CN111273251B - 一种基于多核dsp的粒子群交换长时间积累实现方法 - Google Patents

Abstract

本发明公开了一种基于多核DSP的粒子群交换长时间积累实现方法，在长时间积累时，目标跨距离单元和多普勒单元会导致积累检测性能下降，长时间积累模块首先将目标回波数据进行分段，使得每段内目标不会跨距离单元和多普勒单元，再利用粒子群交换PSO算法搜索粒子的距离、速度、加速度等参量，迭代寻找全局最优粒子，作为目标的距离、速度和加速度。本发明特别适用于提高对隐身等微弱回波目标的雷达作用距离，能够获得良好的目标检测性能，等效提高对隐身等微弱回波目标的雷达作用距离。

Description

一种基于多核DSP的粒子群交换长时间积累实现方法

技术领域

本发明属于信号处理和检测技术领域，所涉及的是雷达信号处理领域中的一种基于多核DSP(Digital Signal Processing，数字信号处理)的粒子群交换长时间积累实现方法，特别适用于提高隐身目标微弱回波信号功率的弹载应用平台上搜索目标。

背景技术

长时间相参积累是一种基于“检测前聚焦”的相参积累技术，它能够获得良好的目标检测性能，等效提高对隐身等微弱回波目标的雷达作用距离。“检测前聚焦”技术，其实质是实现运动目标在长时间内跨距离、跨多普勒单元的相参积累，其相参积累的结果能够在所需要的参数空间上得到目标回波能量的“聚焦”。

由于弹目间的高速机动，长时间内回波信号分布跨越距离、速度分辨单元而造成能量发散，“检测前聚焦”采用一种创新的搜索、匹配和积累方法，在检测时刻点上实现距离、速度参数“聚焦”而形成一个能量峰，使得回波功率提高了数十倍、数百倍，从而极大地提高雷达的反隐身能力，即从回波能量聚积的途径来提高对高机动高速隐身飞行器的检测、跟踪能力。长时间积累时，目标跨距离单元和多普勒单元会导致积累检测性能下降，长时间积累模块将回波数据进行分段，使得每段内目标不会跨距离单元和多普勒单元。利用PSO算法(粒子群优化算法，Particle Swarm Optimization，简称PSO算法)搜索粒子的距离、速度、加速度等参量，迭代寻找全局最优粒子，作为目标的距离、速度和加速度。

现有技术中涉及有雷达动目标Radon-分数阶傅里叶变换长时间相参积累检测方法，如该方法完成长时间脉间相参积累后，遍历所有搜索参数，构建距离检测单元图并对其进行恒虚警检测，对目标运动参数估计并输出运动点迹。但是要遍历所有搜索参数，所以该检测方法计算量太大且效率较低，不能满足弹载应用平台上的实时性要求。因此该方法不适用于本发明。

现有技术中还涉及基于粒子群优化算法的PRT位置搜索方法，该方法中利用遗传学的相关知识进行PRT的选择优化，首先产生带有随机初始速度的种群，比较新种群和原种群的次峰值从而进行判定和更新，直到循环达到最大递推数。但是该专利并未考虑到基于粒子群优化算法的搜索方法可能陷入局部收敛，在信噪比较小的情况下并不适用。

目前还涉及有关于基于多种群的粒子群算法模型，该方案中存在多个粒子种群，其中每个种群都会对解空间搜索，介绍了不同种群的协同合作及信息交互，两个种群交换历史最优适应度和相应的位置矢量，该算法模型能够有效避免过早收敛，减小陷入局部最优最的概率。相较于该专利，本专利在多核DSP上实现了多种群长时间积累算法，从算法的可实现性和新颖性上均优于该模型专利。

目前还涉及有关于粒子群优化算法的改进及应用研究，例如围绕PSO算法的改进，分析该算法中的参数控制问题，同时进化两个种群，并且这两个种群是在进化的过程中动态形成的，提出了基于粒子群优化的多种群算法。而本专利是基于粒子群交换的长时间积累算法，使用了TMS320C6678多核DSP，在保证精度和实时性的条件下实现检测。

另外，现有技术中还涉及船载雷达探测空间目标长时间信号积累技术研究，研究了对船载雷达跟踪空间目标的长时间积累算法，介绍了长时间积累过程中目标相对雷达运动而导致距离走动和多普勒走动。针对卫星目标提出了运用运动特性进行包络补偿和相位补偿的方法。但是该方法只适用于船载雷达跟踪空间目标，并不适用于弹载应用平台上只有微弱回波信号功率的隐身目标。

发明内容

本发明的目的在于提供一种基于多核DSP的粒子群交换长时间积累实现方法，在长时间积累时，目标跨距离单元和多普勒单元会导致积累检测性能下降，长时间积累模块首先将目标回波数据进行分段，使得每段内目标不会跨距离单元和多普勒单元，再利用粒子群交换PSO算法搜索粒子的距离、速度、加速度等参量，迭代寻找全局最优粒子，作为目标的距离、速度和加速度；长时间积累是一种利用PSO算法的相参积累技术，它能够获得良好的目标检测性能，有效提高对隐身等微弱回波目标的雷达作用距离。

为了达到上述目的，本发明通过以下技术方案实现：

一种基于多核DSP的粒子群交换长时间积累实现方法，包含以下过程：

S1、将长时间积累的雷达回波数据进行分段，得到多段可相参积累的短时间脉冲数据，使得每段内目标不会跨距离单元和多普勒单元，并将不同的分段脉冲分配在不同的核中对每段脉冲数据进行快速傅立叶变换处理，且将得到的快速傅立叶变换结果搬移到设定存储器中；

S2、粒子群算法参数初始化，包括初始化所有粒子的距离范围、速度范围、加速度范围、粒子最优值、粒子群最优值，在粒子的距离、速度和加速度范围内随机产生初始迭代粒子的距离、速度和加速度；

S3、将粒子群分配：将所有粒子均分至每个核中；

S4、设置粒子搜索范围：利用粒子的距离范围、速度范围、加速度范围分别产生随机量初始化所有粒子的距离、速度、加速度；

S5、在每个核中进行粒子适应度计算，其中，粒子适应度是指每段快速傅立叶变换结果中粒子所在位置的快速傅立叶变换结果相位补偿后相加再取模；

S6、在每个核中进行粒子寻优，每个核中的粒子按适应度值大小更新第一种群粒子最优值Pb1和第二种群粒子最优值Pb2，使得粒子向更优的方向进化；

S7、种群寻优计算：计算两个种群中所有粒子的最优值，并将该最优值作为整个粒子群最优值G_b；

S8、在每个核中进行粒子群更新：每个核对所有粒子进行距离、速度、加速度的更新，执行更新的粒子群包含第一种群与第二种群；

S9、进行种群交换：根据第一种群和第二种群适应度从小到大排序，交换第一种群适应度最大的N个和第二种群适应度最小的N个粒子个体值和最优值，N表示两群交换长度；

S10、判断迭代次数是否满足要求：

若迭代次数k＞k_max，则满足迭代次数要求，跳转到步骤S11；

若迭代次数k≤最大迭代次数k_max，则跳转到步骤S5，继续执行步骤S5～S10，循环进行，直至满足迭代次数要求，则跳转到步骤S11；

S11、判断信噪比是否满足要求：

若信噪比SNR≤最小信噪比SNR_min，则不满足信噪比要求，结束检测，此时未检测到目标；若信噪比SNR＞SNR_min，则满足信噪比要求，跳转到步骤S12；

S12、粒子群结果计算：将粒子种群最优值G_b作为终选目标。

优选地，所述步骤S1中，进一步包含：积累时间内的回波包含N₁个脉冲，共有S₁个核，分段数为M₁；每段内的脉冲为N₁/M₁个脉冲，每个核内快速傅立叶变换循环次数为M₁/S₁*P次，P表示每段的距离门个数；每段的积累时间为脉冲周期乘以每段的脉冲数。

优选地，粒子群算法参数初始化、粒子群分配、粒子搜索范围、种群寻优计算、种群交换、粒子群结果计算中的一种或多种是在DSP首核中进行。

优选地，所述步骤S2中，初始化所有粒子的距离范围为0～1275、速度范围为200～400、加速度范围为-100～100、第一种群粒子个数为128、第二种群粒子个数128，以及两种群交换长度N为40。

优选地，所述步骤S3中，进一步包含：多核DSP的核数量S₁等于8，粒子群均分时，将所有粒子依次分配至8个核，其中前4个核处理第一种群，后四个核处理第二种群。

优选地，所述步骤S4中，进一步包含：

当粒子距离的最小值为R_min，以及最大值为R_max，利用随机量产生的距离表示为：

R＝(R_max-R_min)·rand1+R_min (1.1)

式中，rand1表示随机数；

当粒子速度的最小值为V_min，以及最大值为V_max，利用随机量产生的速度表示为：

V＝(V_max-V_min)·rand2+V_min (1.2)

式中，rand2表示随机数；

当粒子加速度的最小值为A_min，以及最大值为A_max，利用随机量产生的加速度表示为：

A＝(A_max-A_min)·rand3+A_min (1.3)

式中，rand3表示随机数。

优选地，所述步骤S5中，进一步包含：

根据粒子的距离、速度和加速度，计算距离走动量和速度走动量，确定距离走动量和速度走动量代表的距离索引N_r＝R_d/d_r和多普勒索引f_d＝2*v_d/λ，N_f＝f_d/d_f，按索引对所述设定存储器中相应的快速傅立叶变换结果进行相位补偿，相加取模后获取粒子适应度；

其中，粒子的距离走动量表示为：

粒子的速度走动量表示为：

v_d＝v+at_m (3)

式中，t_m表示慢时间；

不同段之间的粒子快速傅立叶变换结果存在相位差，其大小可表示为：

R_d表示距离走动量，v_d表示速度走动量。

所述步骤S7中，进一步包含：

第一种群为固定权值种群，速度权值取值固定不变，当P_X1(k)表示第k次迭代时的第一种群粒子个体值，P_V1(k)表示第k次迭代时的第一种群粒子更新值，则更新公式如下：

P_V1(k)＝ω_max·P_V1(k-1)+c₁·rand·[P_b1(k)-P_X1(k)]+c₂·rand·[G_b-P_X1(k)] (5)

P_X1(k+1)＝P_X1(k)+P_V1(k) (6)

式中：ω_max表示固定速度权值系数；c₁表示个体最优值对粒子更新的影响系数；c₂表示群体最优值对粒子更新的影响系数；rand表示从0～1的随机数；G_b表示整个粒子群最优值。

优选地，第二种群为变权值种群，更新公式如下所示：

P_V2(k)＝ω·P_V2(k-1)+c₁·rand·[P_b2(k)-P_X2(k)]+c₂·rand·[G_b-P_X2(k)] (7)

P_X2(k+1)＝P_X2(k)+P_V2(k) (8)

式中：P_V2(k)表示第k次迭代时的第二种群粒子个体更新值；P_X2(k)表示第k次迭代时的第二种群粒子个体值；ω表示速度权值系数，其计算公式如下所示：

式中：ω_min表示最小权值；k_max表示最大迭代次数。

与现有技术相比，本发明的有益效果在于：本发明在多核DSP实现了基于粒子群交换的粒子群优化算法，可提高隐身目标微弱回波信号的功率；长时间照射极易使高速机动目标产生跨距离单元走动、跨多普勒单元走动。在长时间照射期间，目标由于相对雷达视线的变化，目标在回波间不可避免出现未知的幅度和相位起伏。换言之，长时间照射可能由于目标自身运动导致“去相参”；长时间积累时，目标跨距离单元和多普勒单元会导致积累检测性能下降，长时间积累模块将回波数据进行分段，使得每段内目标不会跨距离单元和多普勒单元；根据两个种群中粒子的适应度大小，交换粒子个体值和最优值，可以有效避免算法陷入局部收敛；PSO算法本质上是一种高效、快速的搜索方式，在给定的距离、速度、加速度集合范围内高效的寻找到与目标真实距离、速度、加速度相匹配的组合，采用多核DSP实现算法，满足工程化实时处理要求。

附图说明

图1为本发明基于多核DSP的粒子群交换长时间积累实现方法流程图；

图2为本发明的PSO程序模块的子模块调用和内部接口示意图；

图3为本发明的长脉冲分段示意图；

图4为本发明的迭代次数k＝1时粒子寻优过程分布图；

图5为本发明的迭代次数k＝25时粒子寻优过程分布图；

图6为本发明的迭代次数k＝50时粒子寻优过程分布图；

图7为本发明的迭代次数k＝200时粒子群结果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-图2结合所示，本发明提供了一种基于多核DSP的粒子群交换长时间积累实现方法，长时间积累时，目标跨距离单元和多普勒单元会导致积累检测性能下降，长时间积累模块首先将目标回波数据进行分段，使得每段内目标不会跨距离单元和多普勒单元，再利用粒子群交换PSO算法搜索粒子的距离、速度、加速度等参量，迭代寻找全局最优粒子，作为目标的距离、速度和加速度。本发明特别适用于提高对隐身等微弱回波目标的雷达作用距离。对应于长时间积累方法流程图，PSO程序模块的子模块包含有：粒子群初始化模块、粒子群分配模块、粒子群初始值设置模块、粒子适应度计算模块、粒子个体最优值计算模块、粒子群更新随机量计算模块、种群最优值计算模块、粒子群更新模块、粒子群结果计算模块、种群交换模块、粒子个体最优值计算模块、粒子群体最优值计算模块。

具体地，该实现方法包含以下步骤：

S1、将长时间积累的雷达回波数据进行分段，得到多段可相参积累的短时间数据，使得每段内目标不会跨距离单元和多普勒单元，将不同的分段脉冲分配在不同的核中利用核0～核8对每段数据进行FFT(快速傅立叶变换，fast Fourier transform)处理，并将得到的FFT结果搬移到DDR(Double Data Rate，双倍速率同步动态随机存储器)中。

所述步骤S1中，进一步包含：

(1.1)用MATLAB生成回波数据，仿真目标信号的距离500m，速度300m/s，加速度50m/s2；初始化系统参数，脉冲重复周期8.5μs，采样率4M，距离门数34，脉冲数16384。

(1.2)长时间积累时，将不同的分段脉冲分配在不同的核中进行FFT，得到的FFT结果搬移到DDR中。如图2长脉冲分段示意图，积累时间内的回波包含16384个脉冲，共有8个核，分段数为32，则每段内的脉冲为512个脉冲，每个核内FFT循环次数为32/8*34＝136次。其中，分段是指在频率维将长脉冲分成一段一段的短脉冲。如图2所示，将长脉冲分成32段，每一段的积累时间为脉冲周期*每一段的脉冲数＝8.5μs*512＝4.352ms。分成的每一段保证目标不会跨距离单元和多普勒单元，可进行相参积累。本发明中的核0处理数据范围1～4段(每段34个距离门，512个脉冲)，核1处理数据范围5～8段，以此类推，直至核7处理数据范围29～32段。上述步骤S1对应于图2中的粒子群初始化模块。

S2、粒子群算法参数初始化在DSP核0中进行，包括初始化所有粒子的距离范围、速度范围、加速度范围、粒子最优值、粒子群最优值，在粒子的距离、速度和加速度范围内随机产生初始迭代粒子的距离、速度和加速度。

所述步骤S2中，示例地，初始化所有粒子的距离范围[0，1275]、速度范围[200，400]、加速度范围[-100，100]、种群1粒子个数128、种群2粒子个数128、两种群交换长度40。

S3、粒子群即所有粒子的分配在DSP核0中进行，将所有粒子均分至每个核中，粒子群均分时，将所有粒子依次分配至8个核(核0～核7)，如果粒子个数不能被8整除，此时每个核中的粒子数并不一定相同；为了加快底层函数运算速度进行粒子群个数调整，将前7个核的粒子数调整为偶数，第8个核中的粒子数用于保证总粒子数不变，计算并保存每个核的粒子索引起始。该步骤S3对应于图2中的粒子群分配模块。

示例地，粒子群均分时，将所有粒子依次分配至核0～核7，其中核0～核3处理种群1，核4～核7处理种群2，每个核处理128/4＝32个粒子。

S4、粒子的距离范围、速度范围、加速度范围设置在DSP核0(首核)中进行，利用粒子的距离范围、速度范围、加速度范围分别产生随机量初始化所有粒子的距离、速度、加速度。步骤S2和步骤S4对应于图2中的粒子群初始值设置模块。

以下以距离为例，假设粒子距离最小值为R_min，最大值为R_max，则利用随机量产生的距离可表示为：

R＝(R_max-R_min)·rand+R_min (1)

式中，rand1表示随机数。

同理，根据公式(1)可获得速度与加速度的初始值，如下：

当粒子速度的最小值为V_min，以及最大值为V_max，利用随机量产生的速度可表示为：

V＝(V_max-V_min)·rand2+V_min (1.2)

式中，rand2表示随机数；

当粒子加速度的最小值为A_min，以及最大值为A_max，利用随机量产生的加速度可表示为：

A＝(A_max-A_min)·rand3+A_min (1.3)

式中，rand3表示随机数。

S5、粒子适应度计算在8个核中进行(粒子的适应度指的是每段FFT结果中粒子所在位置的FFT结果相位补偿后相加再取模)，例如每个核处理32个粒子。根据粒子的距离、速度和加速度计算距离走动量和速度走动量，确定距离走动量和速度走动量代表的距离索引N_r＝R_d/d_r和多普勒索引f_d＝2*v_d/λ，N_f＝f_d/d_f，按索引对DDR中相应的FFT结果进行相位补偿，相加取模后获取粒子适应度。该步骤S5对应于图2中的粒子适应度计算模块。

其中，粒子的距离走动量可表示为：

粒子的速度走动量可表示为：

v_d＝v+at_m (3)

式中，t_m表示慢时间。

不同段之间的粒子FFT结果存在相位差，其大小可表示为：

S6、粒子寻优在8个核中进行，每个核中的粒子按适应度值大小更新种群1粒子最优值P_b1和种群2粒子最优值P_b2，使得粒子向更优的方向进化。该步骤S6对应于图2中的粒子个体最优值计算模块。

其中，通过比较当前粒子适应度值和历史粒子最优适应度值，确定种群1和种群2粒子个体最优值是否更新。迭代次数k＝1、k＝25、k＝50时粒子寻优过程分布如图4、图5、图6所示，由图可以看出两种群粒子在逐渐收敛。

S7、种群寻优计算在核0中进行，计算两个种群中所有粒子的最优值，并将该最优值作为整个粒子群最优值G_b。该步骤S7对应于图2中的种群最优值计算模块。

S8、粒子群更新在8个核中进行，如每个核处理32个粒子。每个核对所有粒子进行距离、速度、加速度的更新，粒子群更新包含两个种群。

其中，种群1为固定权值种群，速度权值取值较大且固定不变，则粒子更新值就大，有利于粒子搜索更大的空间，可能发现新的解域，种群1全局搜索能力较强，假设P_X1(k)表示第k次迭代时的种群1粒子个体值，P_V1(k)表示第k次迭代时的种群1粒子更新值，则更新公式如下：

P_V1(k)＝ω_max·P_V1(k-1)+c₁·rand·[P_b1(k)-P_X1(k)]+c₂·rand·[G_b-P_X1(k)] (5)

P_X1(k+1)＝P_X1(k)+P_V1(k) (6)

式中：ω_max表示固定速度权值系数；c₁表示个体最优值对粒子更新的影响系数，取为1.8；c₂表示群体最优值对粒子更新的影响系数，取为1.8；rand表示从0～1的随机数。

种群2为变权值种群，速度权值系数用来控制粒子以前速度对当前速度的影响，通过调整大小来平衡算法的全局搜索和局部搜索。当惯性权重较大时，算法具有较强的全局搜索能力，而当惯性权重较小时，算法则有较强的局部搜索能力。在应用时，惯性权重的初始值设为0.8，而后随着迭代次数的增加而线性递减，最后到达最小值0.1，这样就可以达到先全局搜索后局部搜索的效果。更新公式如下所示：

P_V2(k)＝ω·P_V2(k-1)+c₁·rand·[P_b2(k)-P_X2(k)]+c₂·rand·[G_b-P_X2(k)] (7)

P_X2(k+1)＝P_X2(k)+P_V2(k) (8)

式中：P_V2(k)表示第k次迭代时的种群2粒子个体更新值；P_X2(k)表示第k次迭代时的种群2粒子个体值；ω表示速度权值系数，其计算公式如下所示：

式中：ω_min表示最小权值，取为0.1；k_max表示最大迭代次数，如取为200。

上述步骤S8对应于图2中的粒子群更新随机量计算模块和粒子群更新模块。

S9、种群交换在核0中进行，粒子的前半段即种群1，粒子的后半段即种群2，根据种群1和种群2适应度从小到大排序，交换种群1适应度最大的N个和种群2适应度最小的N个粒子个体值和最优值。示例地，根据步骤S2中涉及的两群交换长度为40可知，交换种群1适应度最大的40个和种群2适应度最小的40个粒子个体值和最优值。该步骤S9对于于图2中的种群交换模块。

S10、判断迭代次数是否满足要求：

情况一：若迭代次数k≤k_max，则不满足迭代次数要求，跳转到步骤S5，继续执行步骤S5～S10，循环进行，直至满则该迭代次数要求，继续执行步骤S11；例如，k_max＝200。

情况二：若迭代次数k＞k_max，则满足迭代次数要求，跳转到步骤S11。

S11、判断信噪比是否满足要求：

情况一：若信噪比SNR≤最小信噪比SNR_min，则不满足信噪比要求，结束检测，未检测到目标；示例地，SNR_min＝13。

情况二：若信噪比SNR＞SNR_min，则满足信噪比要求，跳转到步骤S12。

S12、粒子群结果计算在核0中进行，即将粒子种群最优值G_b作为终选目标；如图7所示，信噪比为27.26，粒子种群最优值的距离508.73m、速度300.94m/s、加速度49.63m/s²分别为，与步骤S1中仿真目标一致。该步骤S12对应于图2中得粒子群结果计算模块。

综上所述，本发明的长时间积累模块首先将目标回波数据进行分段，使得每段内目标不会跨距离单元和多普勒单元，再利用粒子群交换PSO算法搜索粒子的距离、速度、加速度等参量，迭代寻找全局最优粒子，作为目标的距离、速度和加速度；长时间积累是一种利用PSO算法的相参积累技术，它能够获得良好的目标检测性能，有效提高对隐身等微弱回波目标的雷达作用距离。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (9)

1.一种基于多核DSP的粒子群交换长时间积累实现方法，其特征在于，包含以下过程：

S1、将长时间积累的雷达回波数据进行分段，得到多段可相参积累的短时间脉冲数据，使得每段内目标不会跨距离单元和多普勒单元，并将不同的分段脉冲分配在不同的核中对每段脉冲数据进行快速傅立叶变换处理，且将得到的快速傅立叶变换结果搬移到设定存储器中；

S2、粒子群算法参数初始化，包括初始化所有粒子的距离范围、速度范围、加速度范围、粒子最优值、粒子群最优值，在粒子的距离、速度和加速度范围内随机产生初始迭代粒子的距离、速度和加速度；

S3、将粒子群分配：将所有粒子均分至每个核中；

S4、设置粒子搜索范围：利用粒子的距离范围、速度范围、加速度范围分别产生随机量初始化所有粒子的距离、速度、加速度；

S5、在每个核中进行粒子适应度计算，其中，粒子适应度是指每段快速傅立叶变换结果中粒子所在位置的快速傅立叶变换结果相位补偿后相加再取模；

S6、在每个核中进行粒子寻优，每个核中的粒子按适应度值大小更新第一种群粒子最优值P_b1和第二种群粒子最优值P_b2，使得粒子向更优的方向进化；

S7、种群寻优计算：计算两个种群中所有粒子的最优值，并将该最优值作为整个粒子群最优值G_b；

S8、在每个核中进行粒子群更新：每个核对所有粒子进行距离、速度、加速度的更新，执行更新的粒子群包含第一种群与第二种群；

S9、进行种群交换：根据第一种群和第二种群适应度从小到大排序，交换第一种群适应度最大的N个和第二种群适应度最小的N个粒子个体值和最优值，N表示两群交换长度；

S10、判断迭代次数是否满足要求：

若迭代次数k＞k_max，则满足迭代次数要求，跳转到步骤S11；

若迭代次数k≤最大迭代次数k_max，则跳转到步骤S5，继续执行步骤

S5～S10，循环进行，直至满足迭代次数要求，则跳转到步骤S11；

S11、判断信噪比是否满足要求：

若信噪比SNR≤最小信噪比SNR_min，则不满足信噪比要求，结束检测，此时未检测到目标；若信噪比SNR＞SNR_min，则满足信噪比要求，跳转到步骤S12；

S12、粒子群结果计算：将粒子种群最优值G_b作为终选目标。

2.如权利要求1所述的基于多核DSP的粒子群交换长时间积累实现方法，其特征在于，

所述步骤S1中，进一步包含：

积累时间内的回波包含N₁个脉冲，共有S₁个核，分段数为M₁；

每段内的脉冲为N₁/M₁个脉冲，每个核内快速傅立叶变换循环次数为M₁/S₁*P次，P表示每段的距离门个数；

每段的积累时间为脉冲周期乘以每段的脉冲数。

3.如权利要求1所述的基于多核DSP的粒子群交换长时间积累实现方法，其特征在于，

粒子群算法参数初始化、粒子群分配、粒子搜索范围、种群寻优计算、种群交换、粒子群结果计算中的一种或多种是在DSP首核中进行。

4.如权利要求1所述的基于多核DSP的粒子群交换长时间积累实现方法，其特征在于，

所述步骤S2中，初始化所有粒子的距离范围为0～1275、速度范围为200～400、加速度范围为-100～100、第一种群粒子个数为128、第二种群粒子个数128，以及两种群交换长度N为40。

5.如权利要求1所述的基于多核DSP的粒子群交换长时间积累实现方法，其特征在于，

所述步骤S3中，进一步包含：

多核DSP的核数量S₁等于8，粒子群均分时，将所有粒子依次分配至8个核，其中前4个核处理第一种群，后四个核处理第二种群。

6.如权利要求1所述的基于多核DSP的粒子群交换长时间积累实现方法，其特征在于，

所述步骤S4中，进一步包含：

当粒子距离的最小值为R_min，以及最大值为R_max，利用随机量产生的距离表示为：

R＝(R_max-R_min)·rand1+R_min (1.1)

式中，rand1表示随机数；

当粒子速度的最小值为V_min，以及最大值为V_max，利用随机量产生的速度表示为：

V＝(V_max-V_min)·rand2+V_min (1.2)

式中，rand2表示随机数；

当粒子加速度的最小值为A_min，以及最大值为A_max，利用随机量产生的加速度表示为：

A＝(A_max-A_min)·rand3+A_min (1.3)

式中，rand3表示随机数。

7.如权利要求1所述的基于多核DSP的粒子群交换长时间积累实现方法，其特征在于，

所述步骤S5中，进一步包含：

根据粒子的距离、速度和加速度，计算距离走动量和速度走动量，确定距离走动量和速度走动量代表的距离索引N_r＝R_d/d_r和多普勒索引f_d＝2*v_d/λ，N_f＝f_d/d_f，按索引对所述设定存储器中相应的快速傅立叶变换结果进行相位补偿，相加取模后获取粒子适应度；

其中，粒子的距离走动量表示为：

粒子的速度走动量表示为：

v_d＝v+at_m (3)

式中，t_m表示慢时间；

不同段之间的粒子快速傅立叶变换结果存在相位差，其大小表示为：

R_d表示距离走动量，v_d表示速度走动量。

8.如权利要求7所述的基于多核DSP的粒子群交换长时间积累实现方法，其特征在于，

所述步骤S7中，进一步包含：

第一种群为固定权值种群，速度权值取值固定不变，当P_X1(k)表示第k次迭代时的第一种群粒子个体值，P_V1(k)表示第k次迭代时的第一种群粒子更新值，则更新公式如下：

P_V1(k)＝ω_max·P_V1(k-1)+c₁·rand·[P_b1(k)-P_X1(k)]+c₂·rand·[G_b-P_X1(k)] (5)

P_X1(k+1)＝P_X1(k)+P_V1(k) (6)

式中：ω_max表示固定速度权值系数；c₁表示个体最优值对粒子更新的影响系数；c₂表示群体最优值对粒子更新的影响系数；rand表示从0～1的随机数；G_b表示整个粒子群最优值。

9.如权利要求8所述的基于多核DSP的粒子群交换长时间积累实现方法，其特征在于，

第二种群为变权值种群，更新公式如下所示：

P_V2(k)＝ω·P_V2(k-1)+c₁·rand·[P_b2(k)-P_X2(k)]+c₂·rand·[G_b-P_X2(k)] (7)

P_X2(k+1)＝P_X2(k)+P_V2(k) (8)

式中：P_V2(k)表示第k次迭代时的第二种群粒子个体更新值；P_X2(k)表示第k次迭代时的第二种群粒子个体值；ω表示速度权值系数，其计算公式如下所示：

式中：ω_min表示最小权值；k_max表示最大迭代次数。

Images