一种基于GPU的机载前视扫描雷达并行处理方法技术

本发明专利技术公开了一种基于GPU的机载前视扫描雷达并行处理方法，首先利用CUDA中的CUFFT库来创建FFT变换计划，并且综合利用CPU和GPU完成解卷积过程中的雷达天线方向图预处理；接着利用CPU读取雷达系统的原始数据并对其进行预处理并将预处理后的数据复制到GPU中；然后在GPU中分别并行完成距离向脉冲压缩和距离走动校正处理，并用GPU并行实现基于最大似然准则的解卷积成像算法；最后由CPU将最终的雷达成像结果保存。本发明专利技术实现了整个雷达信号处理过程在GPU上并行实现，充分利用了GPU强大的并行处理能力和CPU的流程结构控制能力，使处理机载前视扫描雷达数据的效率有了很大的提高，并且运算时间大大减少。

【技术实现步骤摘要】
一种基于GPU的机载前视扫描雷达并行处理方法
本专利技术属于雷达信号处理
，具体涉及一种基于GPU的机载前视扫描雷达并行处理方法的设计。
技术介绍
机载雷达前视高分辨率成像技术，在对地攻击、飞行自主着陆、雷达末端制导、地形跟随、地形匹配等军用或民用领域都用着广泛的应用。传统雷达成像方法通过发射大时宽大带宽的线性调频信号，距离向回波信号采用脉冲压缩来实现距离向的高分辨率，而方位向则通过单机SAR和DBS技术来实现高分辨率成像，由于在前视成像区域，多普勒频率变化很小，单机SAR和DBS技术都难以应用。然而在雷达前视成像过程中，方位向回波信号符合卷积模型，可以通过解卷积来恢复出目标的方位角度信息，使得成像结果的方位分辨率大大提高。文献“RadarAngularSuper-resolutionAlgorithmBasedonBayesianApproach”(ICSP，2010Proceedings，1894-1897)提出了一种基于最大似然准则的解卷积算法，这种方法能够恢复出目标方位角度信息，提高雷达成像结果的方位分辨率。文献“Maximumaposteriori-basedangularsuperresolutionforscanningradarimaging”(IEEEtransactionsonaerospaceandelectronicsystems，vol.50，NO.3，july2014)提出一种基于最大后验准则的解卷积方法，来提高扫描雷达的方位向角分辨率。由于脉冲压缩、距离走动校正和基于最大似然准则的解卷积算法涉及到大量的矩阵运算和FFT变换，并且基于最大似然准则的解卷积算法是一种循环迭代的解卷积过程，因此传统的CPU串行处理方法不能高效、实时的完成这些工作。利用CPU的串行流程结构控制能力完成前视雷达成像算法的流程控制，通过GPU高效的并行处理能力实现前视雷达成像算法过程中的复杂雷达信号处理，能够很好地解决传统CPU实现效率低下的问题，达到实时处理的目的。2007年NVIDIA正式推出CUDA(ComputeUnifiedDeviceArchitecture，计算同一设备架构)运算平台，CUDA是一种使GPU能够解决复杂问题的通用并行计算架构，并且CUDA采用C语言作为编程语言，提供了大量高性能计算指令开发能力，使开发者能够快速在GPU的强大并行计算能力的基础上建立起一种效率更高密集数据解决方案，CUDA还提供了一种并行优化的CUFFT开发库，非常适合雷达信号处理中涉及到的FFT变换。文献“CUDAC_Programming_Guide”(NVIDIA，2015)中详细介绍了CUDA利用C语言进行GPU通用计算编程的细则。文献“GPU-basedparallelimplementationofSARimaging”(InternationalSymposiumonElectronicSystemDesign(ISED)，Dec.2012，pp125-129)利用GPU并行实现了SAR中距离多普勒成像算法，达到了实时处理SAR回波数据的目的。
技术实现思路
本专利技术的目的是为了解决现有技术中机载前视扫描雷达成像算法计算量过大的问题，提出了一种基于GPU的机载前视扫描雷达并行处理方法。本专利技术的技术方案为：一种基于GPU的机载前视扫描雷达并行处理方法，包括以下步骤：S1、利用CUDA中的CUFFT库创建FFT变换计划；S2、综合利用CPU和GPU完成解卷积过程中的雷达天线方向图预处理；S3、利用CPU读取一扫雷达系统的原始数据并对其进行预处理；S4、在GPU中完成距离向脉冲压缩处理；S5、在GPU中完成距离走动校正处理；S6、在GPU中完成基于最大似然准则的解卷积成像算法处理；S7、利用CPU保存雷达成像结果数据；S8、判断是否需要处理下一扫雷达数据，若是则返回步骤S3，否则结束该雷达数据处理流程。进一步地，步骤S1包括以下分步骤：S11、根据距离向M点、方位向N点大小的雷达回波矩阵，利用CUDA中的CUFFT库创建M点复数FFT变换，并执行N次的FFT变换计划，简记为FFTM，N；S12、根据距离向M点、方位向N点大小的雷达回波矩阵，利用CUDA中的CUFFT库创建N点复数FFT变换，并执行M次的FFT变换计划，简记为FFTN，M。进一步地，步骤S2包括以下分步骤：S21、利用CPU读取用于解卷积的雷达天线方向图的一维数组数据，并将雷达天线方向图数据存在页锁定主机内存中；S22、将CPU中的雷达天线方向图数据复制到GPU的全局存储器中；S23、在GPU中将雷达天线方向图数据由实数转化为复数；S24、在CPU的控制下，在GPU中利用循环迭代的频域插值或抽取方法对雷达天线方向图数据进行插值或抽取，得到插值或抽取结果其中n1表示雷达天线方向图数据插值或抽取后的总数据点数；S25、在GPU中对进行幅值求解及归一化处理，得到归一化后的雷达天线方向图S26、在GPU中对进行末端补零处理，补零数目为N-n，得到新的雷达天线方向图S27、在GPU中对进行向数据起点方向的循环移位，循环移位次数为floor(N/2)，floor表示向下取整，得到雷达天线方向图循环移位结果S28、在GPU中将扩展为N行、M列的按行存储的天线方向图矩阵AN，M，天线方向图矩阵所有列向量都为利用步骤S12中创建的FFTN，M变换计划，对AN，M矩阵执行矩阵列FFT变换，并对AN，M矩阵FFT变换后的矩阵Afft(N，M）进行共轭变换，得到矩阵Afftconj(N，M)，将矩阵Afft(N，M)和矩阵Afftconj(N，M)按列储在GPU的不同的全局存储器中。进一步地，步骤S25中采用自适应并行归约求最大值的方法实现求解n1点雷达天线方向图数据中的最大值。进一步地，步骤S3具体为：利用CPU读取一扫雷达回波数据及其对应的机载惯导数据和雷达转台伺服数据，并利用CPU对机载惯导数据中的飞行速度和俯仰角度进行求均值处理，对雷达转台伺服数据进行三次样条插值处理，插值后雷达转台伺服数据长度为N，将雷达回波数据、飞行速度、俯仰角度存储在页锁定主机内存中，再将CPU中雷达回波数据、雷达转台伺服数据、飞行速度和俯仰角度复制到GPU的全局存储器中。进一步地，步骤S4包括以下分步骤：S41、创建两个CUDA流，分别记为stream41和stream42；S42、在stream42中顺序完成构造去载频相位因子矩阵、构造脉压函数矩阵以及执行脉压函数矩阵距离维的FFT变换，FFT变换运用步骤S11中的FFTM，N变化计划来实现；S43、在stream41中顺序完成雷达回波数据由实数转换为复数、雷达回波复数域数据的距离维希尔伯特变换、雷达回波数据距离维的去载频处理以及距离向脉冲压缩处理，得到距离向脉冲压缩处理结果矩阵PCM，N，其中M、N分别为距离向点数和方位向点数。进一步地，步骤S5具体为：利用飞行速度、俯仰角度、伺服扫描角度，在GPU中构造距离走动相位因子矩阵，然后执行距离走动相位因子矩阵的距离维FFT变换和距离脉冲压缩处理后的矩阵PCM，N的距离维FFT变换，FFT变换均运用步骤S11中的FFTM，N变化计划来实现，然后在频域中完成距离走动校正处本文档来自技高网...

【技术保护点】
一种基于GPU的机载前视扫描雷达并行处理方法，其特征在于，包括以下步骤：S1、利用CUDA中的CUFFT库创建FFT变换计划；S2、综合利用CPU和GPU完成解卷积过程中的雷达天线方向图预处理；S3、利用CPU读取一扫雷达系统的原始数据并对其进行预处理；S4、在GPU中完成距离向脉冲压缩处理；S5、在GPU中完成距离走动校正处理；S6、在GPU中完成基于最大似然准则的解卷积成像算法处理；S7、利用CPU保存雷达成像结果数据；S8、判断是否需要处理下一扫雷达数据，若是则返回步骤S3，否则结束该雷达数据处理流程。

【技术特征摘要】
1.一种基于GPU的机载前视扫描雷达并行处理方法，其特征在于，包括以下步骤：S1、利用CUDA中的CUFFT库创建FFT变换计划；所述步骤S1包括以下分步骤：S11、根据距离向M点、方位向N点大小的雷达回波矩阵，利用CUDA中的CUFFT库创建M点复数FFT变换，并执行N次的FFT变换计划，简记为FFTM,N；S12、根据距离向M点、方位向N点大小的雷达回波矩阵，利用CUDA中的CUFFT库创建N点复数FFT变换，并执行M次的FFT变换计划，简记为FFTN,M；S2、综合利用CPU和GPU完成解卷积过程中的雷达天线方向图预处理；所述步骤S2包括以下分步骤：S21、利用CPU读取用于解卷积的雷达天线方向图的一维数组数据，并将雷达天线方向图数据存在页锁定主机内存中；S22、将CPU中的雷达天线方向图数据复制到GPU的全局存储器中；S23、在GPU中将雷达天线方向图数据由实数转化为复数；S24、在CPU的控制下，在GPU中利用循环迭代的频域插值或抽取方法对雷达天线方向图数据进行插值或抽取，得到插值或抽取结果其中n1表示雷达天线方向图数据插值或抽取后的总数据点数；S25、在GPU中对进行幅值求解及归一化处理，得到归一化后的雷达天线方向图S26、在GPU中对进行末端补零处理，补零数目为N-n，得到新的雷达天线方向图n为常数且n≥1；S27、在GPU中对进行向数据起点方向的循环移位，循环移位次数为floor(N/2),floor表示向下取整，得到雷达天线方向图循环移位结果S28、在GPU中将扩展为N行、M列的按行存储的天线方向图矩阵AN,M，天线方向图矩阵所有列向量都为利用步骤S12中创建的FFTN,M变换计划，对AN,M矩阵执行矩阵列FFT变换，并对AN,M矩阵FFT变换后的矩阵Afft(N,M)进行共轭变换，得到矩阵Afftconj(N,M)，将矩阵Afft(N,M)和矩阵Afftconj(N,M)按列储在GPU的不同的全局存储器中；S3、利用CPU读取扫描雷达系统的原始数据并对其进行预处理；S4、在GPU中完成距离向脉冲压缩处理；S5、在GPU中完成距离走动校正处理；S6、在GPU中完成基于最大似然准则的解卷积成像算法处理；S7、利用CPU保存雷达成像结果数据；S8、判断是否需要处理下扫描雷达数据，若是则返回步骤S3，否则结束该雷达数据处理流程。2.根据权利要求1所述的机载前视扫描雷达并行处理方法，其特征在于，所述步骤S25中采用自适应并行归约求最大值的方法实现求解n1点雷达天线方向图数据中的最大值。3.根据权利要求1所述的机载前视扫描雷达并行处理方法，其特征在于，所述步骤S3具体为：利用CPU读取扫描雷达回波数据及其对应的机载惯导数据和雷达转台伺服数据，并利用CPU对机载惯导数据中的飞行速度和俯仰角度进行求均值处理，对雷达转台伺服数据进行三次样条插值处理，插值后雷达转台伺服数据长度为N，将雷达回波数据、飞行速度、俯仰角度存储在页锁定主机内存中，再将CPU中雷达回波数据、雷达转台伺服数据、飞行速度和俯仰角度复制到GPU的全局存储器中。4.根据权利要求1所述的机载前视扫描雷达并行处理方法，其特征在于，所述步骤S4包括以下分步骤：S41、创建两个CUDA流，分别记为stream41和stream42；S42、在stream42中顺序完成构造去载频相位因子矩阵、构造脉压函数矩阵以及执行脉压函数矩阵距离维的FFT变换，所述FFT变换运用步骤S11中的FFTM,N变化计划来实现；S43、在stream41中顺序完成雷达回波数据由实数转换为复数、雷达回波复数域数据的距离维希尔伯特变换、雷达回波数据距离维的去载频处理以及距离向脉冲压缩处理，得到距离向脉冲压缩处理结果矩阵PCM,N，其中M、N分别为距离向点数和方位向点数。5.根据权利要求3、4...

【专利技术属性】
技术研发人员：黄钰林，周小军，王超，喻鑫，张永超，杨建宇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51