CN108919227A

CN108919227A - 一种基于gpu加速的多通道fblms实现方法

Info

Publication number: CN108919227A
Application number: CN201810940572.6A
Authority: CN
Inventors: 陈章鑫; 郑光勇; 杨孟文; 沈晓峰; 钟霞
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2018-08-17
Filing date: 2018-08-17
Publication date: 2018-11-30
Anticipated expiration: 2038-08-17
Also published as: CN108919227B

Abstract

本发明属于外辐射源雷达的实时信号处理技术领域，涉及一种基于GPU加速的多通道FBLMS实现方法。本发明针对FBLMS算法内部结构进行优化，在对参考数据进行分块和重叠后，对其进行FFT变换，再进行权值迭代；在权系数迭代之前进行FFT变换，减少了迭代过程中FFT的运算量，提高了运算速度。实现了对多通道回波信号的杂波抑制，利用GPU并行处理，满足实时性要求。在GPU显存充足的情况下，可以支持多通道的杂波抑制处理，并保持运算时间基本不变。

Description

一种基于GPU加速的多通道FBLMS实现方法

技术领域

本发明属于外辐射源雷达的实时信号处理技术领域，涉及一种基于GPU加速的多通道FBLMS实现方法。

背景技术

在外辐射源雷达信号处理中，雷达回波信号中存在直达波和杂波等情况，需要对其进行直达波和杂波抑制处理。常见的杂波抑制方法有扩展关联法(ExtensiveCancellation Algorithm,ECA)、最小均方误差法(Least Mean Square,LMS)、递归最小二乘法(Recursive Least Squares,RLS)、归一化最小均方误差法(Normalized Least MeanSquare,NLMS)和频域分块最小均方误差法(Frequency Block Least Mean Square,FBLMS)等。ECA和RLS具有较好的直达波信号和多径信号抑制效果；但是ECA算法涉及矩阵求逆，运算量太大，不适合实时系统；RLS计算量为O(N²)，运算量也较大。NLMS算法的杂波抑制效果略低于ECA和RLS算法，但计算量为O(N)，运算量较小；LMS算法的计算量也为O(N)，但杂波抑制效果较差，不能满足要求；FBLMS算法由于采用了快速运算方法，大大降低了其计算复杂度，计算量较NLMS和LMS降低很多，改进的FBLMS算法在输入信号功率不断变化的情况下，可以达到更快的收敛速度，同时取得更小的稳态误差。所以，多通道下的FBLMS算法具有重要研究意义。

目前研究的FBLMS算法，主要分为基于CPU平台和GPU平台两种处理方式。基于CPU平台的实现方式，受限于CPU的实时处理能力，只能实现单通道的实时信号处理；基于GPU平台的实现方式，利用GPU的并行计算能力，若对数据进行分段而后进行并行处理，可以在一定程度上提高了运算速度，如李晓波、关欣等人提出的基于数据块交叉重组结构的直达波杂波抑制实现方法。但此方法没有针对FBLMS内部结构进行GPU算法优化，对数据进行分段会导致抑制比降低，同时也未提及多通道下的信号处理实现。多通道信号处理对于后期数字波束形成，目标方向估计具有重要意义。

发明内容

本发明的目的，就是针对上述情况，提供一种基于GPU加速的多通道FBLMS实现方法，该方法针对多通道的回波信号，能以较快的速度进行数据处理，满足信号处理的实时性要求。

本发明的技术方案为：

第一步：信号分块。如图1所示，将待处理的参考信号x(n),n＝1,2,...,Len和监测通道信号d_i(n),i＝1,2,...,M；n＝1,2,...,Len进行分块。分块长度为L，分块后得参考信号x(k),k＝1,2,...,N以及监测通道信号d_i(k),i＝1,2,...,M；k＝1,2,...,N，其中Len是数据长度，M为监测通道数，每个通道分块后共有N个数据块。

第二步：对分块后的参考信号x(k)进行扩展。如图2所示，每次数据块前面拼接上前一个数据块，使得每个数据块长度扩展为2L，需要说明的是，在第一块数据前补与块长度相同的零，标号为0；标号为0与1的两块数据分为第一组，长度为2L；接着标号为1与2的两块数据分为第二组，以此类推，得到N组长度为2L的数据。对分块数据进行重复扩展，保证在对消后拼接数据时不存在跳变点。

第三步：对扩展后的参考信号做FFT变换，将时域信号换置频域。利用GPU并行处理的特性，对这N个数据块做同时做FFT变换，将原本在FBLMS迭代中的参考信号频域转换拿到迭代过程之前实现。利用GPU并行的特性，多个数据块的FFT变换可以一次完成，相比在迭代中完成N次FFT所需时间要少，这是对FBLMS算法内部的优化。

第四步：对分块后的监测通道信号d(g,k),g＝1,2,...,M；k＝1,2,...N进行结构变形。如图2所示，将每个通道标号为g的块依次连接，记为分别记为g1,g2,...,gj,...gN分别表示监测通道i的第j块数据。以此类推，得到一组N块长度为ML的数据。

第五步：取出第三步中参考信号进行FFT变换后的一组数据，记为U_i(n),n＝1,2,...,2L；FBLMS滤波器在频率进行迭代，权向量长度为2L，每个通道都需要对应一个FBLMS滤波器，则M个通道的滤波器权值为ω_i(n),n＝1,2,...,2LM，分为M段，每段权值的数据长度为2L。参考信号的U_i与每个通道的ω_i(n)分别相乘，得到Y_i(n)，n＝1,2,...,2LM。

第六步：按照第五步数据处理方式进行FBLMS算法运算，对Y_i进行IFFT变换，得到y_i(n),n＝1,2,...，2LM，y_i是每一个通道经过滤波器滤波后的第i-1和第i块数据。实际使用中，我们需要对y_i进行截取，仅需要每个通道数据中的后L个数据。经过截取，数据长度变为ML。

第七步：取出第四步中监测信号的第i块数据，记为D_i(n),n＝1,2,...,LM；y_i(n)与D_i相减，得到e_i(n),n＝1,2,...,LM，此时便是实现杂波对消后的所需要的输出信号。

第八步：对滤波器权向量进行更新迭代。记γ为遗忘因子，α为步进长度，P为U_i的功率估计修正，P＝γ*P+(1-γ)*|U_i|²，对e_i进行FFT变换，得到E_i(n),n＝1,2,...,LM，对E_i中的每一个通道的数据前插入长度为L的零数据块，插入后数据长度变为2ML，修正量滤波器权向量的更新方程为ω(n+1)＝ω(n)+△ω。转到第五步，迭代N次。

第九步：输出信号结构转换。各通道直达波抑制后的信号是以第四步输出的结构保存的，需要执行第四步的内过程，将其转换为各通道信号的形式。

本发明的有益效果为：

1.改进了算法的流程，对数据进行分块处理，降低了所需重复迭代次数；

2.针对FBLMS算法内部结构进行优化，在对参考数据进行分块和重叠后，对其进行FFT变换，再进行权值迭代；在权系数迭代之前进行FFT变换，减少了迭代过程中FFT的运算量，提高了运算速度；

3.实现了对多通道回波信号的杂波抑制，利用GPU并行处理，满足实时性要求。在GPU显存充足的情况下，可以支持多通道的杂波抑制处理，并保持运算时间基本不变。

附图说明

图1为各通道数据分块；

图2为各通道数据块的结构变形；

图3为基于GPU的多通道FBLMS算法框图；

图4为输出信号结构转换示意图；

图5为使用直达波抑制之后的信号与参考信号无源相关后得到的距离多普勒图；

图6为距离维的相关峰；

图7为多普勒维的相关峰。

具体实施方式

下面通过实际数据的处理实例来验证本发明的优点。

以DTMB数字电视信号为外辐射源，DTMB信号带宽为7.56MHz，本次实验数据采样中心频率为688MHz，采样率为10MHz，接受机通道共有6个，1个作为参考通道，可作为监测通道的有5个。考虑外辐射源雷达目标信号微弱的特点，选择长累计，故实验迭代数据长度选择5MHz(即0.5S的数据)。

以下将做CPU串行处理方法，现有GPU处理方法以及本发明方法的性能比较。需要特别说明的是，由于现有GPU处理方法只适用于单通道，为更好比较单通道情况，特省略步骤第四步和第九步，简化为单通道模式以作比较。

结果如表1所示：

表1

图5是使用直达波抑制之后的信号与参考信号无源相关后得到的距离多普勒图，图中可清晰辨别出目标位置。图6和图7分别是距离维和多普勒维的相关峰，从中可清晰辨别目标信号相关峰。

Claims

1.一种基于GPU加速的多通道FBLMS实现方法，其特征在于，包括以下步骤：

S1、信号分块：

根据滤波器长度L对个通道数据分块，即将待处理的参考信号x(n),n＝1,2,...,Len和监测通道信号d_i(n),i＝1,2,...,M；n＝1,2,...,Len进行分块，分块长度为L，分块后得参考信号x(k),k＝1,2,...,N以及监测通道信号d_i(k),i＝1,2,...,M；k＝1,2,...,N，其中Len是数据长度，M为监测通道数，每个通道分块后共有N个数据块；

S2、对分块后的参考信号x(k)进行扩展：

每个数据块前面拼接上前一个数据块，使得每个数据块长度扩展为2L，即第一块数据前补与块长度相同的零，标号为0，第二块数据前拼接上第一块数据，标号为1，以此类推，然后将标号为0与1的两块数据分为第一组，长度为2L；接着标号为1与2的两块数据分为第二组，以此类推，得到N组长度为2L的数据；

S3、对扩展后的参考信号做FFT变换，将时域信号变换为频域信号：

利用GPU并行处理的特性，对步骤S2得到的N个数据块同时做FFT变换；

S4、对分块后的监测通道信号d(g,k),g＝1,2,...,M；k＝1,2,...N进行结构变形：

将每个通道标号为g的块依次连接，分别记为g1,g2,...,gj,...gN，分别表示监测通道i的第j块数据；以此类推，得到一组长度为ML的数据；

S5、取出步骤S3中参考信号进行FFT变换后的一组数据，记为U_i(n),n＝1,2,...,2L；FBLMS滤波器在频率进行迭代，权向量长度为2L，每个通道都需要对应一个FBLMS滤波器，则M个通道的滤波器权值为ω_i(n),n＝1,2,...,2LM，分为M段，每段权值的数据长度为2L，参考信号的U_i与每个通道的ω_i(n)分别相乘，得到Y_i(n)，n＝1,2,...,2LM；

S6、按照步骤S5数据处理方式进行FBLMS算法运算，对Y_i进行IFFT变换，得到y_i(n),n＝1,2,...，2LM，y_i是每一个通道经过滤波器滤波后的第i-1和第i块数据；

S7、取出步骤S4中监测信号的第i块数据，记为D_i(n),n＝1,2,...,LM；y_i(n)与D_i相减，得到e_i(n),n＝1,2,...,LM，此时便是实现杂波对消后的所需要的输出信号；

S8、对滤波器权向量进行更新迭代：

记γ为遗忘因子，α为步进长度，P为U_i的功率估计修正，P＝γ*P+(1-γ)*|U_i|²，对e_i进行FFT变换，得到E_i(n),n＝1,2,...,LM，对E_i中的每一个通道的数据前插入长度为L的零数据块，插入后数据长度变为2ML，修正量滤波器权向量的更新方程为ω(n+1)＝ω(n)+△ω，转到步骤S5，迭代N次；

S9、输出信号结构转换：各通道直达波抑制后的信号是以步骤S4输出的结构保存的，执行步骤S4的内过程，将其转换为各通道信号的形式。