CN111965617B - 基于gpu的时分mimo雷达信号处理方法 - Google Patents

Abstract

本发明提出了一种基于GPU的时分MIMO雷达信号处理方法，主要解决现有基于CPU的MIMO雷达信号处理速度慢的问题。其方案是：在CPU和GPU端分配内存；将时分MIMO雷达信号的回波数据拷贝到GPU中；在GPU中对时分MIMO雷达信号的回波数据依次进行去斜加窗处理、动目标检测和动目标显示处理、波束形成处理和恒虚警检测处理；将GPU中恒虚警检测处理后的数据拷贝到CPU端，完成对时分MIMO雷达信号的处理；本发明极大地提高了对MIMO雷达信号处理的速度，可用于对城市低空目标的探测。

Description

基于GPU的时分MIMO雷达信号处理方法

技术领域

本发明属于信号处理技术领域，特别涉及一种雷达信号处理方法，可用于时分MIMO雷达信号处理系统。

背景技术

多输入多输出MIMO雷达是最近几年才发展成为一种新体制雷达，多输入多输出MIMO雷达波形分集的特性使其性能优于传统的相控阵雷达。MIMO雷达的发射信号有时分和频分两种，采用频分的方式发射MIMO雷达信号，传统对MIMO雷达信号的处理都是使用频分信号进行处理。

西安电子科技大学的张盼盼在知网上发表的文章《MIMO雷达信号处理及工程实现》方法，其使用可编程逻辑门阵列FPGA+数字信号处理DSP的组合方式，构建了信号处理软件系统及算法模块的功能框架，对频分MIMO雷达信号进行处理，该方法成本昂贵而且可扩展性都很差，处理速度慢。

西安电子科技大学的陈雁飞在知网上发表的文章《MIMO雷达认知发射研究及仿真软件设计》方法，介绍了基于中央处理器CPU的认知雷达认知发射综合仿真软件设计方法，采用CPU对频分MIMO雷达信号进行处理，该方法采用频分信号作为发射波形，故处理流程比较复杂。

西安电子科技大学的王韩浩在知网上发表的文章《基于GPU的MIMO雷达接收处理和并行实现》方法，其使用模块化设计思想，对频分MIMO雷达信号进行GPU加速处理，该方法的处理流程比较复杂，难以满足实时性要求。

随着硬件的飞速发展，GPU运算能力不断增强与软件开发环境的不断完善，运用GPU对MIMO雷达回波信号进行处理已经成为一种趋势，但目前的GPU对雷达信号进行处理仅用在频分雷达上，不能对时分MIMO雷达信号进行加速处理。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于GPU的时分MIMO雷达信号处理方法，以简化MIMO雷达信号的处理流程，提高MIMO雷达信号的处理速度。

为实现上述目的，本发明的技术方案如下：

1)在CPU和GPU端分配内存；

2)将时分MIMO雷达信号的回波数据拷贝到GPU中；

3)在GPU中对时分MIMO雷达信号的回波数据进行距离维加窗处理；

4)在GPU中对距离维加窗后的数据进行动目标检测和动目标显示处理；

5)在GPU中对动目标检测和动目标显示处理后的数据进行MIMO波束处理；

6)在GPU中对MIMO波束处理后的数据进行恒虚警检测处理；

7)将GPU中恒虚警检测处理的数据拷贝到CPU端并输出，完成对时分MIMO雷达信号的处理。

本发明与现有技术相比具有以下优点：

第一，相对于传统的基于CPU的MIMO雷达信号处理方法，本发明采用GPU技术对MIMO雷达信号处理，不仅加速处理流程，而且提高了信号处理效率。

第二，本发明对时分MIMO雷达信号进行处理，信号易于分离，处理流程简单。

附图说明

图1是本发明的实现流程图；

图2是用本发明对时分MIMO雷达回波信号进行处理的运行时间图；

图3是用本发明和matlab软件对时分MIMO雷达回波信号处理的误差统计图。

具体实施方式

下面结合附图对本发明的实施例和效果做进一步详细的描述。

本发明的时分MIMO雷达信号的回波数据是经过基于去斜的匹配滤波处理后的数据。现有的MIMO雷达信号处理方法包括基于去斜的匹配滤波、距离维加窗、动目标检测、动目标显示、MIMO波束处理、恒虚警检测、旁瓣匿影、旁瓣相消等，本发明采用但不限于依次进行距离维加窗、动目标检测、动目标显示、MIMO波束处理、恒虚警检测的处理.

参照图1，本实例基于GPU的时分MIMO雷达信号处理方法，实现步骤如下：

步骤1、在CPU和GPU端分配内存。

本实例使用的GPU为teslaT4 GPU，使用的CPU为至强银牌4210CPU，通过cudaMalloc函数在GPU上分配内存，通过cudaMallochost函数在CPU端分配内存。

步骤2、将时分MIMO雷达信号的回波数据拷贝到GPU中；

获取时分MIMO雷达信号的回波数据，设置cudaMemcpy函数的拷贝方向为HostToDevice，通过cudaMemcpy函数，将时分MIMO雷达信号的回波数据从CPU端拷贝到GPU端。

步骤3、在GPU中对时分MIMO雷达信号的回波数据进行距离维加窗处理。

3.1)设置逆傅里叶变换IFFT点数N，对GPU中的回波数据A进行一维IFFT处理，再进行归一化，得到归一化矩阵C：

其中，N的取值为正整数；

3.2)选取T_a阶的切比雪夫窗或泰勒窗或其它窗的系数矩阵H，根据下式，对归一化矩阵C与所选窗系数矩阵H进行点乘，得到加窗处理矩阵D：D＝C·H，其中，T_a的取值范围为10至900；本实例取T_a＝80，选取切比雪夫窗，矩阵形式为80阶系数经过切比雪夫窗函数后的输出的矩阵；

3.3)对加窗处理矩阵D做傅里叶变换FFT处理，得到加窗傅里叶变换矩阵：E＝FFT(D)。

步骤4、在GPU中对距离维加窗后的数据进行动目标检测和动目标显示处理。

4.1)选取T_b阶的切比雪夫窗或泰勒窗或其它窗的系数矩阵F，将其与加窗傅里叶变换矩阵E进行点乘，得到动目标检测矩阵：

M＝F·E，

其中，T_b的取值范围为10至900；本实例取T_b＝80，选取泰勒窗；

4.2)对动目标检测矩阵M进行傅里叶变换FFT操作，得到动目标显示傅里叶变换矩阵Q：

Q＝FFT(M)。

步骤5、在GPU中对动目标检测和动目标显示处理后的数据进行MIMO波束处理；

5.1).设置动目标显示滤波器系数P、多普勒补偿相位R，数据重排系数S，MIMO波束系数T，得到MIMO波束矩阵U：

U＝Q·P·R·S·T，

其中Q为动目标显示傅里叶变换矩阵：

本实例中动目标显示滤波器系数P是通过加泰勒窗进行设置的，将将泰勒窗系数设为动目标显示滤波器系数；多普勒补偿相位R是根据每个天线接收时延不同进行设置的，即将每个天线相对于第一个天线的时延作为多普勒补偿相位R；数据重排系数S是根据天线探测方向进行设置的，即将天线的指向方向系数作为数据重排系数S；MIMO波束系数T是根据MIMO波束的方向进行设置的，即将MIMO波束方向系数作为MIMO波束系数T。

5.2)对MIMO波束矩阵U进行二维傅里叶变换，得到二维傅里叶变换矩阵W：

W＝FFT_y[FFT_x[U]]；

其中，FFT_y[·]为沿U的列向量做傅里叶变换，FFT_x[·]为沿U的行向量做傅里叶变换；

5.3)设置逆重排系数V，对二维傅里叶维变换矩阵W与数据逆重排系数V进行点乘，得到逆重排系数矩阵J：

J＝V·W；

本实例中逆重排系数V根据逆天线探测方向进行设置的，逆天线探测方向即为逆重排系数V。

步骤6、在GPU中对MIMO波束处理后的数据进行恒虚警检测处理。

6.1)对逆重排系数矩阵J进行取绝对值操作，得到取绝对值矩阵的I：

I＝abs(J)；

其中，abs(·)为取绝对值操作；

6.2)设置被检测数据个数n和门限乘积因子α，计算I的门限值：

计算门限值的方法包括平均单元法、选大法、选小法、取对数法和有序法，以平均单元法为例，I的门限值计算公式如下：

sum(·)为求和操作，t_i表示第i个元素的门限值，i是从1到I的整数，

本实例设置但不限于α的数值为30，n的数值为16；

6.3)设置恒虚警矩阵Z，其数值全为0，再将取绝对值矩阵I的第i个数据I_i与第i个检测门限值t_i作比较：

若I_i＞t_i，则保留取绝对值后的数据I_i，并将I_i放入到恒虚警矩阵Z的第i个数据中；

否则，将0放入到恒虚警矩阵Z的第i个数据中。

步骤7、将GPU中经恒虚警检测处理后的数据拷贝到CPU端。

设置cudaMemcpy函数的拷贝方向为DeviceToHost，通过cudaMemcpy函数，将恒虚警检测处理的数据从GPU端拷贝到CPU端并输出，完成时分MIMO雷达信号的处理。

本发明的效果可通过以下仿真进一步阐述。

1.仿真条件：

测试仿真使用的GPU为teslaT4 GPU，使用的CPU为至强银牌4210CPU，该GPU的主要参数为：核心数为2560个，带宽为320G/s，运行频率为1.59GHz；该CPU的主要参数为：线程数为56个线程，内存为128G，运行频率为2.2GHz。

2.仿真内容：

仿真1：在上述仿真条件下，用本发明对MIMO雷达回波信号进行GPU加速处理，得到不同数据量的运行时间，结果如图2所示。

仿真2：在上述仿真条件下，用本发明和matlab软件对MIMO回波信号进行处理，统计两者的的误差，结果如图3所示。

3.仿真分析：

从图2可以看出，用本发明对时分MIMO雷达回波信号进行处理，数据量在2千万时，运行时间为190ms左右，处理速度快。

从图3可以看出，用本发明和matlab软件处理后的数据基本一致，数据值为10⁹，误差范围在10³左右，由于float类型存储数据本身的精度问题，其精确值为10^-6，所以该误差范围符合要求，验证了GPU对时分MIMO雷达信号处理结果的正确性。

Claims (1)

1.一种基于GPU的时分MIMO雷达信号处理方法，其特征在于，包括如下：

1)在CPU和GPU端分配内存；

2)将时分MIMO雷达信号的回波数据拷贝到GPU中；

3)在GPU中对时分MIMO雷达信号的回波数据进行距离维加窗处理；实现如下：

3a)设置逆傅里叶变换IFFT点数N，对GPU中的回波数据A进行一维IFFT处理，再进行归一化，得到归一化矩阵C：

其中，N的取值为正整数；

3b)选取T_a阶的切比雪夫窗或泰勒窗或其它窗的系数矩阵H，根据下式，对归一化矩阵C与所选窗系数矩阵H进行点乘，得到加窗处理矩阵：D＝C·H，其中，T_a的取值范围为10至900；

3c)对加窗处理矩阵D做傅里叶变换FFT处理，得到加窗傅里叶变换矩阵：E＝FFT(D)；

4)在GPU中对距离维加窗后的数据进行动目标检测和动目标显示处理；实现如下：

4a)选取T_b阶的切比雪夫窗或泰勒窗或其它窗的系数矩阵F，将其与加窗傅里叶变换矩阵E进行点乘，得到动目标检测矩阵：M＝F·E，其中，T_b的取值范围为10至900；

4b)对动目标检测矩阵M进行傅里叶变换FFT操作，得到动目标显示傅里叶变换矩阵Q：

Q＝FFT(M)；

5)在GPU中对动目标检测和动目标显示处理后的数据进行MIMO波束处理；实现如下：

5a).设置动目标显示滤波器系数P、多普勒补偿相位R，设置数据重排系数S，设置MIMO波束系数T，得到MIMO波束矩阵U：

U＝Q·P·R·S·T，

其中，Q为动目标显示傅里叶变换矩阵：

5b)对MIMO波束矩阵U进行二维傅里叶变换，得到二维傅里叶变换矩阵W：

W＝FFT_y[FFT_x[U]]，

其中，FFT_y[·]为沿U的列向量做傅里叶变换，FFT_x[·]为沿U的行向量做傅里叶变换；

5c)设置逆重排系数V，对二维傅里叶维变换矩阵W与数据逆重排系数V进行点乘，得到逆重排系数矩阵J：

J＝V·W；

6)在GPU中对MIMO波束处理后的数据进行恒虚警检测处理；实现如下：

6a)对逆重排系数矩阵J进行取绝对值操作，得到取绝对值矩阵的I：

I＝abs(J)；

其中，abs(·)为取绝对值操作；

6b)设置被检测数据个数n和门限乘积因子α，计算I的门限值：

sum(·)为求和操作，t_i表示第i个元素的门限值，i是从1到I的整数；

6c)设置恒虚警矩阵Z，其数值全为0，再将取绝对值矩阵I的第i个数据I_i与第i个检测门限值t_i作比较：

若I_i＞t_i，则保留取绝对值后的数据I_i，并将I_i放入到恒虚警矩阵Z的第i个数据中；

否则，将0放入到恒虚警矩阵Z的第i个数据中；

7)将GPU中恒虚警检测处理的数据拷贝到CPU端并输出，完成对时分MIMO雷达信号的处理。