田乾元，徐朝陽(yáng)，趙 泉

(中國(guó)船舶重工集團(tuán)公司第七二三研究所，江蘇 揚(yáng)州 225101)

0 引 言

雷達(dá)終端接收待處理的回波數(shù)據(jù)，通過(guò)信號(hào)處理系統(tǒng)這一重要環(huán)節(jié)，將龐大數(shù)量的回波數(shù)據(jù)進(jìn)行脈沖壓縮、雜波抑制、動(dòng)目標(biāo)顯示(MTI)、動(dòng)目標(biāo)檢測(cè)(MTD)、恒虛警率(CFAR)檢測(cè)等處理，然后輸出有用的數(shù)據(jù)或圖像。最近幾年，通信技術(shù)、存儲(chǔ)技術(shù)的大力發(fā)展，使得回波數(shù)據(jù)量大大增加，數(shù)據(jù)傳輸速度加快，對(duì)數(shù)據(jù)處理的實(shí)時(shí)性提出了新的要求。單就MTD的仿真過(guò)程，數(shù)據(jù)吞吐量就達(dá)到了GB量級(jí)。為了滿(mǎn)足信號(hào)處理的實(shí)時(shí)性要求，雷達(dá)信號(hào)處理的軟件化十分重要，之前的主流方案一般都采用軟件和硬件耦合緊密的多數(shù)字信號(hào)處理(DSP)+現(xiàn)場(chǎng)可編程門(mén)陣列(FPGA)板實(shí)現(xiàn)[1-3]。最近幾年，基于通用計(jì)算機(jī)平臺(tái)的計(jì)算機(jī)圖形處理器(GPU) 運(yùn)算能力的提升逐漸可為軟件雷達(dá)的實(shí)現(xiàn)提供硬件支持[4-6]。GPU具有高并行度、多線(xiàn)程、高存儲(chǔ)器帶寬和強(qiáng)大的算術(shù)計(jì)算能力，而愈發(fā)成熟的統(tǒng)一計(jì)算設(shè)備架構(gòu)(CUDA)將GPU傳統(tǒng)的圖形處理能力與應(yīng)用廣泛的C語(yǔ)言編程相結(jié)合，充分發(fā)掘了其強(qiáng)大的通用并行計(jì)算能力，非常適用于雷達(dá)信號(hào)處理過(guò)程。

1 軟件雷達(dá)信號(hào)處理系統(tǒng)

如圖1所示，基于GPU的軟件雷達(dá)信號(hào)處理系統(tǒng)由三大模塊組成：數(shù)據(jù)讀取模塊，是將接收機(jī)處理的基帶數(shù)據(jù)讀入，讀取報(bào)文各標(biāo)志、讀取回波數(shù)據(jù)并重組，得到預(yù)處理后的回波數(shù)據(jù)；信號(hào)處理模塊是信號(hào)處理系統(tǒng)的核心，經(jīng)過(guò)預(yù)處理之后的回波數(shù)據(jù)先經(jīng)過(guò)脈沖壓縮(PC)，得到PC數(shù)據(jù)，然后按照需要進(jìn)行MTI處理或者M(jìn)TD處理，在MTD結(jié)果的基礎(chǔ)上進(jìn)行CFAR處理；信號(hào)輸出模塊不只是CFAR結(jié)果的輸出，還包括信號(hào)處理模塊中間過(guò)程(類(lèi)如PC結(jié)果)，產(chǎn)生的數(shù)據(jù)可以按照實(shí)際需求進(jìn)行輸出并存儲(chǔ)。

圖1 基于GPU的軟件雷達(dá)信號(hào)處理系統(tǒng)

2 基于 GPU 的雷達(dá)信號(hào)處理算法實(shí)現(xiàn)

對(duì)于信號(hào)處理模塊，又包括脈沖壓縮、MTI、MTD和CFAR幾個(gè)大致處理環(huán)節(jié)。以下來(lái)說(shuō)明基于GPU的各個(gè)環(huán)節(jié)的算法實(shí)現(xiàn)。

2.1 基于 CUDA 的GPU內(nèi)存分配方法

CUDA通過(guò)核函數(shù)利用GPU資源進(jìn)行計(jì)算，而核函數(shù)只能讀取GPU內(nèi)存中的數(shù)據(jù)，因此對(duì)于待處理數(shù)據(jù)，必須先將其讀取到GPU內(nèi)存中。GPU有3種常用的不同類(lèi)型的內(nèi)存儲(chǔ)器：全局內(nèi)存(global memory)、本地內(nèi)存(local memory)、共享內(nèi)存(shared menory)。shared memory位于片內(nèi)，讀取速度較快，另外2個(gè)為板載顯存。

這里一般使用cudaMallocHost和cudaMalloc語(yǔ)句分別在CPU和GPU的global memory中分配內(nèi)存，用cudaMemcpy語(yǔ)句進(jìn)行CPU與GPU的數(shù)據(jù)傳遞，比如：

float *h_data;

cudaMallocHost((void**)&h_data,1024* sizeof(float));

float *d_data;

cudaMalloc((void**)&d_data,1024*sizeof(float));

cudaMemcpy(d_data,h_data,1024*sizeof(float),cudaMemcpyHostToDevice);

除此之外，還可用cudaMallocPitch語(yǔ)句以二維對(duì)齊方式分配二維內(nèi)存。下文各個(gè)處理環(huán)節(jié)，包括建立窗函數(shù)等過(guò)程都要用到這里的內(nèi)存分配方法。在CFAR處理中，還要用到shared memory加快處理速度。

2.2 基于GPU的脈沖壓縮算法實(shí)現(xiàn)

脈沖壓縮有時(shí)域和頻域2類(lèi)實(shí)現(xiàn)方式。時(shí)域上利用有限脈沖響應(yīng)(FIR)濾波器實(shí)現(xiàn)時(shí)域脈沖壓縮，處理方法比較直觀(guān)。當(dāng)距離單元數(shù)較小時(shí)，相對(duì)運(yùn)算量不大，采用時(shí)域脈壓處理可以滿(mǎn)足實(shí)時(shí)性要求[7]。但是當(dāng)距離單元數(shù)很大，時(shí)域卷積的運(yùn)算量很大，這時(shí)宜采用頻域脈沖壓縮方法[8]。

本文采用頻域脈壓處理方法，其算法實(shí)現(xiàn)如圖2所示。

圖2 基于GPU的脈沖壓縮算法

由于發(fā)射機(jī)的發(fā)射波數(shù)據(jù)和模式可以提前得到，所以提前計(jì)算出所有的脈壓系數(shù)(可以在計(jì)算時(shí)進(jìn)行加窗處理)，組成脈壓系數(shù)庫(kù)(存放于dat文件中)。進(jìn)行脈沖壓縮時(shí)，讀取預(yù)處理過(guò)的報(bào)文數(shù)據(jù)和模式標(biāo)志，從脈壓數(shù)據(jù)庫(kù)中選擇對(duì)應(yīng)的系數(shù)數(shù)據(jù)，傳送到GPU內(nèi)存中，通過(guò)建立快速傅里葉變換(FFT) plan進(jìn)行頻域脈壓系數(shù)計(jì)算。讀取預(yù)處理過(guò)的回波數(shù)據(jù)，同樣做FFT計(jì)算。然后將2個(gè)頻域數(shù)據(jù)相乘，得到脈壓的頻域結(jié)果，之后進(jìn)行快速傅里葉逆變換(IFFT)計(jì)算，得到脈沖壓縮結(jié)果。一維FFT plan建立方法如下：

cufftHandle plan;

cufftPlan1d(&plan,FFT_number1,CUFFT_C2C,1);

除了一維FFT之外還可以創(chuàng)建二維按行或者按列FFT(2種方法計(jì)算耗時(shí)不同)的plan，調(diào)用plan時(shí)通過(guò)CUFFT_FORWARD或者CUFFT_INVERSE來(lái)確定進(jìn)行FFT還是IFFT，需要注意的是，經(jīng)過(guò)2次N點(diǎn)變換之后的數(shù)據(jù)比原數(shù)據(jù)擴(kuò)大了N倍，如需輸出脈壓數(shù)據(jù)，需乘以1/N。

2.3 基于 GPU 的 MTI 算法實(shí)現(xiàn)

本文采用非遞歸型對(duì)消器實(shí)現(xiàn)MTI過(guò)程，其中，一次對(duì)消器的一般結(jié)構(gòu)見(jiàn)圖3，其差分方程為：

yn=xn-xn-1

(1)

二次對(duì)消器的一般結(jié)構(gòu)見(jiàn)圖4，其差分方程為：

yn=xn-2xn-1+xn-2

(2)

圖3 一次對(duì)消器的一般結(jié)構(gòu)

圖4 二次對(duì)消器的一般結(jié)構(gòu)

而基于CUDA的算法實(shí)現(xiàn)過(guò)程為：將脈壓結(jié)果存儲(chǔ)為二維形式(可以使用cudaMallocPitch語(yǔ)句)，設(shè)計(jì)核函數(shù)構(gòu)造一次、二次對(duì)消器等濾波器，調(diào)用核函數(shù)處理脈壓數(shù)據(jù)得到MTI結(jié)果并輸出。其算法過(guò)程如圖5所示。

圖5 基于 GPU 的 MTI 算法

2.4 基于 GPU 的 MTD 算法實(shí)現(xiàn)

為了提高M(jìn)TD的方位精度，本文采用滑動(dòng)MTD(SMTD)方法。在方位上每滑過(guò)一個(gè)脈沖，做一次M點(diǎn)(如16點(diǎn))的MTD，新進(jìn)入一個(gè)信號(hào)，丟掉一個(gè)老信號(hào)，又進(jìn)行一次M點(diǎn)的老信號(hào)，因此每次MTD處理中均只有1個(gè)新信息，M-1個(gè)老信息。若一共有N個(gè)回波信息(脈沖壓縮之后)，每M個(gè)信息做一次MTD，那么SMTD之后就剩下了N-M+1個(gè)信息。對(duì)于每次MTD過(guò)程，M個(gè)脈壓數(shù)據(jù)在相同距離門(mén)上(多普勒維度)進(jìn)行M點(diǎn)的加窗FFT，得到M個(gè)通道的MTD結(jié)果。得到結(jié)果后可以對(duì)這M個(gè)通道的數(shù)據(jù)取模并取大，為CFAR提供源數(shù)據(jù)。

圖6 基于GPU 的 SMTD 算法

圖6為基于GPU的SMTD算法實(shí)現(xiàn)示意圖，其中按行或按列進(jìn)行FFT可以按照如下語(yǔ)句建立plan：

cufftHandle plan;

int rank=1;

int n[rank]={SampleNumber};

int inembed[1]={0};

int onembed[1]={0};

int istride=1;

int idist=SampleNumberF;

int ostride=1;

int odist=SampleNumber;

int batch=PulseNumber;

cufftPlan(&plan,rank,n,inembed,istride,idist,onembed,ostride,odist,CUFFT_C2C,batch);

理國(guó)要道，在于公平正直。從黨的十八大提出“進(jìn)一步深化司法體制改革”，到黨的十九大要求“深化司法體制綜合配套改革”，以習(xí)近平同志為核心的黨中央從全面推進(jìn)依法治國(guó)，實(shí)現(xiàn)國(guó)家治理體系和治理能力現(xiàn)代化的高度，擘畫(huà)司法體制改革宏偉藍(lán)圖，加快建設(shè)公正高效權(quán)威的社會(huì)主義司法制度。

2.5 基于 GPU 的 CFAR 算法實(shí)現(xiàn)

CFAR檢測(cè)器有單元平均CFAR(CA-CFAR)、單元平均取大CFAR(GO-CFAR)、單元平均取小CFAR(SO-CFAR)等類(lèi)型，本文采用的是較為常見(jiàn)的CA-CFAR檢測(cè)器。

CA-CFAR 的自適應(yīng)門(mén)限值取決于雜波和目標(biāo)距離門(mén)附近的噪聲。待檢單元(CUT)兩邊的N個(gè)單元組成參考窗(CFAR window cells)，對(duì)其回波信號(hào)進(jìn)行采樣，將待檢單元的輸出與由參考單元輸出總和所得到的自適應(yīng)門(mén)限相比較并進(jìn)行判決。一般將緊臨 CUT 的單元設(shè)為保護(hù)單元(Guard Cells)，在計(jì)算門(mén)限值時(shí)不將其列入計(jì)算之中來(lái)減小誤差。CA-CFAR算法如圖7所示。

圖7 CA-CFAR算法

基于GPU實(shí)現(xiàn)CFAR過(guò)程，在代碼上是緊接著SMTD過(guò)程的。SMTD每得到1次MTD結(jié)果，取MTD結(jié)果的模值，將數(shù)據(jù)在距離門(mén)維度上取M個(gè)模的最大值，這樣每M組數(shù)據(jù)結(jié)果就得到了1組數(shù)據(jù)，以此作為CFAR的源數(shù)據(jù)。

由于CFAR過(guò)程會(huì)頻繁訪(fǎng)問(wèn)同一回波數(shù)據(jù)，2.1中提到的global memory訪(fǎng)問(wèn)速度較慢，計(jì)算效率較低，因此將待用數(shù)據(jù)寫(xiě)入到shared memory中，減小不必要的時(shí)間開(kāi)銷(xiāo)，從而提高計(jì)算效率。在計(jì)算閾值時(shí)，由于窗長(zhǎng)取值一般為 2 的冪次，故采用歸約求和算法，將求和過(guò)程變?yōu)槎鄬佣嗑€(xiàn)程并行求和[9]。CFAR過(guò)程可以從GPU的內(nèi)存特點(diǎn)和計(jì)算特性進(jìn)行優(yōu)化，此處不再展開(kāi)。本文的基于GPU的CFAR算法過(guò)程如圖8所示。

圖8 基于GPU的CFAR算法

3 基于GPU與基于CPU的雷達(dá)信號(hào)處理仿真實(shí)驗(yàn)及結(jié)果對(duì)比分析

某警戒雷達(dá)基于傳統(tǒng)CPU平臺(tái)，其信號(hào)處理過(guò)程采用C++編程，通過(guò)調(diào)用Intel Math Kernel Library加快計(jì)算效率。本文對(duì)其與本文采用的基于GPU平臺(tái)的雷達(dá)信號(hào)處理進(jìn)行性能比較。

在 GPU 與 CPU 上分別實(shí)現(xiàn)雷達(dá)信號(hào)處理的脈沖壓縮、MTI、MTD和CFAR處理過(guò)程，源數(shù)據(jù)相同，計(jì)算兩者處理結(jié)果的誤差，同時(shí)對(duì)比兩者的計(jì)算時(shí)間，以分析 GPU 算法實(shí)現(xiàn)的準(zhǔn)確度和計(jì)算效率。CPU端使用Intel(R) Math Kernel Library(Version 2017.0.31)進(jìn)行計(jì)算。開(kāi)發(fā)計(jì)算機(jī)采用的顯卡 GPU 為 NVIDIA GeForce GTX1060，CPU 為Intel Core(TM)i5-8300H 2.30 GHz，操作系統(tǒng)為Deepin 15.11。

圖9 基于GPU的雷達(dá)信號(hào)處理仿真實(shí)驗(yàn)結(jié)果

圖9為同一仿真源數(shù)據(jù)GPU平臺(tái)的處理結(jié)果。

分析圖9可以得出結(jié)論，基于GPU的軟件雷達(dá)信號(hào)處理系統(tǒng)在仿真實(shí)驗(yàn)中完成了脈沖壓縮、MTI、MTD任務(wù)。實(shí)驗(yàn)數(shù)據(jù)也表明CFAR檢測(cè)結(jié)果正確。之后將基于GPU的檢測(cè)結(jié)果與基于CPU的雷達(dá)信號(hào)處理計(jì)算結(jié)果進(jìn)行比較，以CPU計(jì)算結(jié)果為基準(zhǔn)(認(rèn)為是絕對(duì)真實(shí)值)，繪制GPU平臺(tái)下脈沖壓縮、MTI、MTD的絕對(duì)誤差圖。

圖10 基于GPU與CPU的雷達(dá)信號(hào)處理仿真實(shí)驗(yàn)結(jié)果誤差

由圖10分析可知：基于GPU的處理結(jié)果與CPU相比誤差極小，脈壓絕對(duì)誤差小于5.5×10-5，MTI絕對(duì)誤差小于6×10-5，MTD絕對(duì)誤差小于5×10-4，而對(duì)于這3個(gè)過(guò)程來(lái)說(shuō)，目標(biāo)或者說(shuō)是有用數(shù)據(jù)一般大于1，因此相對(duì)誤差最大不超過(guò)上述對(duì)應(yīng)數(shù)值。因此，基于GPU的軟件雷達(dá)信號(hào)處理系統(tǒng)計(jì)算結(jié)果具有較高的準(zhǔn)確度。

分別進(jìn)行100次仿真實(shí)驗(yàn)，記錄GPU和CPU處理實(shí)現(xiàn)各個(gè)功能的平均時(shí)間，得到結(jié)果如表1所示。

表1 基于GPU與CPU的信號(hào)處理仿真實(shí)驗(yàn)計(jì)算耗時(shí)

表1為2種平臺(tái)下實(shí)現(xiàn)信號(hào)處理的計(jì)算耗時(shí)，顯然基于GPU的方法計(jì)算耗時(shí)要少得多，將CPU耗時(shí)除以GPU耗時(shí)，繪制GPU算法相較于CPU算法的效率提升折線(xiàn)圖，如圖11所示。

圖11 基于GPU的算法對(duì)比CPU算法的計(jì)算性能提升率

圖11表明基于GPU的軟件雷達(dá)信號(hào)處理系統(tǒng)相較傳統(tǒng)CPU平臺(tái)的處理方式在計(jì)算性能上有巨大的提升，尤其是MTD模塊更是達(dá)到了262倍的效率提升，總體的平均提升率也在100倍左右。而且因?yàn)楸疚淖龅氖欠抡鎸?shí)驗(yàn)，數(shù)據(jù)量受限，實(shí)際應(yīng)用過(guò)程中的回波數(shù)量遠(yuǎn)遠(yuǎn)大于本次仿真的數(shù)據(jù)量，對(duì)于GPU的計(jì)算能力來(lái)說(shuō)，仍有較大的提升空間。

4 結(jié)束語(yǔ)

本文闡述了基于GPU的軟件雷達(dá)信號(hào)處理系統(tǒng)的結(jié)構(gòu)以及各個(gè)信號(hào)處理模塊的實(shí)現(xiàn)原理，通過(guò)仿真實(shí)驗(yàn)，對(duì)比了GPU平臺(tái)(CUDA架構(gòu))和CPU平臺(tái)(調(diào)用MKL庫(kù))下雷達(dá)信號(hào)處理的結(jié)果正確性、結(jié)果準(zhǔn)確度和計(jì)算性能。結(jié)果表明：GPU平臺(tái)下的雷達(dá)信號(hào)處理結(jié)果與CPU下的結(jié)果在數(shù)值上幾乎完全相同；而在計(jì)算耗時(shí)方面，GPU平臺(tái)下算法的計(jì)算效率是CPU平臺(tái)下的100倍左右，在某些信號(hào)處理環(huán)節(jié)上計(jì)算效率更高。由于仿真實(shí)驗(yàn)的條件受限，數(shù)據(jù)量較小，并沒(méi)有發(fā)揮出GPU的全部性能。實(shí)際應(yīng)用中待處理數(shù)據(jù)(如回波采樣點(diǎn)數(shù)、PRT數(shù)量)會(huì)更加龐大，利用GPU實(shí)現(xiàn)雷達(dá)信號(hào)處理將獲得更大的吞吐量。因此，GPU平臺(tái)下的雷達(dá)信號(hào)處理與傳統(tǒng)雷達(dá)采用的CPU相比，計(jì)算結(jié)果準(zhǔn)確，計(jì)算效率更高，更能滿(mǎn)足現(xiàn)代雷達(dá)信號(hào)處理的大吞吐量和高實(shí)時(shí)性要求。