓣，会淹没远距离和低速目标，因而直达波、杂波抑制是PBR雷达面临的核心技术问题之一。在PBR体制雷达系统中，采用参考天线接收直达波信号，用于杂波抑制及PCL（被动相干）处理。其中，直达波、杂波抑制算法主要包括CLEAN算法、自适应滤波算法、空域对消算法等。由于外辐射源雷达常用于预警系统，对于实时处理能力要求很高，而直达波、杂波抑制作为外辐射源雷达信号处理领域的关键技术，其实时信号处理能力对系统性能起到至关重要的作用。随着图形处理器GPU在通用计算领域的发展，基于GPU的这一新型计算平台的并行处理算法为外辐射源雷达实时信号处理领域提供了新的解决方案。

目前国内外的外辐射源雷达系统多采用自适应滤波算法，其杂波抑制性能较高，且运算量较低，但需要通过逐点迭代处理的方式，较难实现并行处理，对于较长时间、较高采样率的数据，难以满足实时处理需求。因而需要设计适合于并行处理的杂波抑制算法，本发明设计了一种优化的杂波处理流程，采用并改进适合并行处理的杂波抑制方法，利用GPU解决方案加速，以达到实时处理要求。近年来，杂波抑制的首选方法为变步长NLMS，特别是针对数字电视信号的外辐射源雷达，由于NLMS算法较SIM、CLEAN、格型滤波Lattice算法等计算量小，较LMS算法收敛速度快，不存在噪声放大现象，因而得到广泛应用。采用NLMS方法，需要顺序迭代，每次迭代依赖于前一次迭代处理的结果，不适于并行计算，无法采用GPU加速。以基于DTTB数字电视信号的外辐射源雷达为例，9MHz采样率下对消1s数据，采用3次NLMS自适应迭代（保证实际系统中算法稳定性），滤波器阶数为1000阶时，CPU计算时间约为44s，远无法满足实时要求。NLMS算法迭代公式如下：

e(n)＝d(n)-s(n)

d(n)＝u^H(n)w(n)

$w(n+1)=w\left(n\right)+\frac{\mathrm{\μ}}{{\left|\right|u\left(n\right)\left|\right|}^2+\mathrm{\ϵ}}u\left(n\right)e^{*}\left(n\right)$

其中，u(n)为参考信号，s(n)为回波信号，w(n)为滤波器权值，e(n)为误差信号，u为迭代步长，为算法输入数据，ε为一个小的常量。步长选择需满足：

输出的e(n)序列为对消后结果。为保证算法实际处理的稳定性，常采用多次迭代，采用变步长算法，以得到较高的杂波抑制比（CR，对消前后信号能量比值，用于衡量算法对消效果）。

在杂波抑制算法的实时处理方面，Mattew John,Inggs Michael及Petri提出了基于GPU方案快速实现的NLMS方法，基于GPU的运算特点对代码进行了优化[Real time processing ofnetworked passive coherent location radar system]，加速比在8～9之间。而M.Bernaschi,A.DiLallo,R.Fulcoli等人提出了基于CPU与GPU组合应用的信号处理实时处理方法[Combined Use of Graphics Processing Unit(GPU)and Central Processing Unit(CPU)for passive radar signal&data elaboration]，以CPU实现GAL+NLMS算法，与采用GPU计算相干积累、恒虚警检测等相结合实现处理流程。文中通过将信号分段对消，以达到CPU多线程并行处理的目的。

上述研究方案，虽然采用一些优化方法，从数据处理结构或实现方法上对传统方案进行了改进，从一定程度上提高了直达波、杂波抑制算法的速度，但加速比仍然有限，且对于长积累时间，较高采样率的数据仍然难以满足实际应用的需求，因而现有处理方法适用范围较小，实时处理能力仍有待提高。上述技术方案存在以下几个缺点：

对2¹⁸采样点数据分16段时需要50ms，当分段数目过高时，直达波、杂波抑制能力会存在严重的损失。而对于前文所述数据量处理，仍然难以满足高实时性的需求。

1）第一种方案，基于GPU平台，但由于方案中采用传统NLMS方法，并没有从根本上改变算法需要逐点迭代的特点，实际上仍然难以有效地利用GPU资源。对于2048K采样点的数据，若选择200阶滤波器，对消时间在2s以上。仍然不能满足实时性需要。

2）第二种方案，采用CPU多线程实现，虽通过分段方式实现了并行处理，但由于当分段数目过高时，直达波、杂波抑制能力会存在严重的损失，而影响信号的相干积累及检测，因而分段数目有限，造成了算法并行能力有限。且对于2¹⁸采样点数据分16段时需要50ms对消时间。而对于前文所述数据量（9M）的处理，仍然难以满足高实时性的需求。

3）上述两种方案未考虑通过减少迭代次数，降低运算量以减少处理时间，且同时保证杂波抑制能力的方法。因而，对于需要重复迭代次数较高的背景环境，运算量会更大。实际中为保证系统及算法的稳定性，维持杂波抑制能力，往往需要多次重复迭代计算。

总之，现有技术方案在实时处理能力、稳定性及计算资源的利用率上均有待提高，同时还要保证杂波抑制能力损失较小。

发明内容

本发明提出了一种基于GPU的外辐射源雷达直达波杂波对消实时处理方法，建立了一种高效的并行处理流程，提高了算法的实时处理能力。

本发明的技术方案如下：

该一种基于GPU的外辐射源雷达直达波杂波对消实时处理方法，包括以下步骤：

第一步、信号分段并行处理；将T秒待处理信号ref(n),echo(n)进行分段：

ref_i(n)＝ref(n+(i-1)*N)，i＝1，2，···，M，MN＞L

echo_i(n)=echo(n+(i-1)*N)，i＝1，2，···，M，MN＞L

其中，ref(n),echo(n)分别为参考信号和待处理的回波信号，L为待处理信号总长度，对1s数据，9MHz采样率，L=9e⁶，M为分段数目，N为各段长度；

并行处理后并行进行下面第二步、第三步；

第二步：采用BLMS方法对第一步并行处理后的各段信号ref_i(n)和echo_i(n)进行对消处理；

第三步：采用GPU对第一步处理后的各段信号进行并行处理，各段内数据处理采用多线程计算FFT，对输出结果去除重叠区域并进行拼接，同时输出最后一块数据的滤波器系数，作为后续数据处理的初始权系数；

第四步、将第二、三步的处理方法重复处理K次后，其中K为预设整数值，即获得了第1个T秒数据的迭代结果；将迭代最终获得的滤波器系数w(n)作为下1秒数据的初始滤波器权值，即对第一段数据迭代K次，对后续数据仅需要对数据处理一次即可。

第一步中分段时各段间选取长度为l的数据重叠区域，保证在对消后拼接数据时不存在跳变点。

第四步中重复处理K次时，每次采用不同步长u，以保证得到较高杂波抑制比。

本发明的有益效果：

1）改进了算法结构和处理流程，设计了新的处理流程，改用了可并行处理的直达波、杂波抑制算法，可以更加有效利用资源，采用GPU进行加速，具有更高加速比，能够满足实时处理需求，同时杂波抑制性能能够得到保证。

2）通过优化处理流程，降低了所需重复迭代次数，进一步降低了对消所需的运算量，节约资源，提高实时处理速度。利用已经计算完成的数据，优化初始滤波器权值的选择，从而降低了计算量。

附图说明

图1一种基于GPU的外辐射源雷达杂波对消实时处理方法技术流程图。

具体实施方式

下面结合实际数据的处理实例验证本发明的优点。

如图1所示，本发明的技术方案包括如下步骤：

将接收机采集数据按积累时间T秒进行处理，对每T秒数据进行以下步骤处理，

1）对信号分段并行处理。

为提高并行处理能力，将积累时间T内的待处理信号ref(n),echo(n)分段：

ref_i(n)＝ref(n+(i-l)*N)，i＝1，2，···，M，MN＞L

echo_i(n)＝echo(n+(i-1)*N)，i＝1，2，···，M，MN＞L

其中，ref(n),echo(n)分别为参考信号和待处理的回波信号，L为待处理信号总长度，对1s数据，9MHz采样率，L=9e⁶，M为分段数目，N为各段长度。针对不同外辐射源信号及不同采样率，需在满足能够保证LMS方法收敛的情况下合理选取M的取值。以上述DTTB数字电视信号而言，M不高于16为宜，本发明选择示例中选用M=8，以保证由分段降低了迭代次数，而引起的对消损失，能够控制在1dB以内。

分段时各段间可选取长度为l的数据重叠区域，以保证算法在对消后拼接数据时不存在跳变点，通常l可取与滤波器阶数等长。

对分段后数据并行进行第2～3步处理。

2）各段对消采用BLMS方法

对各段信号ref_i(n)和echo_i(n)采用BLMS对消[Block Implementation of Adaptive DigitalFilters,Gregory A.Clark,Sanjit K.Mitra,Sydney R.Rarker]，为适于在GPU中并行处理，本发明采用频域自适应滤波算法，逐步迭代。

依据雷达照射区域内的杂波范围选取滤波器阶数L_w，本例中取L_w=2048，为适于GPU并行加速，应选择滤波器阶数为2的幂次。将2L_w长度参考信号与补零一倍的滤波器系数变换至频域，表示为X(f),W(f)。在频域滤波得到频域输出Y(f)=X(f)*W(f)，对时域信号y(n)=ifft(Y(f))，与对应长度的回波信号相减，取后L_w个点作为误差信号e(n)。计算误差信号频域表示E(f)=fft(e(n))，得到控制滤波器权值更新的信号：

Φ(n)＝IFFT(X(f)*Conj(E(f)))

对后L_w个点置零，变换至频域得到Φ(f)。

对权值迭代更新：

W_j+1(f)＝W_j(f)+uΦ(f)

得到时域w_j+1(n)＝ifft(W_j+1(f))。取前L_w个点为更新的滤波器权值。

上述过程针对BLMS方法采用频域对消，便于使用FFT计算，进而可采用GPU对其加速，另外分块LMS方法本身一次迭代中会获得多个点的滤波器输出，提高了计算效率，降低了迭代次数。

3）对前两步中的方法，采用GPU对各段数据并行处理优化，各段内数据处理采用多线程计算FFT，以达到加速的目的。实现过程中对数据结构进行了优化，使之适用于多段并行处理。运用零拷贝内存对数据传输进行优化。进行了指令集优化，减少运算时间。运用内核合并、共享内存等操作对数据处理进行了优化，并对各段数据采用单块GPU同时实现。

对输出结果去除重叠区域并进行拼接，同时输出最后一块数据的滤波器系数，作为后续数据处理的初始权系数。

4）采用前一次计算出滤波器权值，用于处理后一次数据，以减少迭代次数。

对于第3步处理结果，重复处理K次（采用不同步长u，以保证算法稳定，得到较高杂波抑制比）后，即获得了第一段数据的迭代结果。K的选择需根据杂波分布场景等实际需求决定，本例中K取3。将迭代最终获得的滤波器系数w(n)作为下一段数据的初始滤波器权值，作为对最优滤波器阶数的估计值，可以在保证算法收敛性能的同时，降低迭代次数。即对第一段数据迭代K次，对后续数据仅需要迭代1次即可得到很好的收敛效果。重复第1～3步。

下面通过实际数据的处理实例来验证本发明的优点。我们采用机场附近实验测量的数据进行了处理和分析，对计算速度、杂波抑制效果进行了分析验证。实验以DTTB数字电视信号为外辐射源，采样率为9MHz，载波频率为674MHz，单次处理积累时间为1s的数据，不分段情况下结果与分8段并行实现并采用GPU优化的处理结果，同传统NLMS算法比较，对消时间及效果如表1所示，其中循环迭代次数为3次。实验表明本发明所述方法的处理时间能够满足实际应用的需求，不进行方法的最后一步，即不利用前一个积累时间T处理后获得的滤波器权系数处理后1秒数据时，已经可获得较高加速比，从杂波抑制比来看，算法不引入严重的抑制能力损失，是一种适于实际应用的杂波对消算法。采用最后一步处理，即对采用前1s权值,处理后1s结果时处理结果表明运算时间得到了进一步缩减，加速比进一步提高，且能够保证处理效果。表2中是对本文方法获得的杂波抑制比与NLMS方法比较，表明采用本文方法优化和加速后，仍然具有很好的杂波抑制效果。表3中是对二维相干处理数据，检测目标信噪比对比的结果，表面算法在整个信号处理流程中的正确性。

表1

采用第4步所述方案，对后续处理数据，1/8s耗时0.101s，1s（不分段）耗时0.751s，1s(分8段并行处理)耗时0.133s，加速比可进一步提高至674.92。

其中GPU与CPU间数据传输较耗时，实际应用中杂波对消结果无需传出GPU，可直接用于后续处理，此时运算时间可进一步缩短。因此本发明方法可以满足实时需求。

表2

	NLMS方法杂波抑制比	本发明方法杂波抑制比
			第1s	15.882150dB	15.618569dB
第2s	15.783403dB	15.230876dB
			第5s	16.058398dB	15.465971dB

表3

	NLMS方法信噪比	本发明方法信噪比
			第1s	20.2163dB	19.7595dB
第2s	22.8357dB	22.3275dB
			第5s	21.4698dB	21.1049dB

Claims (4)

1.一种基于GPU的外辐射源雷达直达波杂波对消实时处理方法，其特征在于，包括以下步骤：

第一步、信号分段并行处理；将T秒待处理信号ref(n),echo(n)进行分段：

ref_i(n)＝ref(n+(i-1)*N)i＝1，2，···，M，MN＞L

echo_i(n)=echo(n+(i-1)*N)，i＝1，2，···，M，MN＞L

其中，ref(n),echo(n)分别为参考信号和待处理的回波信号，L为待处理信号总长度，对1s数据，9MHz采样率，L=9e⁶，M为分段数目，N为各段长度；

并行处理后并行进行下面第二步、第三步；

第二步：采用BLMS方法对第一步并行处理后的各段信号ref_i(n)和echo_i(n)进行对消处理；

第三步：采用GPU对第一步处理后的各段信号进行并行处理，各段内数据处理采用多线程计算FFT，对输出结果去除重叠区域并进行拼接，同时输出最后一块数据的滤波器系数，作为后续数据处理的初始权系数；

第四步、将第二、三步的处理方法重复处理K次后，其中K为预设整数值，即获得了第1个T秒数据的迭代结果；将迭代最终获得的滤波器系数w(n)作为下1秒数据的初始滤波器权值，即对第一段数据迭代K次，对后续数据仅需要对数据处理一次即可。

2.如权利要求1所述的一种基于GPU的外辐射源雷达直达波杂波对消实时处理方法，其特征在于，第一步中分段时各段间选取长度为l的数据重叠区域，保证在对消后拼接数据时不存在跳变点。

3.如权利要求1或2所述的一种基于GPU的外辐射源雷达直达波杂波对消实时处理方法，其特征在于，第四步中重复处理K次时，每次采用不同步长u，以保证得到较高杂波抑制比。

4.如权利要求1或2所述的一种基于GPU的外辐射源雷达直达波杂波对消实时处理方法，其特征在于，第一步和第二步中采用GPU对各段数据并行处理优化，各段内数据处理采用多线程计算FFT，达到加速的目的。