CN103308897A - 一种基于gpu的外辐射源雷达信号处理快速实现方法 - Google Patents

Abstract

本发明公开了一种基于GPU的外辐射源雷达信号处理快速实现方法。在直达波、杂波抑制环节，首先将整个数据分为N个数据块，再将数据块分为L个数据段，每个数据段内的数据点数为M；再次将各块数据段号相同的数据拼接在一起，第N块数据的当前段与第1块数据的下一段拼接在一起；GPU启用M×N个线程进行并行处理；在相干累积和徙动校正环节中，首先对数据进行分段，设都分为n段；其次对连续分段进行分组，设每DIM个分段为一组；各组数据依次拼接在一起存储在GPU显存的连续地址空间内；最后对每组数据进行GPU并行处理。本发明更适合于GPU并行处理，具有更高加速比，能够满足实时处理需求。

Description

一种基于GPU的外辐射源雷达信号处理快速实现方法

技术领域

本发明涉及外辐射源雷达信号处理领域，尤其涉及一种基于GPU（图形处理单元，Graphics Processing Unit）的外辐射源雷达信号处理快速实现方法。

背景技术

外辐射源雷达是本身不发射电磁波，而是利用广播、电视等信号作为辐射源的被动雷达系统，具有反隐身、抗低空突防及生存能力强等优点，是当前国内外研究热点。

基于外辐射源雷达的目标检测包括如下步骤：

（1）采用回波信号和直达波进行BLMS处理，实现直达波、杂波抑制。

（2）相干积累及徙动校正。

（3）恒虚警（CFAR）检测。

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，而基于CPU的信号处理很难达到要求。随着图形处理器GPU在通用计算领域的发展，浮点运算能力甚至可以达到同代CPU的数十倍以上，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。

外辐射源雷达对实时处理提出了很高的要求，但是对于较高采样率，积累时间较长的情况数据处理的运算量很大。目前，外辐射源雷达信号处理的实现方案有以下两种。

1.采用CPU多线程的实现方法。在直达波、杂波抑制环节采用NLMS方法，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，很难满足实时性要求;在相干积累和徙动校正环节，对于高速目标积累时间长达数秒而且会带来目标徙动现象，运算量成倍增加。基于CPU多线程(Xeon CPU X567024个核)的实现方法，当积累时间1s分6000段时，相干积累及徙动校正时间就高达7s以上，不能满足实时要求。

2.采用CPU+GPU的实现方法。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 GraphicsProcessing 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。在直达波、杂波抑制阶段，对于2¹⁸采样点数据分16段时需要50ms直达波、杂波抑制时间。在采样率为9M时，1s的数据量为9M采样点是2¹⁸的30多倍，仍然达不到实时的要求。且上述文章里提到的实现方法未进行目标徙动校正，导致能量扩散，信噪比降低，而降低了目标检测能力。

发明内容

有鉴于此，本发明提供了一种基于GPU的外辐射源雷达信号处理快速实现方法，该方法使用GPU实现了外辐射源雷达探测的整个流程，包括直达波、杂波抑制，相干积累及徙动校正和恒虚警检测，并且针对外辐射源雷达探测的直达波、杂波抑制环节和相干积累及徙动校正环节，提出了两种全新的适于GPU并行的数据处理结构，使用GPU实现了外辐射源雷达探测的整个流程。本发明更适合于GPU并行处理，具有更高加速比，能够满足实时处理需求。

为了解决上述技术问题，本发明是这样实现的：

一种基于GPU的外辐射源雷达信号处理快速实现方法，包括直达波、杂波抑制环节、相干累积及徙动校正环节和恒虚警检测；

在直达波、杂波抑制环节中，对要处理的数据进行交叉重组，具体为：首先将整个数据分为N个等长的数据块，其次将每个数据块再分为L个等长的数据段，每个数据段内的数据点数为M=整个数据总长÷N÷L；然后将各块数据段号相同的数据依次拼接在一起，第N个数据块第i段结尾与第1个数据块第i+1段的起始数据拼接在一起，形成一种新的存储结构，存储在GPU显存的连续地址空间内，i的取值范围为1～L-1；GPU启用M×N个线程，针对拼接后的数据，每M×N个数据点进行并行处理；

在相干累积及徙动校正环节，对要处理的数据进行分组并行处理，具体为：首先对参考信号和直达波、杂波抑制后的回波信号进行分段，设都分为n段，每段数据长度为L_e；其次对连续分段进行分组，设每DIM个分段为一组，DIM为整数，每组包含DIM×L_e个数据点；各组数据依次拼接在一起存储在GPU显存的连续地址空间内；启用DIM×L_e个GPU线程，对每组数据进行GPU并行处理。

在恒虚警检测环节，采用平均单元恒虚警检测方法，启用至少2个GPU线程，每个GPU线程完成一个平均单元的整个检测计算过程，线程之间并行处理。

其中，所述相干累积环节采用分时处理的二维相干积累方法，具体包括子步骤①～③：

①分别对参考信号和直达波、杂波抑制后的回波信号进行分段：

首先计算分段数n=4vT/λ，v为系统要求的最大不模糊速度，T为积累时间，λ为波长；

按分段数n对参考信号分段，每段的有效长度L_r为总数据长度除以n；

对直达波、杂波抑制后的回波信号进行重叠分段，分段数为n，每段的有效长度L_e=L_r+2×f_s×R_max/c，f_s为采样率，R_max为系统所需最大探测距离，c为光速；

最后，对参考信号补零，保证每段参考信号长度与回波信号段等长；

②回波信号段和参考信号段通过段内匹配滤波实现距离向脉冲压缩；

③各段间通过FFT获取目标多普勒信息，最终得到二维相干积累结果；

在上述相干累积过程中采用Chip-z变换进行徙动校正，且Chip-z变换时对要处理的数据进行所述分组并行处理。

有益效果：

针对GPU，本发明重新设计了更适于GPU并行的数据结构，能够更有效的利用GPU的资源及并行处理能力，并使外辐射源雷达信号处理达到实时。具体来说：

（1）在直达波、杂波抑制环节，提出一种新的适于GPU并行的数据处理结构——交叉重组，其将段号相同的数据依次拼接在一起，第N个数据块第i段结尾与第1个数据块第i+1段的起始数据拼接在一起，形成一种新的存储结构，存储在GPU显存的连续地址空间内，启用N×M个GPU线程，不仅并行处理数据块间相同段号的数据段，而且数据内各数据点也同时处理，从而提高了处理速度。

（2）在相干积累及徙动校正环节，提出一种新的适于GPU并行的数据处理方式——分组并行处理，启用L_e×DIM个线程并行实现多个分段的处理，极大的提高了加速比。

（3）在CFAR检测环节，根据已有的数据处理结构，提出了一种基于GPU的处理方法，提高了加速比。

附图说明

图1(a)为直达波、杂波抑制环节中的分块分段方式。

图1(b)为传统CPU实现直达波、杂波抑制环节的并行方案。

图1(c)为本发明GPU实现直达波、杂波抑制环节的并行方案。

图2(a)为相干积累环节中在分时处理时参考信号的分段方案。

图2(b)为相干积累环节中在分时处理时回波信号的分段方案。

图3为徙动校正环节中GPU的并行处理方案。

图4为传统CFAR检测环节中一个平均单元的整个检测计算过程。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提出了一种基于GPU的外辐射源雷达信号处理快速实现方法，其对传统外辐射源雷达信号处理方法的三个环节均有改进。具体如下：

步骤1、直达波（即参考信号）、杂波抑制环节。

本步骤采用分块最小均方差（BLMS）方法将回波信号和参考信号进行对消，产生直达波、杂波抑制后的回波信号。而且为了达到更好的效果，进行了三次BLMS迭代。BLMS算法详见[Block Implementation of Adaptive Digital Filters,Gregory A.Clark,Sanjit K.Mitra,Sydney R.Rarker]。

BLMS算法是对数据进行分块处理的，为了使用GPU中的并行处理，本发明使用了新的数据结构。

以9M采样率1s数据为例，1s数据总长度为SUM，将1s数据分为8个数据块，分为8块是考虑到分块多实时性好但积累效应差的特点而进行的折中考虑，分块时采用不重叠的等分方式，因此每个数据块长度为SUM/8。再将每个数据块分为L个不重叠的、等长的数据段，每段的数据点数为M，则分段数L=SUM/8/M。如图1（a）所示。

未优化前方案：

传统的GPU实现是先进行段内操作，即启用M个线程，如图1（b）所示，对每一个数据长度为M的分段进行GPU并行处理操作，然后迭代L×8次。如果每段长度2048点，则基于传统GPU的实现迭代次数为4394次，所用的时间是1.8s左右，难以满足实时性的要求。

因为同一1/8s的数据块各段之间参数相关不适合并行，而不同块的1/8s数据块之间参数是相互独立的适于并行，因此可以并行处理8个分块中段数相同的各分段，且每个分段中M个数据点也可以同时处理。为此，本发明将段号相同的数据依次拼接在一起，第8个数据块第i段结尾与第1个数据块第i+1段的起始数据拼接在一起（i的取值范围为1～L-1），从而形成了如图1（c）所示的一种新的存储结构，该结构存储在GPU显存的连续地址空间内，便于GPU多线程调用；GPU启用M×8个线程；针对拼接后的数据，每M×8个数据点进行并行处理，进行L次操作，即可完成1s数据的处理。采用这种方式，如果每段长度2048点，完成L次迭代所用的时间是0.3s左右，可以满足实时性的要求。

步骤2、相干累积和徙动校正环节。

本发明的相干积累采用分时处理的二维相干积累方法，即通过信号分段，段内匹配滤波，段间FFT获取目标多普勒信息，来实现实时相干积累。本实施例中，采用“一种高效的外辐射源雷达高径向速度目标实时检测方法”（电子与信息学报，2013年3月，第35卷第3期）中公开的二维相干积累方法。

算法简要介绍如下：

(1)分时处理。

按系统要求的最大不模糊速度v确定分段长度p和分段数n，对经过步骤1处理后的一维回波信号按分段数n进行重叠分段，将一维参考信号进行等长分段并补零。各段可等效为一个脉冲，等效脉冲内为快时间，各脉冲间为慢时间，构成二维矩阵。具体来说，如图2所示：

首先，计算分段数n=4vT/λ，v为系统要求的最大不模糊速度，T为积累时间，λ为波长（参考信号和回波信号波长相同）；

然后，按分段数n对参考信号分段，如图2（a）所示，每段的有效长度L_r为参考信号的总数据长度除以分段数n；

接着，对直达波、杂波抑制后的回波信号进行重叠分段。重叠分段可以保证探测距离，同时若回波与参考信号采用相同的等效脉冲长度，由于较远距离门处目标的积累增益较低，会造成近距的直达波杂波增益大于远距离目标增益的问题。若所需最大探测距离为R_max，由回波信号与参考信号每段长度之差决定最大检测距离，可保证在检测范围内具有相同增益，则回波信号段长度设定为L_e=L_r+2×f_s×R_max/c，f_s为采样率（参考信号与直达波信号采样率相同），c为光速。为保证分段数目与参考信号相同也为n，采取重叠分段方式，重叠部分为2×f_s×R_max/c，如图2(b)所示。

最后，对参考信号补零，保证每段参考信号长度与回波信号段等长，均为L_e。

(2)距离向压缩

回波信号段与参考信号段通过匹配滤波实现距离向脉冲压缩，即回波信号与参考信号，各对应等效脉冲间通过匹配滤波（FFT频域实现）实现距离向脉冲压缩。

(3)各段间通过FFT获取目标多普勒信息，最终得到二维相干积累结果。

在上述相干累积过程中，当积累时间较长，目标运动速度很高时，在相干积累时间内，目标的距离走动会超过半个距离分辨单元。这时就需要进行徙动校正，本实施例采用Keystone变换的Chirp-z算法进行徙动校正。Chirp-z变换基本原理是采用螺线抽样，求取各采样点的ｚ变换，以此作为各个采样点的DFT值。

数据进行折叠分段引起计算量的增加,数据量的增加是由折叠的程度决定的。折叠程度越大，雷达观测范围越大，数据量也就越大，1s数据9000000个数据点，当折叠分段，每段长度为16384点，分段数为6144时，数据量增加为原来的6144×16384/9000000=11.1倍。传统的基于GPU的实现是先进行段内操作即对数据长度为L_e的数据进行GPU并行处理操作，然后顺序处理n次。如果每段长度16384点，分段数为6144段，则顺序处理次数为16384次，传统GPU实现耗时为2.3s左右。数据量巨大，耗费时间很长，不能达到实时性的要求。

为了提高Chirp-z的运算速度，考虑到前后两段的迭代参数不相关，为了能够更充分的利用GPU的线程资源，减少发起线程的开支，本发明以牺牲存储空间为代价，提出了一种分块多线程并行处理结构。具体来说，本发明在Chip-z变换时，如图3所示，对回波信号段X和参考信号段Y进行分组（图3只示出了X，Y同理），每DIM个连续的回波信号段为一组，每组包含DIM×L_e个数据点，各组数据依次拼接在一起存储在GPU显存的连续地址空间内；参考信号段同理；启用DIM×L_e个GPU线程，同一组内段间数据相互独立，因此每组DIM×L_e个数据点并行处理，共迭代n/DIM次；DIM为整数。

本发明所提出的数据结构极大的减少了迭代的次数和发起并行处理线程的次数，充分利用了GPU的线程资源，极大的缩短了处理时间。如果每段长度16384点，分段数6144段，相当于一个16384×6144的矩阵，经过转置后变为6144×16384的矩阵，即可以看作为分段数16384，每段6144点，将每512段分为一组，每组内的数据并行执行，基于本发明结构的实现所用时间为0.8s以内。

步骤3、恒虚警检测。

本步骤采用平均单元恒虚警检测方法，算法详见[Finn H M,Johnson R S.Adaptive detection mode with threshold control as a function of spatially sampledclutter-level estimates[J].RCA Review,1968,29:414-464]。算法简要介绍如下：

单元平均CAFR检测器结构可用图4描述。图中，回波信号输入缓冲器中，缓冲器中D为平均单元即被检测单元，O_m为去相关单元(保护单元)，x_i(i＝1,…n)和y_i(i＝1,…n)表示两侧参考单元(也称作参考滑窗)采样，参考滑窗长度R＝2n，n为前沿和后沿参考滑窗长度。

一个平均单元的整个检测计算过程为：对x₁～x_n求和得到前沿滑窗的局部估计X，对y₁～y_n求和得到后沿滑窗的局部估计Y，将X和Y求和得到杂波功率水平估计Z。将Z和标称化因子T相乘，该和值作为门限与被检测单元D的检测统计量D(v)进行比较，输出判决结果H₀或H₁。自适应判决准则为：

$\left\{\begin{array}{cc}{H}_1& D\left(v\right)>\mathrm{TZ}\\ H_0& D\left(v\right)<\mathrm{TZ}\end{array}\right.$

其中，H₁表示有目标的假设，H₀表示没有目标的假设。

由一个平均单元的检测计算过程描述可知，在平均单元检测器中，对每个要检测的单元都要进行相邻单元的取平均计算以确定检测门限。由于单个检测单元的计算量相对比较小并且各个单元的检测互不影响，故每个检测单元的计算可以独立执行，适于并行计算处理。因此，本发明采用GPU并行处理的方式完成恒虚警检测。

首先根据检测单元数量和GPU的资源情况分配线程，然后每个线程完成一个平均单元的整个检测计算过程，线程之间并行处理，最后将检测到的目标信息保存下来。这样通过GPU并行运算，极大的减少了运行时间，提高了加速比，能够达到实时的要求。

下面通过实际数据的处理实例来验证本发明的优点。

根据上述方案，在如表1所示的实验环境下进行了实验：

表1两实验环境资源配置

实验采用机场附近实验测量的数据进行了处理，数据以DTTB数字电视信号为外辐射源，采样率为9MHz，载波频率为674MHz。

（1）直达波、杂波抑制环节单次处理1s数据，分段数为8段，算法处理时间如表2所示，与CPU的实现进行结果对比，GPU相对于CPU的加速比达到5，处理时间能够满足实际应用的需求。

直达波、杂波抑制	CPU(open MP8个核并行)	GPU环境下	加速比
				时间(ms)	1500	299	5.02

表2直达波、杂波抑制结果对比(单位ms)

（2）相干积累及徙动校正环节所用数据为直达波、杂波抑制后数据。

两种平台下相干积累及徙动校正性能对比如表3所示：

分段数	CPU(open MP20个核并行)	GPU环境下	加速比
				1024	1030	133.4	7.72
2048	2080	229.3	9.07
				6144	7176	777.5	9.23

表3：不同环境下处理性能比较(单位ms)

CPU平台下，采用OpenMP并行方法，使用20个CPU内核进行运算，可以发现1024段、2048段、6144段的处理时间基本呈现线性增长趋势，这与其运算量的线性特点相符合。在GPU平台下，采用CUDA编程模型（C语言的扩展库）并根据并行需要对算法的结构进行了优化。1024段、2048段、6144段的处理时间也同样呈现线性趋势。GPU平台和CPU平台下的结果相比较发现，使用CUDA编程模型比使用CPU平台OpenMP并行所用时间明显减少，加速比可达9倍。

（3）CFAR检测数据为相关积累及徙动校正之后的数据，分6144段，每段长度16384点，两种平台下CFAR性能对比如表4所示.

CFAR检测	CPU环境(open MP16核)	GPU环境下	加速比
				时间(ms)	2790	69	40.4

表4CFAR结果对比(单位ms)

（4）总体流程结果比较(1s数据，相干积累及徙动校正分段6144，每段长16384点)：

总体流程	CPU环境	GPU环境下	加速比
				时间(ms)	11466	980	11.7

表5总体流程结果对比(单位ms)

以上各环节的试验均包括数据输入、处理和输出环节，而GPU下总体流程不需要重复的读取数据并且不需要将大量的数据从GPU显存传到CPU内存，故总体流程时间并不是各部分时间简单相加。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于GPU的外辐射源雷达信号处理快速实现方法，包括直达波、杂波抑制环节、相干累积及徙动校正环节和恒虚警检测；其特征在于：

在直达波、杂波抑制环节中，对要处理的数据进行交叉重组，具体为：首先将整个数据分为N个等长的数据块，其次将每个数据块再分为L个等长的数据段，每个数据段内的数据点数为M=整个数据总长÷N÷L；然后将各块数据段号相同的数据依次拼接在一起，第N个数据块第i段结尾与第1个数据块第i+1段的起始数据拼接在一起，形成一种新的存储结构，存储在GPU显存的连续地址空间内，i的取值范围为1～L-1；GPU启用M×N个线程，针对拼接后的数据，每M×N个数据点进行并行处理；

在相干累积及徙动校正环节，对要处理的数据进行分组并行处理，具体为：首先对参考信号和直达波、杂波抑制后的回波信号进行分段，设都分为n段，每段数据长度为L_e；其次对连续分段进行分组，设每DIM个分段为一组，DIM为整数，每组包含DIM×L_e个数据点；各组数据依次拼接在一起存储在GPU显存的连续地址空间内；启用DIM×L_e个GPU线程，对每组数据进行GPU并行处理。

2.如权利要求1所述的方法，其特征在于，在恒虚警检测环节，采用平均单元恒虚警检测方法，启用至少2个GPU线程，每个GPU线程完成一个平均单元的整个检测计算过程，线程之间并行处理。

3.如权利要求1所述的方法，其特征在于，所述相干累积环节采用分时处理的二维相干积累方法，具体包括子步骤①～③：

①分别对参考信号和直达波、杂波抑制后的回波信号进行分段：

首先计算分段数n=4vT/λ，v为系统要求的最大不模糊速度，T为积累时间，λ为波长；

按分段数n对参考信号分段，每段的有效长度L_r为总数据长度除以n；

对直达波、杂波抑制后的回波信号进行重叠分段，分段数为n，每段的有效长度L_e=L_r+2×f_s×R_max/c，f_s为采样率，R_max为系统所需最大探测距离，c为光速；

最后，对参考信号补零，保证每段参考信号长度与回波信号段等长；

②回波信号段和参考信号段通过段内匹配滤波实现距离向脉冲压缩；

③各段间通过FFT获取目标多普勒信息，最终得到二维相干积累结果；

在上述相干累积过程中采用Chip-z变换进行徙动校正，且Chip-z变换时对要处理的数据进行所述分组并行处理。

4.如权利要求1所述的方法，其特征在于，N=8。

Images