趙志欣，翁 濤，張凱凱，李 存

（南昌大學(xué) 信息工程學(xué)院，江西 南昌 330031）

0 引 言

外輻射源雷達(dá)是一種特殊的雙（多）基地雷達(dá)系統(tǒng)，其利用第三方非合作民用輻射源對目標(biāo)進(jìn)行跟蹤與定位。與傳統(tǒng)雙基地雷達(dá)相比，具有成本低、覆蓋范圍廣、隱蔽性高、抗干擾性強(qiáng)等優(yōu)點(diǎn)，并因此吸引了國內(nèi)外相關(guān)學(xué)者對此進(jìn)行研究[1?6]。一般來說，外輻射源雷達(dá)可以利用模擬、數(shù)字電視和無線電信號，以及移動電話基站、GPS衛(wèi)星等信號作為照射源。而這些通信照射源大都采用正交頻分復(fù)用（Orthogonal Frequency Division Multiplexing，OFDM）技術(shù)，再加上比特交織、編碼糾錯等手段，能有效減輕多徑傳輸產(chǎn)生的問題，為外輻射源雷達(dá)提供了可靠的第三方照射源。

外輻射源雷達(dá)信號處理流程復(fù)雜、運(yùn)算量大，對設(shè)備計(jì)算能力的要求也高[7]，而隨著高性能技術(shù)的高速發(fā)展，圖形處理器（GPU）已經(jīng)被廣泛應(yīng)用于深度學(xué)習(xí)、物理化學(xué)實(shí)驗(yàn)仿真、生物特征模擬、信號處理等領(lǐng)域的大規(guī)模高速并行計(jì)算[8]。NVIDIA公司是提供圖形卡的生產(chǎn)商之一，它提供帶有多核的GPU并推出了一種通用并行計(jì)算架構(gòu)CUDA，開發(fā)人員可以使用C語言為CUDA架構(gòu)編寫程序，所編寫的程序可以在支持CUDA的GPU上高性能運(yùn)行，從而方便用戶進(jìn)行GPU編程。因此，利用GPU并行加速處理外輻射源雷達(dá)信號，為外輻射源雷達(dá)實(shí)時處理提供了可能。

目前，已有部分文獻(xiàn)提出了在不同雷達(dá)體系下的信號處理GPU并行方案。文獻(xiàn)[9]研究了GPU架構(gòu)下陣列雷達(dá)信號處理的實(shí)現(xiàn)方案，但波束形成實(shí)現(xiàn)時未考慮線程的連續(xù)訪存問題，還存在優(yōu)化的空間。文獻(xiàn)[10]研究了外輻射源雷達(dá)雜波抑制算法——分塊擴(kuò)展抑制算法（Extensive Cancellation Algorithm Bathes，ECA?B）[11]在GPU下的并行實(shí)現(xiàn)；文獻(xiàn)[12]研究了基于CPU+GPU異構(gòu)下的電視外輻射源雷達(dá)信號處理整體方案，并取得了較好的加速效果，但針對OFDM波形的外輻射源雷達(dá)信號處理，若能充分利用OFDM波形特征并行加速，則能進(jìn)一步減少信號處理所需的時間。此外，對于有序長恒虛警檢測算法（Order Statisic Constant False Alarm Rate，OSCFAR）的GPU并行實(shí)現(xiàn)上還具有較大的改進(jìn)空間?；诖耍疚膶⒔Y(jié)合OFDM波形特性，通過選取更合適并行的信號處理算法，建立基于OFDM波形特征的外輻射源雷達(dá)并行化處理方案，并在充分利用共享內(nèi)存等GPU高速緩存資源和減少訪存的基礎(chǔ)上設(shè)計(jì)出高效的核函數(shù)，以降低整個信號處理在GPU上運(yùn)行的時間。

本文首先介紹OFDM波形外輻射源雷達(dá)信號處理算法的基本原理以及算法的選取思路；然后根據(jù)算法的結(jié)構(gòu)給出CUDA架構(gòu)下流程中每個算法的優(yōu)化思路與具體實(shí)現(xiàn)方案；最后通過對比Matlab上程序的運(yùn)行時間與數(shù)據(jù)，進(jìn)行結(jié)果驗(yàn)證與性能對比。

1 OFDM波形外輻射源雷達(dá)信號處理

外輻射源雷達(dá)信號處理的主要目的是從接收到的信號中提取目標(biāo)信息。而由于采用了地面廣播電視信號作為照射源，其天線波瓣主要射向地面，導(dǎo)致空中的期望目標(biāo)回波信號遠(yuǎn)小于直達(dá)波信號，以致目標(biāo)被掩蓋，故首先要抑制直達(dá)波信號和強(qiáng)多徑回波，再對信號進(jìn)行后續(xù)處理。針對OFDM波形外輻射源雷達(dá)，本文建立了從接收信號到恒虛警檢測的并行化處理方案，具體流程如下：

1）假設(shè)多通道陣列接收信號Ssurv為M×N的復(fù)數(shù)矩陣，其中M為陣元數(shù)，N為時域采樣點(diǎn)數(shù)。對陣列接收信號進(jìn)行波束形成后得到M×1的復(fù)數(shù)參考信號Sref；

2）結(jié)合信號特性選用適合并行實(shí)現(xiàn)的分載波的擴(kuò)展抑制算法（Extensive Cancellation Algorithm Carrier，ECA?C）[13]作為雜波抑制算法，將監(jiān)測信號與參考信號按OFDM符號時間長度劃分為K個載波，每個載波符號長度為L，對每個載波并行抑制直達(dá)波與多徑雜波；

3）按同樣的分段方式進(jìn)行距離多普勒匹配濾波；

4）通過二維的OSCFAR恒虛警檢測獲取目標(biāo)，流程圖如圖1所示。

圖1 OFDM波形外輻射源雷達(dá)信號處理流程

1.1 參考信號的獲取

在對信號處理前首先需要獲得參考信號，對于OFDM波形外輻射源雷達(dá)來說，常見的有波束形成和信號重構(gòu)兩種方法，而GPU更適合大量的輕量級、控制簡單的任務(wù)，因此本文選用簡單且基本能滿足OFDM波形無源雷達(dá)要求的波束形成方法來獲取參考信號。

波束形成又稱空域?yàn)V波器，通過設(shè)計(jì)濾波器權(quán)值，讓某些期望方向的信號通過濾波器，同時抑制其他方向的信號。假設(shè)直達(dá)波方位為θtx，其對應(yīng)的陣列導(dǎo)向矢量為a(θtx)。合適的陣列權(quán)矢量就是直達(dá)波信號的導(dǎo)向矢量，即：

為獲取參考信號向量，將陣列權(quán)矢量W的共軛轉(zhuǎn)置（其中(·)Η表示矩陣的共軛轉(zhuǎn)置）與陣列監(jiān)測信號Ssurv相乘，使陣列輸出在直達(dá)波方向上的信號增益最大，得到參考信號向量：

1.2 直達(dá)波和多徑雜波抑制

直達(dá)波和多徑雜波抑制有多種實(shí)現(xiàn)方法，常見的有最小均方誤差（LMS）類算法、遞歸最小二乘（RLS）算法以及基于時域正交子空間投影理論的擴(kuò)展抑制方法（Extensive Cancellation Algorithm，ECA）[11]等算法，而從并行角度看，ECA類算法相比LMS、RLS等常規(guī)自適應(yīng)時域算法，無需考慮收斂和迭代等問題，且數(shù)據(jù)之間的耦合性低，更適合于并行實(shí)現(xiàn)。此外，文獻(xiàn)[13]通過利用OFDM波形的調(diào)制特性，在ECA算法的基礎(chǔ)上提出了一種基于分載波ECA方法，即ECA?C，相比于ECA算法，其有以下優(yōu)點(diǎn)：總體計(jì)算量大大降低；雜波子空間的維度僅為L×1，因此子空間投影計(jì)算時無需進(jìn)行矩陣求逆運(yùn)算，而矩陣求逆由于行變換、消元和列變換等操作存在的數(shù)據(jù)依賴性[10]會破壞子空間投影整體的并行性。故本文選取ECA?C算法作為直達(dá)波抑制的算法。

ECA?C算法的主要思想是對監(jiān)測信號與參考信號有效數(shù)據(jù)部分進(jìn)行離散傅里葉變換（DFT），將數(shù)據(jù)變換至載頻域，通過矩陣運(yùn)算將解調(diào)后的監(jiān)測信號投影到參考信號的正交子空間，然后通過離散傅里葉逆變換（IDFT）恢復(fù)信號，從而得到濾除直達(dá)波與多徑的信號。其中，子空間投影矩陣運(yùn)算的公式為：

式中：Xk和Yk分別代表參考信號與監(jiān)測信號的載波k(k=1,2,…,K)對應(yīng)的頻域信號向量；IL代表維度為L的單位矩陣；(·)′，(·)-1符號分別代表矩陣轉(zhuǎn)置和矩陣求逆。

1.3 匹配濾波

雷達(dá)的匹配濾波就是將監(jiān)測信號通過距離維與多普勒維的匹配濾波器后，使目標(biāo)回波在其相應(yīng)的延時和多普勒上形成最強(qiáng)增益，表現(xiàn)為單個尖峰，從而突顯目標(biāo)。

匹配濾波有多種實(shí)現(xiàn)方法，常用的有互模糊函數(shù)法、“距離相關(guān)+多普勒變換”法[14?16]。本文采用計(jì)算量更小、對內(nèi)存要求低、便于并行的“距離相關(guān)+多普勒變換”法。此外，在并行實(shí)現(xiàn)的過程中，根據(jù)OFDM波形特性，通過設(shè)計(jì)合理的分段方式，還能實(shí)現(xiàn)數(shù)據(jù)復(fù)用，以減少系統(tǒng)整體的運(yùn)行時間。具體操作為：將參考信號和經(jīng)雜波抑制后監(jiān)測回波的OFDM信號的N個采樣點(diǎn)按符號劃分成K個子段，每個子段長度為L，“距離相關(guān)+多普勒變換”法的二維匹配濾波過程可表示為：

由式（4）可看出，“距離相關(guān)+多普勒變換”的匹配濾波實(shí)現(xiàn)可視為將相干積累時間內(nèi)的參考信號和目標(biāo)回波信號分成若干段，每段先進(jìn)行距離相關(guān)，從而將不同延遲信號分開，再利用特定延遲在段間的DFT變換獲得多普勒信息，從而獲取目標(biāo)的時延τ與速度v。

1.4 恒虛警檢測

恒虛警檢測模塊的功能是判斷雷達(dá)接收信號中是否包含目標(biāo)回波信號并確定目標(biāo)距離，它在保持虛警概率恒定的同時，根據(jù)被檢測點(diǎn)的背景噪聲和雜波強(qiáng)度自適應(yīng)調(diào)整檢測門限，使目標(biāo)檢測概率最大。根據(jù)背景噪聲和雜波功率的估計(jì)方法，常用的恒虛警算法主要包括單元平均（CACFAR）、選大（GOCFAR）、選小（SOCFAR）以及有序統(tǒng)計(jì)（OSCFAR）。在雷達(dá)復(fù)雜多變的工作環(huán)境下，OSCFAR方法對邊緣檢測和遮蔽效應(yīng)呈現(xiàn)很好的適應(yīng)性，因此本文選用適應(yīng)力較強(qiáng)的二維OSCFAR方法進(jìn)行恒虛警檢測。

OSCFAR方法將參考單元按從小到大排序，并選取第m大的值經(jīng)過門限因子校正后作為閾值與待檢測的單元比較判決，通過遍歷整個距離維與多普勒維，從而完成距離多普勒二維的恒虛警檢測，其中參考單元的選取方式如圖2所示。

圖2 二維恒虛警檢測窗

2 信號處理算法CUDA實(shí)現(xiàn)與優(yōu)化

目前GPU編程模型最常用的是CUDA C，CUDA將并行任務(wù)分解到不同線程（thread）執(zhí)行，若干個線程組成一塊（block），每塊block共享一份內(nèi)存。此外GPU上還擁有豐富的數(shù)學(xué)函數(shù)庫，例如線性代數(shù)庫CUBLAS、傅里葉變換庫CUFFT、CUSOLVER矩陣分解庫等?；诖耍竟?jié)將介紹OFDM外輻射源雷達(dá)信號處理算法在CUDA模型下的并行實(shí)現(xiàn)方案，并在考慮連續(xù)合并的訪存、使用共享內(nèi)存、去除冗余計(jì)算等優(yōu)化思路下對算法的實(shí)現(xiàn)過程進(jìn)行改進(jìn)。

2.1 波束形成CUDA實(shí)現(xiàn)

監(jiān)測信號Ssurv為M×N的復(fù)數(shù)矩陣，假設(shè)方向?qū)蚴噶縜(θtx)為M×1的復(fù)數(shù)向量，波束形成所需的計(jì)算可看成矩陣與向量的乘法計(jì)算，那么便可直接利用CUBLAS庫中的函數(shù)cublasCgemv實(shí)現(xiàn)這部分運(yùn)算。但通常來說，CUBLAS函數(shù)庫更適合用在矩陣大小都比較大的情況下，但此情境下N要遠(yuǎn)遠(yuǎn)大于M，且M一般在8~32之間，若直接使用庫函數(shù)則無法充分發(fā)揮GPU的性能，因此考慮通過自己編寫核函數(shù)實(shí)現(xiàn)。文獻(xiàn)[9]中給出了波束形成的一種實(shí)現(xiàn)方法，但給出的方案沒考慮到訪存連續(xù)的因素，而GPU訪存不連續(xù)會極大地影響并行效果。基于此，本文提出兩種波束形成的并行實(shí)現(xiàn)方式，為方便對比，兩種方法的核函數(shù)分別命名為DBF_1和DBF_2。

DBF_1方法的實(shí)現(xiàn)原理如圖3所示，根據(jù)采樣點(diǎn)數(shù)開辟N個線程，每個線程內(nèi)通過M次循環(huán)累加計(jì)算參考信號的一個值。但需注意的是，由于監(jiān)測信號通常以M所在的維度為主方向存儲，實(shí)現(xiàn)時會出現(xiàn)同一塊block下不同線程訪存不連續(xù)的問題，且考慮到N一般較小，因此采用將監(jiān)測信號進(jìn)行轉(zhuǎn)置的方法避免訪存問題，其中，矩陣轉(zhuǎn)置的實(shí)現(xiàn)還需考慮利用共享內(nèi)存來避免不連續(xù)的數(shù)據(jù)存取問題。

圖3 波束形成內(nèi)核實(shí)現(xiàn)過程（DBF_1）

DBF_2核函數(shù)實(shí)現(xiàn)思路如圖4所示，通過考慮線程束的大小來固定block中的線程數(shù)，假設(shè)每塊block中有t個線程，則每塊block利用共享內(nèi)存規(guī)約計(jì)算t M個參考信號元素，總共有N t塊block。此外，GPU線程執(zhí)行是以線程束（warp）為單位進(jìn)行調(diào)度的，每個warp（32個線程）執(zhí)行同一條指令，因此在通道數(shù)小于32的情況下還能進(jìn)一步減少同步帶來的開銷。同時，此方法避免了第一種方法塊中同一塊block不同線程訪存不連續(xù)的問題，且無需進(jìn)行矩陣轉(zhuǎn)置。

圖4 波束形成內(nèi)核實(shí)現(xiàn)過程（DBF_2）

2.2 ECA?C的CUDA實(shí)現(xiàn)

ECA?C算法流程大致可以分為兩部分：一部分是對信號進(jìn)行DFT與IDFT，此部分可以利用CUFFT庫中的函數(shù)實(shí)現(xiàn)，通過使用cufftPlan1d函數(shù)指定進(jìn)行快速傅里葉變換（FFT）和快速傅里葉逆變換（IFFT）的長度L和運(yùn)算次數(shù)K；ECA?C算法另一部分為子空間投影的矩陣運(yùn)算，而此部分的實(shí)現(xiàn)方式則是此算法能否高效移植的關(guān)鍵。

一般來說，對于ECA?C算法，每個載波下Yk與雜波子空間Xk為L×1的復(fù)向量，而式（3）中計(jì)算結(jié)果為一實(shí)數(shù)，其值為Xk中每一個復(fù)數(shù)元素模的累加。此外，對于與Yk的內(nèi)積，其結(jié)果為一復(fù)數(shù)，值為與Yk中每一元素對應(yīng)相乘的累加。因此式（3）可改寫為：

核函數(shù)具體實(shí)現(xiàn)方法為：首先將整個任務(wù)分解為N個線程，并按載波長度將線程劃分為K=N L塊block，每塊包含L個線程，這樣就可以在同一block中進(jìn)行同一載波下的矩陣運(yùn)算，而不同載波即不同block之間的計(jì)算相互獨(dú)立。核函數(shù)偽代碼如下所示：

其中：輸入形參x，y分別對應(yīng)參考信號與監(jiān)測信號的頻域矩陣；sharedr與sharedc代表共享內(nèi)存矩陣；XX函數(shù)功能為將輸入元素自乘，XY函數(shù)為將輸入的對應(yīng)元素進(jìn)行復(fù)數(shù)相乘。核函數(shù)通過在共享內(nèi)存內(nèi)同時進(jìn)行兩次低線程規(guī)約算出系數(shù)，最后經(jīng)過一次復(fù)數(shù)運(yùn)算得到Y(jié)′k對應(yīng)的元素。此外，考慮到連續(xù)訪存問題，核函數(shù)執(zhí)行前后還需要兩次矩陣轉(zhuǎn)置。

2.3 匹配濾波算法的CUDA實(shí)現(xiàn)

根據(jù)式（4），匹配濾波分段進(jìn)行距離相關(guān)，然后另一維變換至頻域來獲取多普勒信息，其中相關(guān)運(yùn)算還可以利用FFT加速實(shí)現(xiàn)。這里FFT和IFFT運(yùn)算依然使用CUFFT庫實(shí)現(xiàn)，因此匹配濾波的處理步驟如下：

1）利用cufftPlan1d函數(shù)分別對直達(dá)波抑制后的監(jiān)測信號SECA?C與參考信號補(bǔ)零并進(jìn)行長度為2×L的FFT變換。

2）對變換后的信號通過核函數(shù)進(jìn)行共軛相乘，接著通過IFFT運(yùn)算完成距離維的相關(guān)運(yùn)算。

3）對相關(guān)后的數(shù)據(jù)進(jìn)行多普勒維上的FFT。

此外，需要注意的是，利用FFT實(shí)現(xiàn)互相關(guān)時，需要將互相關(guān)的兩個信號至少補(bǔ)零至長度為2×L-1以上再進(jìn)行FFT，而之所以設(shè)計(jì)為2×L的FFT運(yùn)算，是因?yàn)樵贓CA?C實(shí)現(xiàn)過程中已經(jīng)對參考信號進(jìn)行了長度為L的FFT運(yùn)算，而長度為L的FFT運(yùn)算結(jié)果是補(bǔ)零至長度為2×L的FFT中的奇數(shù)元素，因此在考慮系統(tǒng)達(dá)到最好的加速效果條件下，可在將ECA?C實(shí)現(xiàn)時直接進(jìn)行兩倍長度的FFT來優(yōu)化對此部分的計(jì)算。

2.4 恒虛警檢測的CUDA實(shí)現(xiàn)

要將OSCFAR算法在GPU中并行實(shí)現(xiàn)，首先需考慮的是參考信號的讀取，因?yàn)槊總€核函數(shù)除了讀取自身的數(shù)據(jù)外，還讀取了周圍的數(shù)據(jù)，每一塊block中存在數(shù)據(jù)復(fù)用的情況，因此可以先將塊內(nèi)所有的數(shù)據(jù)存入共享內(nèi)存中進(jìn)行加速。而對于超出矩陣維度的邊界情況，本文采用邊界鏡像拓展處理。

OSCFAR的實(shí)現(xiàn)除了反復(fù)讀取檢測信號周圍的數(shù)據(jù)外，耗時最長的操作就是對參考單元排序。而GPU相比CPU來說，GPU對邏輯判斷和循環(huán)支持的執(zhí)行效率較差，如果在每個核函數(shù)中都進(jìn)行排序，必定影響并行的效率，故本文提出一種替代的方法對待檢測的信號進(jìn)行判決。

假設(shè)對于某個待判決的檢測單元來說，其參考單元的數(shù)量為p，而OSCFAR算法是將第M大的參考單元值與待檢測單元乘以門限值后進(jìn)行比較，因此只需將待檢測單元與每個參考單元進(jìn)行1次比較，通過判斷比檢測單元大的參考單元數(shù)量是否大于M來判決目標(biāo)是否存在。此方法的時間復(fù)雜度僅為O(N)，且無需在核函數(shù)內(nèi)部進(jìn)行排序。核函數(shù)偽代碼實(shí)現(xiàn)如下所示：

其中：形參x對應(yīng)待判決的矩陣；coeff代表門限因子；p為參考單元的長度。

3 仿真結(jié)果分析與加速比測試

3.1 實(shí)驗(yàn)環(huán)境

本文使用的GPU型號為費(fèi)米架構(gòu)的NVIDIA GeForce 820M，計(jì) 算 能 力2.1，擁 有96個CUDA核 心（CUDA Cores），顯存為2 GB，核心頻率為625 MHz，CUDA版本為7.5。CPU型號為Intel I5?4200M，主頻2.5 GHz。操作系統(tǒng)為Ubuntu 16.04，對比平臺為CUDA與Matlab，之所以選用Matlab是因?yàn)镸atlab在矩陣運(yùn)算上實(shí)現(xiàn)了高效優(yōu)化，例如在Intel上利用MKL（Math Kernel Library）加速，因此對比結(jié)果也更具有代表性。

實(shí)驗(yàn)數(shù)據(jù)采用OFDM調(diào)制的數(shù)字調(diào)幅廣播模式B標(biāo)準(zhǔn)的仿真信號數(shù)據(jù)，并加入直達(dá)波、多徑、目標(biāo)和噪聲來仿真監(jiān)測。目標(biāo)設(shè)定為兩個，多普勒頻移為8 Hz、-5 Hz，采樣點(diǎn)延時數(shù)據(jù)為-50、10，通道數(shù)為16，每個通道采樣點(diǎn)數(shù)為163 840，設(shè)定最大雙基地探測距離為4 000 km，采樣率為12 kHz，按照一個完整OFDM符號時間采樣點(diǎn)長度可將各通道采樣點(diǎn)數(shù)劃分為320個載波域復(fù)數(shù)數(shù)據(jù)，每個載波共得到512個OFDM符號數(shù)據(jù)，這樣監(jiān)測信號可以看成16×320×512的復(fù)數(shù)矩陣。

3.2 結(jié)果分析

表1顯示的是波束形成在不同環(huán)境下的運(yùn)行時間，其中，未優(yōu)化指的是按照文獻(xiàn)[9]實(shí)現(xiàn)波束形成核函數(shù)，DBF_1和DBF_2分別代表本文提出的波束形成核函數(shù)的兩種實(shí)現(xiàn)方法，其中，DBF_1方法的計(jì)時包括矩陣轉(zhuǎn)置所需的時間。對比可以看出，在GPU上進(jìn)行波束形成即使直接利用CUBLAS函數(shù)庫，所需時間也優(yōu)于Matlab版本的2.9倍，而本文提出的兩種方法在此情景下性能都優(yōu)于直接利用CUBLAS函數(shù)庫計(jì)算。此外，對比未優(yōu)化版本與DBF_1的核函數(shù)運(yùn)行時間，可以看出非連續(xù)合并的內(nèi)存訪問對核函數(shù)性能有較大影響，DBF_1通過轉(zhuǎn)置解決訪存問題對性能有將近2倍的提升，而單從波束形成算法的實(shí)現(xiàn)來說，本文提出DBF_2實(shí)現(xiàn)方法明顯要優(yōu)于DBF_1，加速比達(dá)到了5倍多。

表1 波束形成運(yùn)行時間對比 ms

表2是ECA?C算法與匹配濾波處理16個通道的數(shù)據(jù)所需的運(yùn)算時間，其中ECA?C算法與匹配濾波算法在Matlab中的實(shí)現(xiàn)也已經(jīng)按照2.2節(jié)、2.3節(jié)所提到的優(yōu)化思路進(jìn)行優(yōu)化，對比可以看出，ECA?C加速效果良好，達(dá)到了25倍，而匹配濾波也有15倍的加速。

表2 雜波抑制與匹配濾波運(yùn)行時間對比 ms

對于某一維度的OSCFAR，參考單元長度設(shè)置為20，保護(hù)單元長度設(shè)置為2，表3顯示的是單張距離多普勒圖經(jīng)過二維OSCFAR所需的運(yùn)行時間，其中表3中排序指的是按照OSCFAR原始算法對參考單元進(jìn)行排序在對應(yīng)平臺下的實(shí)現(xiàn)，而優(yōu)化版本是指根據(jù)2.4節(jié)所提出的不進(jìn)行排序方法進(jìn)行的優(yōu)化實(shí)現(xiàn)。對比CPU上運(yùn)行時間，可以看出本文針對OSCFAR算法提出的優(yōu)化方法，在CPU上提升效果不明顯，只有1.17倍的提升，而對比在GPU上的運(yùn)行時間，優(yōu)化后有140倍的提升，而對比CPU，加速比更是達(dá)到1 800倍，說明本文提出的方法能有效提高OSCFAR在GPU上的并行檢測性能。

表3 OSCFAR運(yùn)行時間對比 ms

圖5為CPU和GPU上運(yùn)行經(jīng)過整個信號處理流程得到的目標(biāo)檢測圖，可以看到設(shè)定的兩個目標(biāo)都被找到，證實(shí)了整個信號處理并行方案的有效性。

圖5 CPU和GPU恒虛警檢測判決圖

4 結(jié) 語

本文設(shè)計(jì)了基于GPU的OFDM波形外輻射源雷達(dá)信號處理整體方案，并對各處理模塊算法在GPU架構(gòu)下的高效實(shí)現(xiàn)方法進(jìn)行了深入研究。在考慮GPU訪存連續(xù)的前提下提出了兩種波束形成實(shí)現(xiàn)方案，實(shí)現(xiàn)了GPU下結(jié)合OFDM信號特性的雜波抑制方法ECA?C，完善了一種在GPU下的CFAR判決方法。相比于傳統(tǒng)CPU實(shí)現(xiàn)方法，本文提出的GPU并行實(shí)現(xiàn)方案能有效地減少系統(tǒng)對信號處理所需的時間，對比來說，信號處理中波束形成、直達(dá)波抑制、匹配濾波法都有5~25倍的提升，而改進(jìn)的OSCFAR算法加速比能達(dá)到1 800倍，極大地提高了外輻射源雷達(dá)系統(tǒng)運(yùn)行的效率，為實(shí)時處理OFDM波形外輻射源雷達(dá)提供了可能。