CN103226648A - 基于gpu架构的分段归一化最小均方误差杂波对消方法 - Google Patents
基于gpu架构的分段归一化最小均方误差杂波对消方法 Download PDFInfo
- Publication number
- CN103226648A CN103226648A CN2013100905697A CN201310090569A CN103226648A CN 103226648 A CN103226648 A CN 103226648A CN 2013100905697 A CN2013100905697 A CN 2013100905697A CN 201310090569 A CN201310090569 A CN 201310090569A CN 103226648 A CN103226648 A CN 103226648A
- Authority
- CN
- China
- Prior art keywords
- clutter
- gpu
- signal
- offsets
- equipment end
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于GPU架构的分段归一化最小均方误差杂波对消方法,主要解决传统基于CPU架构的自适应杂波对消处理难于实现并行和实时处理的问题。其实现步骤为:在CPU主机端对杂波对消的参数进行初始化,将杂波对消的数据分成两段,分别传输至不同的图形处理器GPU显存中;两块GPU对归一化最小均方误差NLMS杂波对消处理涉及到的所有运算进行并行加速,分别得到各自进行杂波对消后的数据;并把两段杂波对消后的数据传输至内存中,CPU将两段对消后的数据拼接成一段完整的数据继续后续的处理。本发明具有硬件平台搭建简单、稳定性好、运算速度快、精度高、数据扩展性强、易于开发的优点,可用于实际工程中杂波对消实时处理。
Description
本发明属于雷达技术领域,主要涉及杂波对消的实现方法,具体来说就是一种基于GPU架构的分段归一化最小均方误差杂波对消方法,可在数学仿真软件MATLAB和微软提供的软件集成开发平台Visual studio上,快速进行杂波对消。
技术背景
杂波对消广泛应用于各种信号处理系统中,特别是外辐射雷达信号处理系统。杂波抑制一般位于信号处理的前端,是整个信号处理中最重要的模块,杂波抑制的好坏直接影响着后续信号处理的性能高低。杂波对消处理的主要是强直达波、多径杂波干扰的问题,通过主、辅两个通道的信号相关来对消主通道中掺杂的杂波,理想的情况下,主通道中的杂波可以被完全抑制掉。
杂波对消主要有最小均方误差LMS、直接矩阵求逆SMI和递归最小二乘RLS三种方法。归一化最小均方误差NLMS属于最小均方误差LMS的升级方法,结构简单,运算量小,但难于进行实时对消处理,如何提高NLMS的处理速度是实现实时对消处理的一个关键问题。现有技术中,NLMS杂波对消是基于CPU架构实现的,杂波对消速度受到了硬件的限制,不能满足各种信号处理系统的需求。
发明内容
本发明的目的在于针对上述基于CPU架构的NLMS杂波对消的不足,提出一种基于GPU架构的分段归一化最小均方误差杂波对消方法,在不损失处理精度的情况下,实现杂波对消的实时处理,满足各种实时信号处理系统的需求。
本发明的技术思路是:把杂波对消分两段分别进行,利用图形处理器GPU强大的数据并行能力,对杂波对消中涉及到的矩阵运算进行并行加速,实现杂波对消的实时处理。
为实现上述目的,本发明方法包括如下步骤:
(1)在CPU主机端对归一化最小均方误差NLMS滤波器的参数进行初始化:
(1a)将雷达目标信号、杂波信号和噪声信号作为归一化最小均方误差NLMS滤波器主通道的接收信号sig;将杂波信号和噪声信号作为归一化最小均方误差NLMS滤波器辅助通道的接收信号ref,这两种信号sig、ref的数据长度S根据接收信号的采样率设定,并根据杂波强度设定杂波对消阶数值C;
(1b)把归一化最小均方误差NLMS滤波器主通道信号sig分为两段,记为sig1、sig2,把辅助通道信号ref分为两段,记为ref1、ref2;sig1、sig2、ref1、ref2数据长度均为S1,sig1和sig2及ref1和ref2重叠的数据长度均为L;
(1c)在CPU主机端分配杂波对消所需的内存、显存资源;
(1d)设归一化最小均方误差NLMS杂波对消分段后,杂波对消权向量w1C×1、w2C×1的初始值均为[00...00]C×1;
(1e)设杂波对消初始时刻迭代初值l1、l2均为0;
(1f)设归一化最小均方误差NLMS杂波对消分两段后,误差信号初始值分别为:e1=sig1、e2=sig2;
(1g)在CPU主机端,把主通道信号sig、辅助通道信号ref的数据加载到CPU内存中;
(2)在CPU主机端上创建两个杂波对消的工作线程;
(3)选择两块能支持计算统一设备架构CUDA的图形处理器GPU,并将两块图形处理器GPU与两个工作线程进行连接;
(4)分别确定调用一次图形处理器GPU内核函数所能计算出的数据点数M,调用GPU内核函数的次数N及分段后的数据长度S1;
(5)每个CPU工作线程在图形处理器GPU设备端加载各自分段后的主通道、辅助通道信号数据,分别存入sig1、ref1、sig2、ref2中,即:
sig1=sig[12...S1-1S1]S1×1,
ref1=ref[12...S1-1S1]S1×1,
sig2=sig[S1-L+1S1-L+2...S-1S]S1×1,
ref2=ref[S1-L+1S1-L+2...S-1S]S1×1;
(6)在两块图形处理器GPU设备端上,分别调用内核函数进行归一化最小均方误差NLMS杂波对消处理:
(6a)设两个内核函数的线程格grid均为(1,1),线程块block均为(C,1),其中,其中(1,1)表示内核函数由一个线程块block组成,(C,1)表示线程块block由C个图形处理器GPU线程组成;
(6b)在两块图形处理器GPU设备端上,分别设置各自迭代初值为:k1=0、k2=0;
(6h)在两块图形处理器GPU设备端上,分别更新各自的迭代值:k1=k1+1,k2=k2+1;
(7)重复迭代步骤(6c)~步骤(6h)共M次,在两块GPU设备端上,分别得到M点杂波对消后的误差信号数据,并存入e1、e2中的对应位置;
(8)在CPU主机端两个工作线程中分别更新各自的迭代值:l1=l1+1、l2=l2+1;
(9)重复迭代步骤(6)~步骤(8)共N次,在每个GPU设备端上,得到进行杂波对消后的误差信号e1、e2;
(10)将e1、e2的数据传输至CPU主机端内存中;
(11)设置CPU与GPU同步,等待两块GPU显存中的数据全部传输完成后,在CPU主机端上,将误差信号e1、e2拼接成长度为S的误差信号e并保存,保存后释放进行杂波对消所分配的内存、显存资源。
本发明与现有技术相比具有以下优点:
1)本发明将杂波对消分成两段同时进行,与不分段相比,提高了杂波对消的处理效率;
2)本发明将归一化最小均方误差杂波对消涉及到的所有运算,调度到两块图形处理器GPU上并行处理,实现了杂波对消的实时处理;
3)本发明由于采用了基于浮点运算能力大的GPU架构系统,与CPU相比,数据扩展性强;
4)本发明中的硬件平台易于搭建,与专业的信号处理板相比,降低了开发费用,缩短了开发周期。
附图说明
图1是本发明应用的自适应滤波器原理图;
图2是本发明的流程图;
图3是在对消阶数为128时,用本发明与CPU对仿真数据处理的时间对比图;
图4是本发明采用单精度浮点型对仿真数据处理与CPU处理的结果对比图;
图5是本发明采用双精度浮点型对仿真数据处理与CPU处理的结果对比图;
具体实施方式
参照图1,本发明应用的自适应滤波器是基于双通道实现的,其中一个通道为主通道,接收的信号包括目标信号、直达波信号、多径杂波信号和噪声信号,另一个为辅助通道,接收的信号包括直达波信号和噪声信号。主通道和辅助通道中的杂波信号必须相关才可以进行杂波对消,在对消时,用主通道的信号减去不同延时参考信号的加权和,就可以把主通道中的杂波干扰滤除掉,得到相对纯净的目标信号。
参照图2,本发明是基于GPU架构的分段归一化最小均方误差杂波对消方法,其实现步骤如下:
步骤1:在CPU主机端对归一化最小均方误差NLMS滤波器的参数进行初始化。
(1a)将雷达目标信号、杂波信号和噪声信号作为归一化最小均方误差NLMS滤波器主通道的接收信号sig;将杂波信号和噪声信号作为归一化最小均方误差NLMS滤波器辅助通道的接收信号ref,这两种信号sig、ref的数据长度S根据接收信号的采样率设定,并根据杂波强度设定杂波对消阶数值C;
(1b)把归一化最小均方误差NLMS滤波器主通道信号sig分为两段,记为sig1、sig2,把辅助通道信号ref分为两段,记为ref1、ref2;该sig1、sig2、ref1、ref2数据长度均为S1,其中,S/2<S1<S,sig1与sig2及ref1与ref2重叠的数据长度均为L;
(1c)在CPU主机端调用Windows API中的malloc()函数和计算统一设备架构CUDA中的cudaMalloc()函数,分配杂波对消所需的内存、显存资源;
(1d)设归一化最小均方误差NLMS杂波对消分段后,杂波对消权向量w1C×1、w2C×1的初始值均为[00...00]C×1;
(1e)设杂波对消初始时刻迭代初值l1、l2均为0;
(1f)设归一化最小均方误差NLMS杂波对消分两段后,误差信号初始值分别为:e1=sig1、e2=sig2;
(1g)在CPU主机端,把主通道信号sig、辅助通道信号ref的数据加载到CPU内存中。
步骤2:在CPU主机端上调用Windows应用编程接口API中的CreateThread()函数创建两个杂波对消的工作线程,这两个CPU工作线程在各自的数据集上并发执行,提高归一化最小均方误差NLMS杂波对消的处理速度。
步骤3:选择两块能支持计算统一设备架构CUDA的图形处理器GPU,两个CPU工作线程分别调用计算统一设备架构CUDA中的cudaSetDevice()函数将两块图形处理器GPU与两个工作线程进行连接,此后每个CPU工作线程就可以对各自的GPU进行调度。
步骤4:确定GPU杂波对消内核函数的工作参数。
(4a)根据关系式M=m×C+1,m=0,1,...,8,C表示杂波对消阶数的值,选择m确定调用一次GPU杂波对消内核函数所能计算出的数据点数M;
(4b)根据关系式M×N+C-1=S1和S/2<S1<S,N=1,2,...,S1-C+1,N表示调用GPU杂波对消内核函数的次数,选择一个N值,计算出分段后的数据长度S1。
步骤5:每个CPU工作线程在GPU设备端调用计算统一设备架构CUDA中的同步拷贝函数cudaMemcpy(),加载各自分段后的主通道、辅助通道信号数据,分别存入主通道的第一段信号sig1、辅助通道的第一段信号ref1、主通道的第二段信号sig2、辅助通道的第二段信号ref2中,即:
sig1=sig[12...S1-1S1]S1×1,
ref1=ref[12...S1-1S1]S1×1,
sig2=sig[S1-L+1S1-L+2...S-1S]S1×1,
ref2=ref[S1-L+1S1-L+2...S-1S]S1×1
步骤6:在两块图形处理器GPU设备端上,分别调用内核函数进行归一化最小均方误差NLMS杂波对消处理。
(6a)设两个杂波对下内核函数的线程格grid均为(1,1),线程块block均为(C,1),其中,其中(1,1)表示内核函数由一个线程块block组成,(C,1)表示线程块block由C个图形处理器GPU线程组成;
(6b)在两块图形处理器GPU设备端上,分别设置各自迭代初值为:k1=0、k2=0;
(6h)在第二块图形处理器GPU设备端上,利用辅助通道参考信号,分别计算步长因子μ2:
(6i1)在该块图形处理器GPU设备端上,计算中间矩阵:
(6i2)在该块图形处理器GPU设备端上,通过中间矩阵K1C×1,更新杂波对消权向量w1C×1中的C点权系数:
(6j1)在该块图形处理器GPU设备端上,计算中间矩阵:
(6j2)在该块图形处理器GPU设备端上,通过中间矩阵K2C×1,更新杂波对消权向量w2C×1中的C点权系数:
(6k)在两块图形处理器GPU设备端上,分别更新各自的迭代值:k1=k1+1,k2=k2+1;
步骤7:重复迭代步骤(6c)~(6k)共M次,在两块GPU设备端上,分别得到M点杂波对消后的误差信号数据,并存入e1、e2中的对应位置。
步骤8:在CPU主机端两个工作线程中分别更新各自的迭代值:l1=l1+1、l2=l2+1。
步骤9:重复迭代步骤(6)~步骤(8)共N次,在每个GPU设备端的显存中,得到进行杂波对消后的误差信号e1、e2。
步骤10:每个CPU工作线程在GPU设备端调用计算统一设备架构CUDA中的同步拷贝函数cudaMemcpy(),将e1、e2的数据传输至CPU主机端内存中。
步骤11:在CPU主机端调用同步函数cutWaitForThreads(),设置CPU与GPU同步,等待两块GPU显存中的数据全部传输完成后,在CPU主机端上,将误差信号e2中后S1-L点数据连接到误差信号e1的末尾,得到长度为S的误差信号:e=[e1[1...S1]e2[L+1...S1]]S×1,将误差信号e保存后,调用Windows应用编程接口API中的free()函数和统一设备计算架构CUDA中的cudaFree()函数,释放进行杂波对消所分配的内存、显存资源。
本发明的效果可通过以下仿真进一步说明:
1)实验条件:
在实验中,硬件平台选用HP Z820工作站,GPU显卡型号为NVIDA Telsa C2075,ntel Xeon多核处理器,Win7系统,软件平台为Visual Stdio2008+CUDA4.0和MATLAB2009b。
实验采用一帧外辐射源雷达的仿真数据,其中主通道中包括两个目标信号、直达波信号、多径信号和噪声信号,辅助通道中包括直达波信号和噪声信号,另外,主通道和辅助通道的数据量均为200000点复数数据。
2)实验内容及结果:
实验1,采用本发明提出的方法,在对消阶数C为128时,采用单精度浮点型float,对一帧外辐射源雷达的仿真数据进行杂波对消,滤除主通道中含有的直达波信号和多径信号。实验中,参数设置为:S1=118347,L=36694,C=128,m=2,M=257,N=460,α=0.6,β=0.1。在同样的条件下,分别进行30次重复实验,记录每次实验的运行时间,并与CPU处理的时间进行对比,实验结果如图3。
由图3可见,使用本发明提出的方法进行杂波对消的时间小于1秒,均显著小于CPU处理的时间,其中,使用单精度浮点型进行杂波对消的时间最短,平均加速比达到了20倍,而且处理时间很稳定,验证了本发明提出的方法具有良好的实时性、稳定性和加速性能。
实验2,采用本发明提出的方法,在对消阶数C为256时,采用单精度浮点型float,对一帧外辐射源雷达的仿真数据进行杂波对消后,将对消结果与CPU处理的结果进行对比,在实验中,参数设置为:S1=118475,L=36950,C=256,m=1,M=257,N=460,α=0.6,β=0.1,实验结果如图4。
图4可见,本发明使用单精度浮点类型进行杂波对消处理,与CPU杂波对消的结果相比,误差为10-6量级,验证了本发明所提出方法的正确性和高精度。
实验3,采用本发明提出的方法,在对消阶数C为256时,采用双精度浮点型double,对一帧外辐射源雷达的仿真数据进行杂波对消后,将对消结果与CPU处理的结果进行对比,在实验中,参数设置为S1=118475,L=36950,C=256,m=1,M=257,N=460,α=0.6,β=0.1,实验结果如图5。
由图5可见,本发明使用双精度浮点类型进行杂波相消,与CPU杂波对消的结果相比,误差为10-8量级,进一步验证了本发明所提出方法的正确性和高精度。
Claims (10)
1.一种基于GPU架构的分段归一化最小均方误差杂波对消方法,其特征在于包括如下步骤:
(1)在CPU主机端对归一化最小均方误差NLMS滤波器的参数进行初始化:
(1a)将雷达目标信号、杂波信号和噪声信号作为归一化最小均方误差NLMS滤波器主通道的接收信号sig;将杂波信号和噪声信号作为归一化最小均方误差NLMS滤波器辅助通道的接收信号ref,这两种信号sig、ref的数据长度S根据接收信号的采样率设定,并根据杂波强度设定杂波对消阶数值C;
(1b)把归一化最小均方误差NLMS滤波器主通道信号sig分为两段,记为sig1、sig2,把辅助通道信号ref分为两段,记为ref1、ref2;sig1、sig2、ref1、ref2数据长度均为S1,sig1和sig2及ref1和ref2重叠的数据长度均为L;
(1c)在CPU主机端分配杂波对消所需的内存、显存资源;
(1d)设归一化最小均方误差NLMS杂波对消分段后,杂波对消权向量w1C×1、w2C×1的初始值均为[00...00]C×1;
(1e)设杂波对消初始时刻迭代初值l1、l2均为0;
(1f)设归一化最小均方误差NLMS杂波对消分两段后,误差信号初始值分别为:e1=sig1、e2=sig2;
(1g)在CPU主机端,把主通道信号sig、辅助通道信号ref的数据加载到CPU内存中;
(2)在CPU主机端上创建两个杂波对消的工作线程;
(3)选择两块能支持计算统一设备架构CUDA的图形处理器GPU,并将两块图形处理器GPU与两个工作线程进行连接;
(4)分别确定调用一次图形处理器GPU内核函数所能计算出的数据点数M,调用GPU内核函数的次数N及分段后的数据长度S1;
(5)每个CPU工作线程在图形处理器GPU设备端加载各自分段后的主通道、辅助通道信号数据,分别存入sig1、ref1、sig2、ref2中,即:
sig1=sig[12...S1-1S1]S1×1,
ref1=ref[12...S1-1S1]S1×1,
sig2=sig[S1-L+1S1-L+2...S-1S]S1×1,
ref2=ref[S1-L+1S1-L+2...S-1S]S1×1;
(6)在两块图形处理器GPU设备端上,分别调用内核函数进行归一化最小均方误差NLMS杂波对消处理:
(6a)设两个内核函数的线程格grid均为(1,1),线程块block均为(C,1),其中,其中(1,1)表示内核函数由一个线程块block组成,(C,1)表示线程块block由C个图形处理器GPU线程组成;
(6b)在两块图形处理器GPU设备端上,分别设置各自迭代初值为:k1=0、k2=0;
(6f)在两块图形处理器GPU设备端上,利用k1+l1×M时刻和k2+l2×M时刻的辅助通道参考信号分别计算步长因子μ1、μ2;
(6h)在两块图形处理器GPU设备端上,分别更新各自的迭代值:k1=k1+1,k2=k2+1;
(7)重复迭代步骤(6c)~步骤(6h)共M次,在两块GPU设备端上,分别得到M点杂波对消后的误差信号数据,并存入e1、e2中的对应位置;
(8)在CPU主机端两个工作线程中分别更新各自的迭代值:l1=l1+1、l2=l2+1;
(9)重复迭代步骤(6)~步骤(8)共N次,在每个GPU设备端上,得到进行杂波对消后的误差信号e1、e2;
(10)将e1、e2的数据传输至CPU主机端内存中;
(11)设置CPU与GPU同步,等待两块GPU显存中的数据全部传输完成后,在CPU主机端上,将误差信号e1、e2拼接成长度为S的误差信号e并保存,保存后释放进行杂波对消所分配的内存、显存资源。
2.根据权利要求1所述的基于GPU架构的分段归一化最小均方误差杂波对消方法,其中步骤(4)所述的确定调用一次图形处理器GPU内核函数所能计算出的数据点数M,调用GPU内核函数的次数N及分段后的数据长度S1,按如下步骤进行:
(4a)根据关系式M=m×C+1,m=0,1,...,8,C表示杂波对消阶数的值,选择m确定调用一次GPU内核函数所能计算出的数据点数M;
(4b)根据关系式M×N+C-1=S1和S/2<S1<S,N=1,2,...,S1-C+1,选择一个N值,计算出S1。
10.根据权利要求1所述的基于GPU架构的分段归一化最小均方误差杂波对消方法,其特征在于所述步骤(11)中将误差信号e1、e2拼接成长度为S的误差信号e,将误差信号e2中后S1-L点数据连接到误差信号e1的末尾,得到长度为S的误差信号:e=[e1[1...S1]e2[L+1...S1]]S×1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310090569.7A CN103226648B (zh) | 2013-03-20 | 2013-03-20 | 基于gpu架构的分段归一化最小均方误差杂波对消方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310090569.7A CN103226648B (zh) | 2013-03-20 | 2013-03-20 | 基于gpu架构的分段归一化最小均方误差杂波对消方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103226648A true CN103226648A (zh) | 2013-07-31 |
CN103226648B CN103226648B (zh) | 2016-01-20 |
Family
ID=48837093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310090569.7A Expired - Fee Related CN103226648B (zh) | 2013-03-20 | 2013-03-20 | 基于gpu架构的分段归一化最小均方误差杂波对消方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103226648B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849698A (zh) * | 2015-05-21 | 2015-08-19 | 中国人民解放军海军工程大学 | 一种基于异构多核系统的雷达信号并行处理方法及系统 |
CN105550498A (zh) * | 2015-12-05 | 2016-05-04 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于移动最小二乘法的弹道曲线拟合方法 |
CN106226745A (zh) * | 2016-08-04 | 2016-12-14 | 武汉大学 | 一种基于子带处理的外辐射源雷达杂波抑制方法及装置 |
CN106646382A (zh) * | 2016-09-26 | 2017-05-10 | 武汉大学 | 一种基于系数期望的杂波扩展相消方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050135568A1 (en) * | 2003-12-23 | 2005-06-23 | Sigang Qiu | Efficient and reduced-complexity training algorithms |
CN101226236A (zh) * | 2007-12-18 | 2008-07-23 | 西安电子科技大学 | 基于旁瓣约束的天波超视距雷达自适应干扰抑制方法 |
CN102707272A (zh) * | 2012-06-13 | 2012-10-03 | 西安电子科技大学 | 基于gpu的外辐射源雷达信号实时处理系统及处理方法 |
-
2013
- 2013-03-20 CN CN201310090569.7A patent/CN103226648B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050135568A1 (en) * | 2003-12-23 | 2005-06-23 | Sigang Qiu | Efficient and reduced-complexity training algorithms |
CN101226236A (zh) * | 2007-12-18 | 2008-07-23 | 西安电子科技大学 | 基于旁瓣约束的天波超视距雷达自适应干扰抑制方法 |
CN102707272A (zh) * | 2012-06-13 | 2012-10-03 | 西安电子科技大学 | 基于gpu的外辐射源雷达信号实时处理系统及处理方法 |
Non-Patent Citations (2)
Title |
---|
奈良: "Parallel Simulation of FIR Adaptive Filters on nVIDIA GeForce Graphics Processing Units", 《信号处理技术》 * |
孙娟等: "改进的NLMS算法及其在自适应预测中的应用", 《中国电子科学研究院学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849698A (zh) * | 2015-05-21 | 2015-08-19 | 中国人民解放军海军工程大学 | 一种基于异构多核系统的雷达信号并行处理方法及系统 |
CN104849698B (zh) * | 2015-05-21 | 2017-04-05 | 中国人民解放军海军工程大学 | 一种基于异构多核系统的雷达信号并行处理方法及系统 |
CN105550498A (zh) * | 2015-12-05 | 2016-05-04 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于移动最小二乘法的弹道曲线拟合方法 |
CN105550498B (zh) * | 2015-12-05 | 2018-11-16 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于移动最小二乘法的弹道曲线拟合方法 |
CN106226745A (zh) * | 2016-08-04 | 2016-12-14 | 武汉大学 | 一种基于子带处理的外辐射源雷达杂波抑制方法及装置 |
CN106226745B (zh) * | 2016-08-04 | 2019-06-25 | 武汉大学 | 一种基于子带处理的外辐射源雷达杂波抑制方法及装置 |
CN106646382A (zh) * | 2016-09-26 | 2017-05-10 | 武汉大学 | 一种基于系数期望的杂波扩展相消方法 |
CN106646382B (zh) * | 2016-09-26 | 2019-07-09 | 武汉大学 | 一种基于系数期望的杂波扩展相消方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103226648B (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8751854B2 (en) | Processor core clock rate selection | |
CN109284825B (zh) | 用于执行lstm运算的装置和方法 | |
CN103988451B (zh) | 通过相同射频载波同时进行传送和接收的设备和方法 | |
CN103226648A (zh) | 基于gpu架构的分段归一化最小均方误差杂波对消方法 | |
CN103226193B (zh) | 基于gpu架构的自适应递归最小二乘杂波对消方法 | |
US8692832B2 (en) | Para-virtualized asymmetric GPU processors | |
CN103630891A (zh) | 利用gpu实现外辐射源雷达中估计目标来波方向的方法 | |
CN105794226A (zh) | 用于声学回声消除的房间脉冲响应估计 | |
CN104237859A (zh) | 利用gpu实现外辐射源雷达多通道时域杂波抑制的方法 | |
US20080046495A1 (en) | Multi-stage floating-point accumulator | |
CN105534546A (zh) | 一种基于zynq系列fpga的超声成像方法 | |
CN106872934A (zh) | L型电磁矢量传感器阵列解相干esprit参数估计方法 | |
CN104331008B (zh) | 基于dbf的多普勒天气雷达的小型化高速处理板的处理方法 | |
CN116593989A (zh) | 一种基于雷达海杂波的对流层波导反演方法及系统 | |
Wen et al. | Design and implementation of real-time SAR echo simulator for natural scene | |
US20200394994A1 (en) | Invertible neural network to synthesize audio signals | |
Curt et al. | Real-time embedded atmospheric compensation for long-range imaging using the average bispectrum speckle method | |
CN108830802A (zh) | 一种基于短曝图像梯度导向的图像模糊核估计方法 | |
US11689693B2 (en) | Video frame interpolation method and device, computer readable storage medium | |
WO2022026626A1 (en) | Techniques to generate interpolated video frames | |
CN113129922A (zh) | 语音信号的处理方法和装置 | |
CN103534610B (zh) | 平滑化方法以及平滑化装置 | |
WO2021194615A1 (en) | Hardware-assisted gradient optimization using streamed gradients | |
CN112349277A (zh) | 结合ai模型的特征域语音增强方法及相关产品 | |
CN110232931A (zh) | 音频信号的处理方法、装置、计算设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160120 Termination date: 20210320 |
|
CF01 | Termination of patent right due to non-payment of annual fee |