CN110208753A - 一种基于gpu的雷达目标回波信号获取方法 - Google Patents

Abstract

本发明属于雷达信号处理技术领域，涉及一种基于GPU的雷达目标回波信号获取方法。本发明通过对FFT和IFFT的并行实现、目标散射点与发射信号频域相乘并行化、目标回波信号叠加并行处理，使得：在GPU运算中使用共享内存的方法，减少内存访问，提高运算速度；在单GPU卡的测试条件下，随着采样点数、目标个数和通道数的增加，GPU回波计算耗时均小于脉冲周期，可以满足系统实时性要求。

Description

一种基于GPU的雷达目标回波信号获取方法

技术领域

本发明属于雷达信号处理技术领域，涉及一种基于GPU的雷达目标回波信号获取方法。

背景技术

传统雷达系统基本是以“硬件技术为中心”和“面向专用功能”两个方面为开发模式。虽然它们在信号处理和数据处理速度和精度都可以达到所需要求，但是对于整个雷达系统来说，限制了其通用性和灵活性。软件化雷达具有标准化、数字化和模块化三大特征，是“以软件技术为核心，面向应用需求”的开发模式以及基于开放式体系架构的雷达系统。软件化雷达架构采用开放式体系架构(Radar Open Systems Architecture，ROSA)，可以在雷达系统中采用更多技术单位的先进技术，与传统雷达封闭的开发过程相比，更能促进集成后的雷达系统的性能提升和功能优化。软件化雷达采用层次化解耦架构体系，研发模式是以层次并行为理念。

GPU全称是图形处理器(Graphics Processor Unit)，它是显卡的核心单元。从GPU产生以来一直担任着对图形渲染任务，GPU的开发高性能计算能力远远超过CPU，而且NVIDAGP公司Tesla K80单精度计算能力已经达到5.6TFLOPS。

对于现代化雷达来说，单通道单点目标的探测已经无法满足现代化战争的需求，大多数情况下均是在天线多通道下进行多目标探测。

发明内容

为了满足雷达信号处理的实时性要求，回波计算必须具有很高的时间性能，本发明利用GPU的高速计算能力，设计了一种基于GPU加速的回波计算实现方法，能够以较快的速度完成可变多通道的回波计算，满足系统信号处理实时性要求。

本发明的技术方案是，一种基于GPU的加速的雷达信号回波实现方法，其特征在于，包括以下步骤：

S1、将数据存放在GPU显存中，GPU线程结构为三维网格，令网格的x方向维度所有线程块对应每个通道采样点数，利用循环计算不同目标，网格y维度对应通道数，网格z维度对应脉冲数；

S2、利用实现GPU高度并行优化的FFT接口对发射时域信号进行傅里叶运算，得到发射信号的频谱；

S3、在GPU上实现三次样条插值的并行计算，首先找到数据所要插入的起始位置IndexStart和终止位置IndexEnd，为了得到多目标的散射点，在每1M取一个点的原始离散频点散射场频点基础上进行插值，线程网格x维是每个目标所需要插入数据的位置，y方向是目标个数，根据不同目标的线程块Block和不同线程块中的线程同时查找原始目标数据的起始位置和终止位置，然后根据不同目标的需要插入的数据位置进行插值计算处理，最后得到不同目标的插值目标散射频点值，并行插值可以同时实现多个目标的散射点的插值运行；

S4、在GPU上实现目标散射频点和发射信号并行相乘，通过每个线程计算目标散射点与发射频谱的频域上的点乘，得到所有目标回波的频谱信号；

S5、利用可以实现GPU高度并行优化的IFFT接口对发射时域信号进行逆傅里叶运算，得到目标回波信号；

S6、对每个目标信号进行时延处理，即对每一个目标信号进行相位相乘，并利用GPU进行并行叠加，在一个脉冲上实现多目标回波信号。

本发明的有益效果为，对算法进行并行优化，使之能够适用GPU的高速并行计算能力；在GPU运算中使用共享内存的方法，减少内存访问，提高运算速度；在单GPU卡的测试条件下，随着采样点数、目标个数和通道数的增加，GPU回波计算耗时均小于脉冲周期，可以满足系统实时性要求。

附图说明

图1是目标回波信号计算流程示意图；

图2是目标离散频点散射场频点并行插值示意图；

图3是多目标散射频点与发射频谱并行相乘示意图；

图4是目标回波并行叠加处理示意图。

具体实施方式

下面结合附图进一步对本发明的技术方案进行描述。

如图1所示，本发明的技术方案包括如下步骤：

第一步：将数据存放在GPU网格中，GPU线程结构为三维网格。

网格每个X维所有线程对应一个目标所有频点的计算；

网格y方向为所有通道数；

网格z方向对应所有脉冲；

第二步：对发射时域信号进行傅里叶运算得到发射信号频谱，利用可以实现GPU高度并行优化的FFT接口。

第三步：在GPU上实现目标散射点的三次样条插值，如图2所示，通过以上方法步骤可以实现某个类型目标的三次样条函数系数向量M，目标散射频点原始数据样本，并最终把它们进行数据存盘处理。假设有一组需要插入的数据V(a₀,a₁,...,a_m)，首先找到数据所要插入的起始位置IndexStart和终止位置IndexEnd，为了充分利用线程资源每个线程块中分配512个线程数，总共分配插入数据大小/512个线程块，每个线程处理一个插入点，计算每个插值。

第四步：目标散射频点和发射信号频谱在GPU上并行相乘，如图3所示，多目标的散射频点是天线接收到信号增益大于0的目标散射数据，每个目标散射频点的采样点数补充到与发射信号频谱的采样点数一样为m，因此为了更好的利用设备内存资源，目标的散射频点分配m/512+1个线程块，每个线程块分配512个线程，发射信号频点也是一样的分配。以及在目标散射频点是多个目标的数据，所以线程网格的纵向量分配不同目标的数据。通过每个线程计算目标散射点与发射频谱的乘积得到目标散射频点与发射信号频谱的频域上的点乘，即实现了Y(f)＝S(f)*H(f)，得到所有目标回波的频谱信号。

第五步：对目标回波频谱进行逆傅里叶运算，得到目标回波时域信号，利用了可以实现GPU高度并行优化的IFFT接口。

第六步：进行目标相位相乘后得到当前目标包含时延信息的回波时域数据，利用GPU实现回波信号并行叠加，如图4所示。

下面通过实际数据对本发明的优势进行验证。

(1)CPU和GPU计算目标回波耗时对比

场景中单个发射脉冲，处理通道数1个，目标个数10个，而通过对场景中的脉宽、带宽、采样频率和信号采样点数的设定，分别在CPU和GPU上执行的时间，其中利用CUDA 9.1的实时测试工具NSight测试GPU上的耗时。

表1.CPU和GPU计算回波时间对比

从表1结果的显示，可以得出结论：在单GPU卡的测试条件下，随着采样点数增加，GPU的高性能会逐渐显示出来，从采样点数5K的加速比46.22，逐渐扩大到采样点数个数为6M的259.49，说明GPU适合进行大数据并行处理。

(2)单GPU多目标回波性能测试

场景中，单个发射脉冲，处理通道数4和6个，目标个数20和35个，信号频谱点数包括5K、15K、50K和75K，那么总的数据量(Bytes)＝采样点数*目标个数*通道数*8。通过显卡GTX(1080Ti)进性性能测试，并通过测试工具CUDA 9.1的NSight测试耗时。

表2：单GPU多目标回波计算时间

从表2结果的显示，可以得出结论：在单GPU卡的测试条件下，随着采样点数、目标个数和通道数的增加，GPU耗时也越来越多。GPU回波计算耗时均小于脉冲周期，可以满足系统实时性要求。

Claims (1)

1.一种基于GPU的雷达目标回波信号获取方法，其特征在于，包括：

S1、将数据存放在GPU显存中，GPU线程结构为三维网格，令网格的x方向维度所有线程块对应每个通道采样点数，利用循环计算不同目标，网格y维度对应通道数，网格z维度对应脉冲数；

S2、利用GPU的FFT接口对发射时域信号进行傅里叶运算，得到发射信号的频谱；

S3、在GPU上实现三次样条插值的并行计算，首先找到数据所要插入的起始位置IndexStart和终止位置IndexEnd，为了得到多目标的散射点，在每1M取一个点的原始离散频点散射场频点基础上进行插值，线程网格x维是每个目标所需要插入数据的位置，y方向是目标个数，根据不同目标的线程块Block和不同线程块中的线程同时查找原始目标数据的起始位置和终止位置，然后根据不同目标的需要插入的数据位置进行插值计算处理，最后得到不同目标的插值目标散射频点值，并行插值可以同时实现多个目标的散射点的插值运行；

S4、在GPU上实现目标散射频点和发射信号并行相乘，通过每个线程计算目标散射点与发射频谱的频域上的点乘，得到所有目标回波的频谱信号；

S5、利用GPU的IFFT接口对发射时域信号进行逆傅里叶运算，得到目标回波信号；

S6、对每个目标信号进行时延处理，即对每一个目标信号进行相位相乘，并利用GPU进行并行叠加，在一个脉冲上实现多目标回波信号。