CN105137402B - 一种基于gpu的机载前视扫描雷达并行处理方法 - Google Patents
一种基于gpu的机载前视扫描雷达并行处理方法 Download PDFInfo
- Publication number
- CN105137402B CN105137402B CN201510511184.2A CN201510511184A CN105137402B CN 105137402 B CN105137402 B CN 105137402B CN 201510511184 A CN201510511184 A CN 201510511184A CN 105137402 B CN105137402 B CN 105137402B
- Authority
- CN
- China
- Prior art keywords
- matrix
- radar
- fft
- gpu
- data
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于GPU的机载前视扫描雷达并行处理方法,首先利用CUDA中的CUFFT库来创建FFT变换计划,并且综合利用CPU和GPU完成解卷积过程中的雷达天线方向图预处理;接着利用CPU读取雷达系统的原始数据并对其进行预处理并将预处理后的数据复制到GPU中;然后在GPU中分别并行完成距离向脉冲压缩和距离走动校正处理,并用GPU并行实现基于最大似然准则的解卷积成像算法;最后由CPU将最终的雷达成像结果保存。本发明实现了整个雷达信号处理过程在GPU上并行实现,充分利用了GPU强大的并行处理能力和CPU的流程结构控制能力,使处理机载前视扫描雷达数据的效率有了很大的提高,并且运算时间大大减少。
Description
技术领域
本发明属于雷达信号处理技术领域,具体涉及一种基于GPU的机载前视扫描雷达并行处理方法的设计。
背景技术
机载雷达前视高分辨率成像技术,在对地攻击、飞行自主着陆、雷达末端制导、地形跟随、地形匹配等军用或民用领域都用着广泛的应用。传统雷达成像方法通过发射大时宽大带宽的线性调频信号,距离向回波信号采用脉冲压缩来实现距离向的高分辨率,而方位向则通过单机SAR和DBS技术来实现高分辨率成像,由于在前视成像区域,多普勒频率变化很小,单机SAR和DBS技术都难以应用。然而在雷达前视成像过程中,方位向回波信号符合卷积模型,可以通过解卷积来恢复出目标的方位角度信息,使得成像结果的方位分辨率大大提高。文献“Radar Angular Super-resolution Algorithm Based on BayesianApproach”(ICSP,2010Proceedings,1894-1897)提出了一种基于最大似然准则的解卷积算法,这种方法能够恢复出目标方位角度信息,提高雷达成像结果的方位分辨率。文献“Maximum a posteriori-based angular super resolution for scanning radarimaging”(IEEE transactions on aerospace and electronic systems,vol.50,NO.3,july 2014)提出一种基于最大后验准则的解卷积方法,来提高扫描雷达的方位向角分辨率。
由于脉冲压缩、距离走动校正和基于最大似然准则的解卷积算法涉及到大量的矩阵运算和FFT变换,并且基于最大似然准则的解卷积算法是一种循环迭代的解卷积过程,因此传统的CPU串行处理方法不能高效、实时的完成这些工作。利用CPU的串行流程结构控制能力完成前视雷达成像算法的流程控制,通过GPU高效的并行处理能力实现前视雷达成像算法过程中的复杂雷达信号处理,能够很好地解决传统CPU实现效率低下的问题,达到实时处理的目的。
2007年NVIDIA正式推出CUDA(Compute Unified Device Architecture,计算同一设备架构)运算平台,CUDA是一种使GPU能够解决复杂问题的通用并行计算架构,并且CUDA采用C语言作为编程语言,提供了大量高性能计算指令开发能力,使开发者能够快速在GPU的强大并行计算能力的基础上建立起一种效率更高密集数据解决方案,CUDA还提供了一种并行优化的CUFFT开发库,非常适合雷达信号处理中涉及到的FFT变换。文献“CUDA C_Programming_Guide”(NVIDIA,2015)中详细介绍了CUDA利用C语言进行GPU通用计算编程的细则。文献“GPU-based parallel implementation of SAR imaging”(InternationalSymposium on Electronic System Design(ISED),Dec.2012,pp125-129)利用GPU并行实现了SAR中距离多普勒成像算法,达到了实时处理SAR回波数据的目的。
发明内容
本发明的目的是为了解决现有技术中机载前视扫描雷达成像算法计算量过大的问题,提出了一种基于GPU的机载前视扫描雷达并行处理方法。
本发明的技术方案为:一种基于GPU的机载前视扫描雷达并行处理方法,包括以下步骤:
S1、利用CUDA中的CUFFT库创建FFT变换计划;
S2、综合利用CPU和GPU完成解卷积过程中的雷达天线方向图预处理;
S3、利用CPU读取一扫雷达系统的原始数据并对其进行预处理;
S4、在GPU中完成距离向脉冲压缩处理;
S5、在GPU中完成距离走动校正处理;
S6、在GPU中完成基于最大似然准则的解卷积成像算法处理;
S7、利用CPU保存雷达成像结果数据;
S8、判断是否需要处理下一扫雷达数据,若是则返回步骤S3,否则结束该雷达数据处理流程。
进一步地,步骤S1包括以下分步骤:
S11、根据距离向M点、方位向N点大小的雷达回波矩阵,利用CUDA中的CUFFT库创建M点复数FFT变换,并执行N次的FFT变换计划,简记为FFTM,N;
S12、根据距离向M点、方位向N点大小的雷达回波矩阵,利用CUDA中的CUFFT库创建N点复数FFT变换,并执行M次的FFT变换计划,简记为FFTN,M。
进一步地,步骤S2包括以下分步骤:
S21、利用CPU读取用于解卷积的雷达天线方向图的一维数组数据,并将雷达天线方向图数据存在页锁定主机内存中;
S22、将CPU中的雷达天线方向图数据复制到GPU的全局存储器中;
S23、在GPU中将雷达天线方向图数据由实数转化为复数;
S24、在CPU的控制下,在GPU中利用循环迭代的频域插值或抽取方法对雷达天线方向图数据进行插值或抽取,得到插值或抽取结果其中n1表示雷达天线方向图数据插值或抽取后的总数据点数;
S25、在GPU中对进行幅值求解及归一化处理,得到归一化后的雷达天线方向图
S26、在GPU中对进行末端补零处理,补零数目为N-n,得到新的雷达天线方向图
S27、在GPU中对进行向数据起点方向的循环移位,循环移位次数为floor(N/2),floor表示向下取整,得到雷达天线方向图循环移位结果
S28、在GPU中将扩展为N行、M列的按行存储的天线方向图矩阵AN,M,天线方向图矩阵所有列向量都为利用步骤S12中创建的FFTN,M变换计划,对AN,M矩阵执行矩阵列FFT变换,并对AN,M矩阵FFT变换后的矩阵Afft(N,M)进行共轭变换,得到矩阵Afftconj(N,M),将矩阵Afft(N,M)和矩阵Afftconj(N,M)按列储在GPU的不同的全局存储器中。
进一步地,步骤S25中采用自适应并行归约求最大值的方法实现求解n1点雷达天线方向图数据中的最大值。
进一步地,步骤S3具体为:
利用CPU读取一扫雷达回波数据及其对应的机载惯导数据和雷达转台伺服数据,并利用CPU对机载惯导数据中的飞行速度和俯仰角度进行求均值处理,对雷达转台伺服数据进行三次样条插值处理,插值后雷达转台伺服数据长度为N,将雷达回波数据、飞行速度、俯仰角度存储在页锁定主机内存中,再将CPU中雷达回波数据、雷达转台伺服数据、飞行速度和俯仰角度复制到GPU的全局存储器中。
进一步地,步骤S4包括以下分步骤:
S41、创建两个CUDA流,分别记为stream41和stream42;
S42、在stream42中顺序完成构造去载频相位因子矩阵、构造脉压函数矩阵以及执行脉压函数矩阵距离维的FFT变换,FFT变换运用步骤S11中的FFTM,N变化计划来实现;
S43、在stream41中顺序完成雷达回波数据由实数转换为复数、雷达回波复数域数据的距离维希尔伯特变换、雷达回波数据距离维的去载频处理以及距离向脉冲压缩处理,得到距离向脉冲压缩处理结果矩阵PCM,N,其中M、N分别为距离向点数和方位向点数。
进一步地,步骤S5具体为:
利用飞行速度、俯仰角度、伺服扫描角度,在GPU中构造距离走动相位因子矩阵,然后执行距离走动相位因子矩阵的距离维FFT变换和距离脉冲压缩处理后的矩阵PCM,N的距离维FFT变换,FFT变换均运用步骤S11中的FFTM,N变化计划来实现,然后在频域中完成距离走动校正处理,得到距离走动校正处理后的矩阵RMCM,N,其中M、N分别为距离向点数和方位向点数,最后对RMCM,N矩阵进行转置和求元素幅值运算,得到经转置和求元素幅值后的矩阵RMCN,M,按距离列将其存储在GPU的全局存储器中。
进一步地,步骤S6包括以下分步骤:
S61、构建一个使解卷积算法稳定执行的M点的向量因子的第m个元素的具体表达式如公式(1)所示:
式中.*表示向量点积,ε为无穷小量,k表示第k次解卷积迭代,max(X,0)表示求矩阵X元素和0之间的较大者,min(X,1)表示求矩阵X元素和1之间的较小者,ΔK1k-1(N,M)m为第k-1次迭代矩阵ΔK1k-1(N,M)的第m距离列元素向量,ΔK2k-1(N,M)m为第k-1次迭代矩阵ΔK2k-1(N,M)的第m距离列元素向量,ΔK1k-1(N,M),ΔK2k-1(N,M)的表达式分别如公式(2)和公式(3)所示:
ΔK1k-1(N,M)=σk-1(N,M)-Yk-1(N,M) (2)
ΔK2k-1(N,M)=σk-2(N,M)-Yk-2(N,M) (3)
式中σk-1(N,M)、σk-2(N,M)分别表示第k-1、k-2次解卷积的结果,Yk-1(N,M)、Yk-2(N,M)分别表示第k-1、k-2次解卷积时的正约束条件处理后的结果;
S62、对第k次迭代的输入矩阵σk-1(N,M)进行正约束条件处理,正约束条件处理后Yk(N,M)矩阵的第m距离列元素向量的表达式如公式(4)所示:
式中σk-1(N,M)m、σk-2(N,M)m分别为第k-1、k-2次迭代解卷积的结果σk-1(N,M)、σk-2(N,M)的第m距离列元素向量,max(X,0)表示求矩阵X元素和0之间的较大值;
S63、构造解卷积核矩阵CCk(N,M),矩阵CCk(N,M)的表达式如公式(5)所示:
式中./表示矩阵点除,.*表示矩阵点乘,IFFT(N,M)、FFT(N,M)分别表示矩阵执行方位维的FFT逆变换、FFT变换,所述FFT逆变换和FFT变换均采用步骤S12中的FFTN,M变化计划来实现,RMCN,M为步骤S5中经转置和求元素幅值后的矩阵,Afft(N,M)为步骤S28中对AN,M矩阵进行FFT变换后的矩阵,ε为无穷小量,real表示取矩阵元素的实部;
S64、输出迭代解卷积的结果矩阵σk(N,M),矩阵σk(N,M)的表达式如公式(6)所示:
式中.*表示矩阵点乘,real表示取矩阵元素的实部,IFFT(N,M)表示矩阵执行距离列的IFFT变换,所述IFFT变换采用步骤S12中的FFTN,M变化计划来实现,max(X,0)表示求矩阵X元素和0之间的较大者,Afftconj(N,M)为步骤S28中对矩阵Afft(N,M)进行共轭变换得到的矩阵;
然后通过公式(7)和公式(8)计算ΔK1k(N,M)、ΔK2k(N,M):
ΔK1k(N,M)=σk(N,M)-Yk(N,M) (7)
ΔK2k(N,M)=ΔK1k-1(N,M) (8)。
进一步地,步骤S61中的求向量点积采用自适应并行归约求向量点积的方法实现。
进一步地,步骤S7具体为:
将GPU中解卷积后的雷达成像结果的数据矩阵复制到CPU的页锁定主机内存中,并由CPU进行数据保存。
本发明的有益效果是:
(1)本发明利用CUFFT库来实现雷达数据矩阵的方位维或距离维的FFT变换或IFFT变换的并行实现,并且实现了一次创建FFT变换计划,重复使用,此外矩阵运算均在GPU中并行实现。
(2)本发明机载前视扫描雷达成像算法中脉冲压缩和距离走动校正,均在GPU中以并行方式实现,对基于最大似然准则的解卷积成像算法进行算法流程结构优化,使基于最大似然准则的解卷积成像算法得以在GPU中并行实现。
(3)本发明利用自适应并行归约求最大值的方法,来加速和适应不同数据大小的最大值求解;利用自适应并行归约求向量点积的方法,来加速和适应不同向量长度的向量点积运算;利用自适应线程分配方法,自适应的对处理不同数据矩阵大小的GPU核函数的线程网格和线程块的尺寸分配。
附图说明
图1为本发明提供的一种基于GPU的机载前视扫描雷达并行处理方法流程图。
图2为本发明实施例中距离走动校正后的成像结果图。
图3为本发明实施例中15次迭代解卷积的成像结果图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
本发明提供了一种基于GPU的机载前视扫描雷达并行处理方法,如图1所示,包括以下步骤:
S1、利用CUDA中的CUFFT库创建FFT变换计划。
该步骤包括以下分步骤:
S11、根据距离向M点、方位向N点大小的雷达回波矩阵,利用CUDA中的CUFFT库创建M点复数FFT变换,并执行N次的FFT变换计划,简记为FFTM,N;
FFTM,N变换计划用于距离向脉冲压缩和距离走动校正中涉及到的FFT变换或IFFT变换。
S12、根据距离向M点、方位向N点大小的雷达回波矩阵,利用CUDA中的CUFFT库创建N点复数FFT变换,并执行M次的FFT变换计划,简记为FFTN,M;
FFTN,M变换计划用于天线方向图预处理和解卷积过程中涉及到的FFT变换或IFFT变换。
S2、综合利用CPU和GPU完成解卷积过程中的雷达天线方向图预处理。
该步骤包括以下分步骤:
S21、利用CPU读取用于解卷积的雷达天线方向图的一维数组数据,并将雷达天线方向图数据存在页锁定主机内存中;
S22、将CPU中的雷达天线方向图数据复制到GPU的全局存储器中;
S23、在GPU中将雷达天线方向图数据由实数转化为复数;
S24、在CPU的控制下,在GPU中利用循环迭代的频域插值或抽取方法对雷达天线方向图数据进行插值或抽取,得到插值或抽取结果其中n1表示雷达天线方向图数据插值或抽取后的总数据点数;
采取循环迭代的频域插值或抽取方法目的是保证预处理后的雷达天线方向图的3dB的波束宽度不变,以及保证雷达天线方向图采样率和雷达回波方位向采样率一致。
S25、在GPU中对进行幅值求解及归一化处理,得到归一化后的雷达天线方向图
在求解归一化的雷达天线方向图过程中,利用自适应并行归约求最大值的方法实现求解n1点雷达天线方向图数据中的最大值。
自适应并行归约求最大值的方法具体如下:
假设输入向量数据为(向量的数据都为非负数,n1为数据长度),首先分配执行自适应并行归约求最大值方法的核函数的线程网格维度大小为(1,0,0),线程块的维度大小为(2n,0,0),其中2n≤n1,且2n≤max(nthreadPerBlock),n≥1,max(nthreadPerBlock)表示线程块中的最大线程数目;然后在GPU中对向量末端补零扩展,补零数目为:
floor((n1+2n-1)/2n)*2n-n1,floor表示向下取整,扩展后的向量记为其中N1=floor((n1+2n-1)/2n)*2n。
最后在GPU核函数中分配大小为2n的GPU共享内存数组threadSum,第tid个线程求解输入数据元素的最大值,其中表示的第x1个元素值,x1=0,1,2…N1-1,最大值放在threadSum(tid)中,然后由2n个线程并行归约求解数组threadSum中的最大值。GPU核函数执行完成后,数据的最大值保存在threadSum(0)元素中。
S26、在GPU中对进行末端补零处理,补零数目为N-n,得到新的雷达天线方向图
S27、在GPU中对进行向数据起点方向的循环移位(即向左循环移位),循环移位次数为floor(N/2),floor表示向下取整,得到雷达天线方向图循环移位结果
S28、在GPU中将扩展为N行、M列的按行存储的天线方向图矩阵AN,M,天线方向图矩阵所有列向量都为利用步骤S12中创建的FFTN,M变换计划,对AN,M矩阵执行矩阵列FFT变换,并对AN,M矩阵FFT变换后的矩阵Afft(N,M)进行共轭变换,得到矩阵Afftconj(N,M),将矩阵Afft(N,M)和矩阵Afftconj(N,M)按列储在GPU的不同的全局存储器中。
S3、利用CPU读取一扫雷达系统的原始数据并对其进行预处理。
利用CPU读取一扫雷达回波数据及其对应的机载惯导数据和雷达转台伺服数据,并利用CPU对机载惯导数据中的飞行速度和俯仰角度进行求均值处理,对雷达转台伺服数据进行三次样条插值处理,插值后雷达转台伺服数据长度为N,将雷达回波数据、飞行速度、俯仰角度存储在页锁定主机内存中,再将CPU中雷达回波数据、雷达转台伺服数据、飞行速度和俯仰角度复制到GPU的全局存储器中,用于脉冲压缩和距离走动校正处理,其中雷达回波数据矩阵按方位列存储在GPU的全局存储器中。
S4、在GPU中完成距离向脉冲压缩处理。
该步骤包括以下分步骤:
S41、创建两个CUDA流,分别记为stream41和stream42;
stream41用于完成距离脉冲压缩的流程控制,stream42用于距离脉冲压缩过程中的数据构造。
S42、在stream42中顺序完成构造去载频相位因子矩阵、构造脉压函数矩阵以及执行脉压函数矩阵距离维的FFT变换;
S43、在stream41中顺序完成雷达回波数据由实数转换为复数、雷达回波复数域数据的距离维希尔伯特变换、雷达回波数据距离维的去载频处理以及距离向脉冲压缩处理,得到距离向脉冲压缩处理结果矩阵PCM,N,其中M、N分别为距离向点数和方位向点数。
该步骤中涉及到的FFT变换均运用步骤S11中的FFTM,N变化计划来实现。
S5、在GPU中完成距离走动校正处理。
利用飞行速度、俯仰角度、伺服扫描角度等数据,在GPU中构造距离走动相位因子矩阵,然后执行距离走动相位因子矩阵的距离维FFT变换和距离脉冲压缩处理后的矩阵PCM,N的距离维FFT变换,然后在频域中完成距离走动校正处理,得到距离走动校正处理后的矩阵RMCM,N,其中M、N分别为距离向点数和方位向点数,最后对RMCM,N矩阵进行转置和求元素幅值运算,得到经转置和求元素幅值后的矩阵RMCN,M,按距离列将其存储在GPU的全局存储器中。
该步骤中涉及到的FFT变换均运用步骤S11中的FFTM,N变化计划来实现。
S6、在GPU中完成基于最大似然准则的解卷积成像算法处理。
利用CPU控制基于最大似然准则的解卷积算法的循环迭代流程,GPU实现对RMCN,M矩阵所有距离列的并行解卷积,每次迭代中,GPU对RMCN,M矩阵所有距离列并行解卷积都包括包括以下分步骤:
S61、构建一个使解卷积算法稳定执行的M点的向量因子的第m个元素的具体表达式如公式(1)所示:
式中.*表示向量点积,ε为无穷小量,k表示第k次解卷积迭代,max(X,0)表示求矩阵X元素和0之间的较大者,min(X,1)表示求矩阵X元素和1之间的较小者,ΔK1k-1(N,M)m为第k-1次迭代矩阵ΔK1k-1(N,M)的第m距离列元素向量,ΔK2k-1(N,M)m为第k-1次迭代矩阵ΔK2k-1(N,M)的第m距离列元素向量,ΔK1k-1(N,M),ΔK2k-1(N,M)的表达式分别如公式(2)和公式(3)所示:
ΔK1k-1(N,M)=σk-1(N,M)-Yk-1(N,M) (2)
ΔK2k-1(N,M)=σk-2(N,M)-Yk-2(N,M) (3)
式中σk-1(N,M)、σk-2(N,M)分别表示第k-1、k-2次解卷积的结果,Yk-1(N,M)、Yk-2(N,M)分别表示第k-1、k-2次解卷积时的正约束条件处理后的结果。
该步骤中,求向量点积采用自适应并行归约求向量点积的方法实现。
自适应并行归约求向量点积方法具体如下:
输入两个矩阵P1N,M、P2N,M(N,M为分别为矩阵的行数、列数),P1N,M、P2N,M都以列的方式存储在GPU的全局内存中,现需要求解P1N,M、P2N,M两矩阵同列向量的点积。首先分配执行自适应并行归约求向量点积的核函数的线程网格的维度大小为(M,0,0),线程块的维度大小为(2m,0,0),M块线程块,分别用来执行M列向量的点积,其中:
2m≤N且2m≤max(nthreadPerBlock),m≥1,max(nthreadPerBlock)表示线程块中的最大线性数目;然后在GPU中对矩阵P1N,M和P2N,M进行每列相同数目的行末端补零,补零数目为:floor((N+2m-1)/2m)*2m-N,foor表示向下取整,扩展后的两矩阵记为PE1N1,M,PE2N1,M,其中:
N1=floor((N+2m-1)/2m)*2m (9)
接着在GPU执行自适应并行归约求向量点积的核函数中,为每块线程块分配大小为2m的GPU共享内存数组threadSum,第row线程块的第tid线程求解如下所示:
PE1N1,M(offset0)*PE2N1,M(offset0)+PE1N1,M(offset0+1)*PE2N1,M(offset0+1)+…+PE1N1,M(offset0+N1/2m-1)*PE2N1,M(offset0+N1/2m-1)
其中offset0=tid*N1/2m+row*N1,求解上述表达式的和放在threadSum(tid)中,然后由2m个线程并行归约求解数组threadSum元素的总和。GPU核函数执行完成后,矩阵P1N,M和矩阵P2N,M的相同列向量点积的结果都保存在相应线程块的threadSum(0)元素中。
S62、对第k次迭代的输入矩阵σk-1(N,M)进行正约束条件处理,正约束条件处理后Yk(N,M)矩阵的第m距离列元素向量的表达式如公式(4)所示:
式中σk-1(N,M)m、σk-2(N,M)m分别为第k-1、k-2次迭代解卷积的结果σk-1(N,M)、σk-2(N,M)的第m距离列元素向量,max(X,0)表示求矩阵X元素和0之间的较大值。
S63、构造解卷积核矩阵CCk(N,M),矩阵CCk(N,M)的表达式如公式(5)所示:
式中./表示矩阵点除,.*表示矩阵点乘,IFFT(N,M)、FFT(N,M)分别表示矩阵执行方位维的FFT逆变换、FFT变换,RMCN,M为步骤S5中经转置和求元素幅值后的矩阵,Afft(N,M)为步骤S28中对AN,M矩阵进行FFT变换后的矩阵,ε为无穷小量,real表示取矩阵元素的实部。
S64、输出迭代解卷积的结果矩阵σk(N,M),矩阵σk(N,M)的表达式如公式(6)所示:
式中.*表示矩阵点乘,real表示取矩阵元素的实部,IFFT(N,M)表示矩阵执行距离列的IFFT变换,max(X,0)表示求矩阵X元素和0之间的较大者,Afftconj(N,M)为步骤S28中对矩阵Afft(N,M)进行共轭变换得到的矩阵。
然后通过公式(7)和公式(8)计算ΔK1k(N,M)、ΔK2k(N,M):
ΔK1k(N,M)=σk(N,M)-Yk(N,M) (7)
ΔK2k(N,M)=ΔK1k-1(N,M) (8)
该步骤中涉及到的IFFT变换和FFT变换均采用步骤S12中的FFTN,M变化计划来实现。
S7、利用CPU保存雷达成像结果数据。
将GPU中解卷积后的雷达成像结果的数据矩阵复制到CPU的页锁定主机内存中,并由CPU进行数据保存。
上述基于GPU的机载前视扫描雷达并行处理方法的七个步骤中所涉及GPU核函数的线程网格和线程块的尺寸分配均采用自适应线程分配方法。
自适应线程分配方法具体如下:
假设输入数据矩阵的大小为N行,M列,设置处理数据的GPU核函数的线程网格大小为(gx,gy,0),线程块的大小为(32,max(nthreadPerBlock)/32,0),要求GPU的线程块最大线程数目max(nthreadPerBlock)为2的幂,则
gx=floor(N+32-1)/32 (10)
gy=floor(M+max(nthreadPerBlock)/32-1)/(max(nthreadPerBlock)/32) (11)
其中floor表示向下取整。
S8、判断是否需要处理下一扫雷达数据,若是则返回步骤S3,否则结束该雷达数据处理流程。这样重复执行步骤S3-S7,可实现对连续多扫的雷达原始数据的连续处理。
下面以一个具体实施例对本发明提出的一种基于GPU的机载前视扫描雷达并行处理方法作进一步描述:
本发明通过处理一扫机载前视扫描雷达的实测数据来验证本发明的正确性和有效性,一扫机载前视扫描雷达的实测数据的大小为距离向8192个采样点、方位向5120个采样点,扫描范围为-35°~+35°,所有的步骤在Visual Studio 2012、CUDA7.0和NVIDIATesla K40c显卡上验证正确。在以下的具体实施步骤中所有的N=5120,M=8192,具体实施的步骤如下:
S1、利用CUDA中的CUFFT库创建FFT变换计划。
该步骤包括以下分步骤:
S11、根据距离向M点、方位向N点大小的雷达回波矩阵,利用CUDA中的CUFFT库创建M点复数FFT变换,并执行N次的FFT变换计划,简记为FFTM,N;
FFTM,N变换计划用于距离向脉冲压缩和距离走动校正中涉及到的FFT变换或IFFT变换。
S12、根据距离向M点、方位向N点大小的雷达回波矩阵,利用CUDA中的CUFFT库创建N点复数FFT变换,并执行M次的FFT变换计划,简记为FFTN,M;
FFTN,M变换计划用于天线方向图预处理和解卷积过程中涉及到的FFT变换或IFFT变换。
S2、综合利用CPU和GPU完成解卷积过程中的雷达天线方向图预处理。
该步骤包括以下分步骤:
S21、利用CPU读取用于解卷积的雷达天线方向图的一维数组数据,并将雷达天线方向图数据存在页锁定主机内存中;
S22、将CPU中的雷达天线方向图数据复制到GPU的全局存储器中;
S23、在GPU中将雷达天线方向图数据由实数转化为复数;
S24、在CPU的控制下,在GPU中利用循环迭代的频域插值或抽取方法对雷达天线方向图数据进行插值或抽取,采取循环迭代的频域插值或抽取方法目的是保证预处理后的雷达天线方向图的3dB的波束宽度不变,以及保证雷达天线方向图采样率和雷达回波方位向采样率一致。对雷达天线放图数据进行插值或抽取的结果记为其中雷达天线放图数据插值或抽取后的总数据点数为608点。
S25、在GPU中对进行幅值求解及归一化处理,得到归一化后的雷达天线方向图在求解归一化的雷达天线方向图过程中,利用自适应并行归约求最大值的方法实现求解608点雷达天线方向图数据中的最大值。
S26、在GPU中对进行末端补零处理,补零数目为4512点,得到新的雷达天线方向图
S27、在GPU中对进行向数据起点方向的循环移位(即向左循环移位),循环移位次数为2560,得到雷达天线方向图循环移位结果
S28、在GPU中将扩展为N行、M列的按行存储的天线方向图矩阵AN,M,天线方向图矩阵所有列向量都为利用步骤S12中创建的FFTN,M变换计划,对AN,M矩阵执行矩阵列FFT变换,并对AN,M矩阵FFT变换后的矩阵Afft(N,M)进行共轭变换,得到矩阵Afftconj(N,M),将矩阵Afft(N,M)和矩阵Afftconj(N,M)按列储在GPU的不同的全局存储器中。
S3、利用CPU读取一扫雷达系统的原始数据并对其进行预处理。
利用CPU读取一扫大小为距离点数8192、方位点数5120的雷达回波数据及其对应的机载惯导数据和雷达转台伺服数据,并利用CPU对机载惯导数据中的飞行速度和俯仰角度进行求均值处理,飞行速度均值为48(m/s),俯仰角度均值为18度,对雷达转台伺服数据进行三次样条插值,插值后雷达转台伺服数据长度为5120,将雷达回波数据、飞行速度、俯仰角度存储在页锁定主机内存中,再将CPU中雷达回波数据、雷达转台伺服数据、飞行速度和俯仰角度复制到GPU的全局存储器中,其中雷达回波数据矩阵按方位列存储。
S4、在GPU中完成距离向脉冲压缩处理。
该步骤包括以下分步骤:
S41、创建两个CUDA流,分别记为stream41和stream42;
stream41用于完成距离脉冲压缩的流程控制,stream42用于距离脉冲压缩过程中的数据构造。
S42、在stream42中顺序完成构造去载频相位因子矩阵、构造脉压函数矩阵以及执行脉压函数矩阵距离维的FFT变换;
S43、在stream41中顺序完成雷达回波数据由实数转换为复数、雷达回波复数域数据的距离维希尔伯特变换、雷达回波数据距离维的去载频处理以及距离向脉冲压缩处理,得到距离向脉冲压缩处理结果矩阵PCM,N,其中M、N分别为距离向点数和方位向点数。
该步骤中涉及到的FFT变换均运用步骤S11中的FFTM,N变化计划来实现。
S5、在GPU中完成距离走动校正处理。
利用飞行速度均值、俯仰角度均值、伺服扫描角度等数据,在GPU中构造距离走动相位因子矩阵,然后执行距离走动相位因子矩阵的距离维FFT变换和距离脉冲压缩处理后的矩阵PCM,N的距离维FFT变换,然后在频域中完成距离走动校正处理,得到距离走动校正处理后的矩阵RMCM,N,其中M、N分别为距离向点数和方位向点数,最后对RMCM,N矩阵进行转置和求元素幅值运算,得到经转置和求元素幅值后的矩阵|RMC|N,M,按距离列将其存储在GPU的全局存储器中。
该步骤中涉及到的FFT变换均运用步骤S11中的FFTM,N变化计划来实现。
在GPU中完成离走动校正处理后的成像结果如图2所示。
S6、在GPU中完成基于最大似然准则的解卷积成像算法处理。
利用CPU控制基于最大似然准则的解卷积算法的循环迭代流程,迭代次数为15次,并进行如下的迭代初始化操作:ΔK10(N,M)、ΔK20(N,M)都置为0矩阵,设置为0向量,σ0(N,M)=|RMC|N,M。每次迭代中,GPU实现对|RMC|N,M矩阵所有距离列的并行解卷积都包括包括以下分步骤:
S61、当迭代次数k>2时,构建一个使解卷积算法稳定执行的M点的向量因子的第m个元素的具体表达式如公式(1)所示:
式中.*表示向量点积,ε=10-6,k表示第k次解卷积迭代,max(X,0)表示求矩阵X元素和0之间的较大者,min(X,1)表示求矩阵X元素和1之间的较小者,ΔK1k-1(N,M)m为第k-1次迭代矩阵ΔK1k-1(N,M)的第m距离列元素向量,ΔK2k-1(N,M)m为第k-1次迭代矩阵ΔK2k-1(N,M)的第m距离列元素向量,ΔK1k-1(N,M),ΔK2k-1(N,M)的表达式分别如公式(2)和公式(3)所示:
ΔK1k-1(N,M)=σk-1(N,M)-Yk-1(N,M) (2)
ΔK2k-1(N,M)=σk-2(N,M)-Yk-2(N,M) (3)
式中σk-1(N,M)、σk-2(N,M)分别表示第k-1、k-2次解卷积的结果,Yk-1(N,M)、Yk-2(N,M)分别表示第k-1、k-2次解卷积时的正约束条件处理后的结果。
S62、对第k次迭代的输入矩阵σk-1(N,M)进行正约束条件处理,正约束条件处理后Yk(N,M)矩阵的第m距离列元素向量的表达式如公式(4)所示:
式中σk-1(N,M)m、σk-2(N,M)m分别为第k-1、k-2次迭代解卷积的结果σk-1(N,M)、σk-2(N,M)的第m距离列元素向量,max(X,0)表示求矩阵X元素和0之间的较大值。
S63、构造解卷积核矩阵CCk(N,M),矩阵CCk(N,M)的表达式如公式(5)所示:
式中./表示矩阵点除,.*表示矩阵点乘,IFFT(N,M)、FFT(N,M)分别表示矩阵执行方位维的FFT逆变换、FFT变换,RMCN,M为步骤S5中经转置和求元素幅值后的矩阵,Afft(N,M)为步骤S28中对AN,M矩阵进行FFT变换后的矩阵,ε=10-6,real表示取矩阵元素的实部。
S64、输出迭代解卷积的结果矩阵σk(N,M),矩阵σk(N,M)的表达式如公式(6)所示:
式中.*表示矩阵点乘,real表示取矩阵元素的实部,IFFT(N,M)表示矩阵执行距离列的IFFT变换,max(X,0)表示求矩阵X元素和0之间的较大者,Afftconj(N,M)为步骤S28中对矩阵Afft(N,M)进行共轭变换得到的矩阵。
然后通过公式(7)和公式(8)计算ΔK1k(N,M)、ΔK2k(N,M):
ΔK1k(N,M)=σk(N,M)-Yk(N,M) (7)
ΔK2k(N,M)=ΔK1k-1(N,M) (8)
该步骤中涉及到的IFFT变换和FFT变换均采用步骤S12中的FFTN,M变化计划来实现。
S7、利用CPU保存雷达成像结果数据。
将GPU中第15次迭代解卷积后的雷达成像结果的数据矩阵σ15(N,M),复制到CPU的页锁定主机内存中,并由CPU进行数据保存。GPU中完成15次迭代解卷积后的雷达成像结果如附图3所示。
S8、判断是否需要处理下一扫雷达数据,若是则返回步骤S3,否则结束该雷达数据处理流程。这样重复执行步骤S3-S7,可实现对连续多扫的雷达原始数据的连续处理。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种基于GPU的机载前视扫描雷达并行处理方法,其特征在于,包括以下步骤:
S1、利用CUDA中的CUFFT库创建FFT变换计划;
所述步骤S1包括以下分步骤:
S11、根据距离向M点、方位向N点大小的雷达回波矩阵,利用CUDA中的CUFFT库创建M点复数FFT变换,并执行N次的FFT变换计划,简记为FFTM,N;
S12、根据距离向M点、方位向N点大小的雷达回波矩阵,利用CUDA中的CUFFT库创建N点复数FFT变换,并执行M次的FFT变换计划,简记为FFTN,M;
S2、综合利用CPU和GPU完成解卷积过程中的雷达天线方向图预处理;
所述步骤S2包括以下分步骤:
S21、利用CPU读取用于解卷积的雷达天线方向图的一维数组数据,并将雷达天线方向图数据存在页锁定主机内存中;
S22、将CPU中的雷达天线方向图数据复制到GPU的全局存储器中;
S23、在GPU中将雷达天线方向图数据由实数转化为复数;
S24、在CPU的控制下,在GPU中利用循环迭代的频域插值或抽取方法对雷达天线方向图数据进行插值或抽取,得到插值或抽取结果其中n1表示雷达天线方向图数据插值或抽取后的总数据点数;
S25、在GPU中对进行幅值求解及归一化处理,得到归一化后的雷达天线方向图S26、在GPU中对进行末端补零处理,补零数目为N-n,得到新的雷达天线方向图 n为常数且n≥1;
S27、在GPU中对进行向数据起点方向的循环移位,循环移位次数为floor(N/2),floor表示向下取整,得到雷达天线方向图循环移位结果
S28、在GPU中将扩展为N行、M列的按行存储的天线方向图矩阵AN,M,天线方向图矩阵所有列向量都为利用步骤S12中创建的FFTN,M变换计划,对AN,M矩阵执行矩阵列FFT变换,并对AN,M矩阵FFT变换后的矩阵Afft(N,M)进行共轭变换,得到矩阵Afftconj(N,M),将矩阵Afft(N,M)和矩阵Afftconj(N,M)按列储在GPU的不同的全局存储器中;
S3、利用CPU读取扫描雷达系统的原始数据并对其进行预处理;
S4、在GPU中完成距离向脉冲压缩处理;
S5、在GPU中完成距离走动校正处理;
S6、在GPU中完成基于最大似然准则的解卷积成像算法处理;
S7、利用CPU保存雷达成像结果数据;
S8、判断是否需要处理下扫描雷达数据,若是则返回步骤S3,否则结束该雷达数据处理流程。
2.根据权利要求1所述的机载前视扫描雷达并行处理方法,其特征在于,所述步骤S25中采用自适应并行归约求最大值的方法实现求解n1点雷达天线方向图数据中的最大值。
3.根据权利要求1所述的机载前视扫描雷达并行处理方法,其特征在于,所述步骤S3具体为:
利用CPU读取扫描雷达回波数据及其对应的机载惯导数据和雷达转台伺服数据,并利用CPU对机载惯导数据中的飞行速度和俯仰角度进行求均值处理,对雷达转台伺服数据进行三次样条插值处理,插值后雷达转台伺服数据长度为N,将雷达回波数据、飞行速度、俯仰角度存储在页锁定主机内存中,再将CPU中雷达回波数据、雷达转台伺服数据、飞行速度和俯仰角度复制到GPU的全局存储器中。
4.根据权利要求1所述的机载前视扫描雷达并行处理方法,其特征在于,所述步骤S4包括以下分步骤:
S41、创建两个CUDA流,分别记为stream41和stream42;
S42、在stream42中顺序完成构造去载频相位因子矩阵、构造脉压函数矩阵以及执行脉压函数矩阵距离维的FFT变换,所述FFT变换运用步骤S11中的FFTM,N变化计划来实现;
S43、在stream41中顺序完成雷达回波数据由实数转换为复数、雷达回波复数域数据的距离维希尔伯特变换、雷达回波数据距离维的去载频处理以及距离向脉冲压缩处理,得到距离向脉冲压缩处理结果矩阵PCM,N,其中M、N分别为距离向点数和方位向点数。
5.根据权利要求3、4任一所述的机载前视扫描雷达并行处理方法,其特征在于,所述步骤S5具体为:
利用飞行速度、俯仰角度、伺服扫描角度,在GPU中构造距离走动相位因子矩阵,然后执行距离走动相位因子矩阵的距离维FFT变换和距离脉冲压缩处理后的矩阵PCM,N的距离维FFT变换,所述FFT变换均运用步骤S11中的FFTM,N变化计划来实现,然后在频域中完成距离走动校正处理,得到距离走动校正处理后的矩阵RMCM,N,其中M、N分别为距离向点数和方位向点数,最后对RMCM,N矩阵进行转置和求元素幅值运算,得到经转置和求 元素幅值后的矩阵RMCN,M,按距离列将其存储在GPU的全局存储器中。
6.根据权利要求5所述的机载前视扫描雷达并行处理方法,其特征在于,所述步骤S6包括以下分步骤:
S61、构建一个使解卷积算法稳定执行的M点的向量因子的第m个元素的具体表达式如公式(1)所示:
式中.*表示向量点积,ε为无穷小量,k表示第k次解卷积迭代,max(X,0)表示求矩阵X元素和0之间的较大者,min(X,1)表示求矩阵X元素和1之间的较小者,ΔK1k-1(N,M)m为第k-1次迭代矩阵ΔK1k-1(N,M)的第m距离列元素向量,ΔK2k-1(N,M)m为第k-1次迭代矩阵ΔK2k-1(N,M)的第m距离列元素向量,ΔK1k-1(N,M),ΔK2k-1(N,M)的表达式分别如公式(2)和公式(3)所示:
ΔK1k-1(N,M)=σk-1(N,M)-Yk-1(N,M) (2)
ΔK2k-1(N,M)=σk-2(N,M)-Yk-2(N,M) (3)
式中σk-1(N,M)、σk-2(N,M)分别表示第k-1、k-2次解卷积的结果,Yk-1(N,M)、Yk-2(N,M)分别表示第k-1、k-2次解卷积时的正约束条件处理后的结果;
S62、对第k次迭代的输入矩阵σk-1(N,M)进行正约束条件处理,正约束条件处理后Yk(N,M)矩阵的第m距离列元素向量的表达式如公式(4)所示:
式中σk-1(N,M)m、σk-2(N,M)m分别为第k-1、k-2次迭代解卷积的结果σk-1(N,M)、σk-2(N,M)的第m距离列元素向量,max(X,0)表示求矩阵X元素和0之间的较大值;
S63、构造解卷积核矩阵CCk(N,M),矩阵CCk(N,M)的表达式如公式(5)所示:
式中./表示矩阵点除,.*表示矩阵点乘,IFFT(N,M)、FFT(N,M)分别表示矩阵执行方位维 的FFT逆变换、FFT变换,所述FFT逆变换和FFT变换均采用步骤S12中的FFTN,M变化计划来实现,RMCN,M为步骤S5中经转置和求元素幅值后的矩阵,Afft(N,M)为步骤S28中对AN,M矩阵进行FFT变换后的矩阵,ε为无穷小量,real表示取矩阵元素的实部;
S64、输出迭代解卷积的结果矩阵σk(N,M),矩阵σk(N,M)的表达式如公式(6)所示:
式中.*表示矩阵点乘,real表示取矩阵元素的实部,IFFT(N,M)表示矩阵执行距离列的IFFT变换,所述IFFT变换采用步骤S12中的FFTN,M变化计划来实现,max(X,0)表示求矩阵X元素和0之间的较大者,Afftconj(N,M)为步骤S28中对矩阵Afft(N,M)进行共轭变换得到的矩阵;
然后通过公式(7)和公式(8)计算ΔK1k(N,M)、ΔK2k(N,M):
ΔK1k(N,M)=σk(N,M)-Yk(N,M) (7)
ΔK2k(N,M)=ΔK1k-1(N,M) (8)。
7.根据权利要求6所述的机载前视扫描雷达并行处理方法,其特征在于,所述步骤S61中的求向量点积采用自适应并行归约求向量点积的方法实现。
8.根据权利要求6所述的机载前视扫描雷达并行处理方法,其特征在于,所述步骤S7具体为:
将GPU中解卷积后的雷达成像结果的数据矩阵复制到CPU的页锁定主机内存中,并由CPU进行数据保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510511184.2A CN105137402B (zh) | 2015-08-19 | 2015-08-19 | 一种基于gpu的机载前视扫描雷达并行处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510511184.2A CN105137402B (zh) | 2015-08-19 | 2015-08-19 | 一种基于gpu的机载前视扫描雷达并行处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105137402A CN105137402A (zh) | 2015-12-09 |
CN105137402B true CN105137402B (zh) | 2017-05-10 |
Family
ID=54722808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510511184.2A Active CN105137402B (zh) | 2015-08-19 | 2015-08-19 | 一种基于gpu的机载前视扫描雷达并行处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105137402B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108107429B (zh) * | 2017-12-22 | 2020-04-07 | 电子科技大学 | 基于最大似然估计的前视超分辨成像方法 |
CN109581368B (zh) * | 2018-12-29 | 2024-02-27 | 内蒙古方向图科技有限公司 | 一种旋转微变监测雷达系统 |
CN110320501A (zh) * | 2019-06-27 | 2019-10-11 | 电子科技大学 | 一种基于gpu的雷达信号脉冲压缩方法 |
CN110208753B (zh) * | 2019-06-27 | 2023-04-25 | 电子科技大学 | 一种基于gpu的雷达目标回波信号获取方法 |
CN112764029B (zh) * | 2020-12-16 | 2024-03-22 | 北京无线电测量研究所 | 一种基于gpu的sar实时成像实现方法和装置 |
CN114325703B (zh) * | 2021-12-27 | 2024-10-01 | 西安电子科技大学 | 一种高帧率视频sar实时成像处理装置及方法 |
CN117635413B (zh) * | 2023-11-17 | 2024-05-07 | 山东科技大学 | 一种机载激光雷达数据实时传输系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6018306A (en) * | 1998-08-21 | 2000-01-25 | Raytheon Company | Scalable range migration algorithm for high-resolution, large-area SAR imaging |
CN101937555A (zh) * | 2009-07-02 | 2011-01-05 | 北京理工大学 | 基于gpu众核平台的脉冲压缩参考矩阵并行生成方法 |
CN102967858A (zh) * | 2012-11-14 | 2013-03-13 | 电子科技大学 | 雷达前视超分辨成像方法 |
CN104459693A (zh) * | 2014-12-01 | 2015-03-25 | 西安电子科技大学 | 基于gpu的弹载sar前斜视成像方法 |
CN104536000A (zh) * | 2015-01-06 | 2015-04-22 | 电子科技大学 | 一种实波束扫描雷达角超分辨方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4005947B2 (ja) * | 2003-06-18 | 2007-11-14 | 株式会社東芝 | パルスレーダ装置とその信号処理方法 |
-
2015
- 2015-08-19 CN CN201510511184.2A patent/CN105137402B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6018306A (en) * | 1998-08-21 | 2000-01-25 | Raytheon Company | Scalable range migration algorithm for high-resolution, large-area SAR imaging |
CN101937555A (zh) * | 2009-07-02 | 2011-01-05 | 北京理工大学 | 基于gpu众核平台的脉冲压缩参考矩阵并行生成方法 |
CN102967858A (zh) * | 2012-11-14 | 2013-03-13 | 电子科技大学 | 雷达前视超分辨成像方法 |
CN104459693A (zh) * | 2014-12-01 | 2015-03-25 | 西安电子科技大学 | 基于gpu的弹载sar前斜视成像方法 |
CN104536000A (zh) * | 2015-01-06 | 2015-04-22 | 电子科技大学 | 一种实波束扫描雷达角超分辨方法 |
Non-Patent Citations (2)
Title |
---|
GPU-based Paralledl Implementation of SAR Imaging;Xingxing Jin等;《2012 International Symposium on Electronic System Design》;20121231;第125-129页 * |
Radar Angular Superresolution Algorithm Based on Bayesian Approach;Zhou Daolin等;《ICSP 2010 Proceedings》;20101203;第1894-1897页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105137402A (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105137402B (zh) | 一种基于gpu的机载前视扫描雷达并行处理方法 | |
CN104111458B (zh) | 基于双重稀疏约束的压缩感知合成孔径雷达成像方法 | |
CN111443339B (zh) | 一种双基sar空变校正成像方法、装置、设备及存储介质 | |
CN103487802B (zh) | 扫描雷达角超分辨成像方法 | |
CN105677942B (zh) | 一种重复轨道星载自然场景sar复图像数据快速仿真方法 | |
CN101907704B (zh) | 多模式合成孔径雷达仿真成像评估方法 | |
CN105785361B (zh) | 一种阵元失效条件下的mimo雷达成像方法 | |
CN111538007B (zh) | 一种基于两步加速的稀疏超分辨成像方法 | |
CN106405548A (zh) | 基于多任务贝叶斯压缩感知的逆合成孔径雷达成像方法 | |
CN108562897A (zh) | 一种mimo穿墙雷达的结构稀疏成像方法和装置 | |
CN108008389A (zh) | 一种基于gpu的快速频域后向投影三维成像方法 | |
CN104698431B (zh) | 基于模糊分量doa估计的多通道sar方位解模糊方法 | |
CN103323845B (zh) | 一种非均匀采样综合孔径辐射计的图像反演方法 | |
CN112946601B (zh) | 基于Gauss-Seidel的高效分布式目标相位优化方法 | |
CN104483671B (zh) | 基于稀疏表示理论的合成孔径雷达成像方法 | |
CN105093225A (zh) | 基于双重稀疏约束的逆合成孔径雷达自聚焦成像方法 | |
CN111337873A (zh) | 一种基于稀疏阵的doa估计方法 | |
CN103744072A (zh) | 基于模拟退火算法和分布式并行子阵波束形成算法的稀疏阵列优化方法 | |
CN103293528A (zh) | 扫描雷达超分辨成像方法 | |
CN103425816A (zh) | 快速获取金属旋转对称体电磁散射特性的矩阵抽取方法 | |
CN111551933A (zh) | 基于稀疏表示理论的微动群目标isar成像方法 | |
CN110441772B (zh) | 大轨道分布范围下星载稀疏重航过sar三维成像方法 | |
CN105005048B (zh) | 基于显著图的Laplacian协同压缩雷达成像方法 | |
CN105759264B (zh) | 基于时频字典的微动目标缺损回波高分辨成像方法 | |
CN105044679B (zh) | 一种基于正交投影的发射波束零陷展宽方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |