基于GPU的信號產生及脈沖壓縮實現

(西安電子科技大學雷達信號處理國家重點實驗室,陜西西安710071)

0 引言

高性能計算(High Performance Computing,HPC)作為計算機科學的一個分支,隨著人們對信息處理能力要求的日益提高,成為現代社會中不可或缺的一部分。高性能計算主要通過并行計算來實現,目前所采用的并行計算包括CPU多核并行、超級計算機、集群與分布式計算、CPU+GPU異構并行等。其中,通過CPU多核并行、超級計算機、集群與分布式計算主要實現海量數據處理,但其具有硬件成本高、開發難度大等缺點。而基于CPU+GPU異構的軟件化雷達就大大降低了成本,簡化了硬件結構,與傳統基于硬件的雷達相比,軟件化雷達更加簡單通用,顯示器作為外設,整套系統體系的硬件由一臺通用計算機和雷達信息采集板構成,信號與信息的處理及可視化完全由通用計算機與協處理器GPU來完成[1-2]。而計算統一設備架構(Compute Unified Device Architecture,CUDA)是一種將GPU作為數據并行計算設備的軟硬件體系,使專注于圖像處理的GPU超級計算能力在數據處理和科學計算等通用計算領域廣泛應用,也使其在軟件化雷達中發揮獨特優勢[3-4]。

此外,GPU作為一種圖形處理器顯卡,在處理能力與存儲帶寬上相對CPU有絕對優勢,對于同等規模運算處理,通過GPU加速的高性能計算可能從大型計算機過渡到臺式機以及桌邊型計算機上。同時,隨著GPU技術的飛速發展,其并行計算能力也逐步增強,浮點運算能力甚至可以達到同代CPU的10倍以上[5]。目前,隨著成本與性能等方面的要求逐漸提高,CPU以摩爾定律的速度發展,滿足不了目前信息處理對精度、實時性、大數據的要求。相對而言,GPU仍以差不多3倍于摩爾定律的增長速度發展,平均每幾個月其性能就提升一倍。這為未來大規模數據運算提供了新選擇[6]。

鑒于GPU強大的并行計算能力,通過利用VS 2013+CUDA 7.5作為仿真平臺,實現雷達信號與信息處理,并以線性調頻信號的產生以及線性調頻信號脈沖頻域脈沖壓縮為例,與傳統CPU運算性能進行比較,驗證GPU處理數據的正確性以及高效性。

1 線性調頻信號及脈沖壓縮原理

1.1 線性調頻信號

線性調頻信號是研究最早的一種脈沖壓縮信號,其產生和處理都比較容易,技術上比較成熟,因此得到了廣泛的應用。它是在匹配濾波的基礎上提出的,突出優點是匹配濾波器對回波信號的多普勒平移不敏感[7-8]。

假設雷達發射線性調頻脈沖信號,可表示為

式中,Te為發射脈沖寬度,f0為中心載頻,μ=B/Te為調頻斜率,B為調頻帶寬。

1.2 頻域脈沖壓縮基本算法

為了滿足提高探測距離和距離分辨率的雙重要求,就要采取大的時寬帶寬信號。脈沖壓縮技術的出現有效地解決了雷達作用距離和距離分辨率的矛盾,它既可以發射寬脈沖以提高平均功率和雷達的檢測能力,又能保持窄脈沖的距離分辨率。實現頻域脈壓的方法[9]如圖1所示。

圖1 頻域脈沖壓縮示意圖

從圖1可以看出,頻域脈壓的核心算法是快速傅里葉變換FFT、快速傅里葉逆變換IFFT以及復數相乘運算。采用頻域脈沖壓縮方法相對時域卷積而言,其運算量將大為減少,而且脈沖壓縮時可利用加窗函數來抑制旁瓣。只需將匹配濾波器系數預先進行頻域相乘(頻域加窗)或者時域相乘(時域加窗),即

式中,w(n)為窗函數,可以根據需要選取合適的窗函數。需要注意的是,FFT/IFFT的點數不是任意選取的。假設輸入信號點數為N,濾波器階數為L,那么經濾波后輸出的信號點數應該為N+L-1,即對于FFT的點數選擇必須保證其大于等于N+L-1,通常取2的冪對應的數值大于等于N+L-1。因此,在對濾波器系數及輸入信號sr(n)進行FFT之前,要先對序列進行補零處理。

2 CUDA編程模型

CUDA編程模型將CPU及系統內存稱為主機(Host),而將GPU及其內存稱為設備(Device)。在GPU上執行的函數通常稱為核函數(Kernel)。CUDA C通過某種語法方法(如__global__)將一個函數標記為“設備代碼”(Device Code),這種簡單的標記方法,表示將主機代碼發送到一個編譯器,而將設備代碼發送到另一個編譯器。而CUDA編譯器在運行時負責實現從主機中調用設備代碼。CUDA線程并行分為線程格中線程塊并行和線程塊中線程并行兩個層次[10]。所有線程同時運行相同的Kernel并根據各自的線程ID接入不同的內存地址進行運算,最終達到并行運算的目的。

CPU完成預處理并控制信號處理的任務調度和負載分配,按照雷達信號處理流程,將數據通過PCI-E總線分塊傳輸至顯存,利用GPU特有的單指令多線程(SIMT)方式實現線程并行化計算。每個脈沖重復周期所包含的采樣數據處理方式相同,充分利用GPU多線程、細粒度并行的優勢進行處理。

簡單來說,一個CUDA程序的執行是由主機代碼開始的,主機代碼主要完成初始化、數據輸入等基本工作,然后對設備端的顯存進行分配,將內存中數據通過PCI-E總線傳入顯存,調用Kernel函數在設備端完成運算,最后將運算結果傳回主機并釋放所分配內存。利用CUDA實現線性調頻信號產生及頻域脈壓,主要包含以下步驟:

第一步:在CPU端進行數據初始化并為數據在設備端分配內存。

第二步:在GPU上產生線性調頻信號以及濾波器系數,這里增加窗函數來抑制旁瓣。

第三步:利用CUDA提供的CUFFT庫將產生的回波信號序列sr(n)和濾波器系數hr(n)進行快速傅里葉變換得到Sr(f)和H(f)。

第四步:調用復數相乘函數或者CUDA提供的CUBLAS向量運算庫函數完成Sr(f)和H(f)的相乘運算。

第五步:利用CUDA提供的CUFFT庫將運算結果進行逆傅里葉變換,即將運算結果從頻域變換到時域。這里需要注意的是,時域到頻域的運算結果有一個倍數關系,需要將轉換結果乘以輸入信號點數的倒數得到的才是最終轉換的結果。

第六步:將運算結果從顯存復制回主機內存,并釋放相應內存和顯存。

其算法流程如圖2所示。

圖2 CUDA程序實現流程

在CUDA程序中,主要完成的是主機與設備之間的數據傳輸以及內核函數的執行,所以,可以采用以下3種方法減少傳輸時間,加快運算速度,提高運算效率。

方法一:運算時采用共享存儲器。共享存儲器使得一個線程塊中多個線程能夠在計算上進行通信和協作,而且,共享內存緩沖區駐留在物理GPU上,因此,在訪問共享內存時的延遲要遠遠低于訪問普通緩沖區的延遲。

方法二:可以采用紋理存儲器來保存一些濾波系數,使用紋理內核函數來讀取紋理存儲器。紋理存儲器的存儲方式為只讀,它能夠減少對內存的訪問請求并提供更高效的內存帶寬。

方法三:為提高數據傳輸帶寬,可以對采樣點開辟頁鎖定內存,從而確保了該內存始終駐留在物理內存中,使得信號處理的內核函數可直接進行主機和設備端的通信,減少數據拷貝時間。

3 仿真結果及分析

3.1 LFM信號產生仿真結果

仿真采用的操作系統為Windows 7 SP1,顯卡是計算能力為2.0的NVIDIA Tesla C2050,支持雙精度浮點運算。為了提高運算精度,數據處理均采用雙精度浮點數。

在仿真中,假定線性調頻信號的中心頻率為f0=0 MHz,信號帶寬B=2.5 MHz,信號的時寬T=150μs,采樣頻率fs=15 MHz。圖3和圖4分別為在CPU和在GPU上產生的線性調頻信號。

圖3 CPU上產生的線性調頻信號

圖4 GPU上產生的線性調頻信號

3.2 頻域脈壓仿真結果

同樣,在GPU和CPU上分別實現脈沖壓縮,結果如圖5和圖6所示。

圖5 CPU上脈沖壓縮結果

圖6 GPU上脈沖壓縮結果

從圖5和圖6可以看出,在CUDA平臺上利用GPU產生線性調頻信號以及頻域脈沖壓縮結果與CPU上處理的結果是一樣的,但是通過測量,可以發現,兩者的處理速度有很大差別。表1所示為處理相同數據時CPU與GPU所用的時間對比。

表1 CPU與GPU所用的時間對比

從表1數據可以看出,GPU比CPU的數據運算效率更高,而且數據量越大,GPU的優勢越明顯。需要說明的是,GPU有很大一部分時間都用在數據傳輸上,所以,在GPU運算過程中,應當盡量減少數據傳輸或者采用頁鎖定內存等方式減少數據傳輸時間。

4 結束語

實驗表明,通過直接在GPU上產生線性調頻信號,不僅達到了和CPU上一樣的效果,而且節省了將數據復制到GPU顯存的時間,提高了運算效率。直接通過GPU產生濾波器系數,大大減少了數據從CPU傳輸到GPU顯存的時間,加快了運算速度。另外,在GPU上實現頻域脈壓時,GPU上FFT和IFFT運算均可以采用CUFFT庫。對于短點的FFT運算,由于數據量小,系統直接將所有數據都拷貝到共享內存中實現。但對于長點數的FFT,由于共享內存容量有限,因此需要將一維長點FFT拆分為二維短點數FFT,每個短點數的FFT與復乘運算均可以在共享內存中進行,由于共享內存訪問速度遠高于共享全局,因此在和CPU運算效果相同的情況下,相比CPU而言,可以大大提高運算效率?？偟膩碚f,利用CUDA處理數據很好地滿足了目前信息處理對精度、實時性、大數據的要求。

[1]張舒,褚艷利,趙凱勇,等.GPU高性能運算之CUDA[M].北京:中國水利水電出版社,2009:5-8,14-18.

[2]裴頌文,寧靜,張俊格.CPU-GPU異構多核系統的動態任務調度算法[J].計算機應用研究,2016,33(11):3315-3316.

[3]陳伯孝.現代雷達系統分析與設計[M].西安:西安電子科技大學出版社,2012:189-190.

[4]武勇,王俊,張培川,等.CUDA架構下外輻射源雷達雜波抑制并行算法[J].西安電子科技大學學報(自然科學版),2015,42(1):104-105.

[5]SABDERS J,KANDROT E.GPU高性能編程CUDA實戰[M].聶雪軍,等譯.北京:機械工業出版社,2011:13-18.

[6]商哲然,譚賢四,曲智國,等.基于GPU的RFT算法并行化[J].雷達科學與技術,2016,14(5):505-506.SHANG Zheran,TAN Xiansi,QU Zhiguo,et al.Parallel Implementation of RFT Algorithm on GPU[J].Radar Science and Technology,2016,14(5):505-506.(in Chinese)

[7]康乃馨,何明浩,王冰切,等.基于壓縮感知的多徑LFM信號的參數估計[J].雷達科學與技術,2016,14(3):291-292.KANG Naixin,HE Minghao,WANG Bingqie,et al.Parameter Estimation of Multipath LFM Signal Based on Compressive Sensing[J].Radar Science and Technology,2016,14(3):291-292.(in Chinese)

[8]朱文貴,劉凱,韓嘉賓.基于PRI變換的混疊LFM雷達信號分選[J].雷達科學與技術,2016,14(6):630-631.ZHU Wengui,LIU Kai,HAN Jiabin.Sorting of the Aliasing LFM Radar Signals Based on PRI Transform[J].Radar Science and Technology,2016,14(6):630-631.(in Chinese)

[9]盧敏,王金茵,盧剛,等.CPU/GPU異構混合并行的柵格數據空間分析研究:以地形因子計算為例[J].計算機工程與應用,2017,53(1):172-173.

[10]胡賓賓,祁榮賓,錢峰.一種基于CUDA的并行多目標進化算法[J].計算機與應用化學,2015,32(1):1-2.