论文部分内容阅读
认知雷达是雷达技术发展的重要方向，它改变了传统雷达单向的工作模式，形成了从接收到发射的大闭环，有望显著改善雷达的综合性能。其中，认知发射是认知雷达的一个重要研究内容，是区别于传统雷达最显著的特征之一。在不增加系统资源的前提下，对认知雷达发射资源进行高效的利用，对于增强认知雷达的综合探测能力有着重要的作用。雷达信号处理算法具有计算复杂度高、实时性强、运算量大的特点，对于实际雷达信号处理平台的运算能力和传输速度有着很高的要求。近年来，图形处理器（GPU）以其强大的计算能力和超强的并行性已经在多个领域获得成功应用，结合GPU平台实现高速实时的雷达信号处理已成为雷达信号处理系统的一个重要研究方向。本文对认知雷达发射端资源管理问题和基于GPU平台实现回波信号处理的问题进行深入研究，主要工作包括以下内容： 1.针对多目标场景下的认知发射资源管理问题，提出了一种基于改进的装箱算法的认知雷达发射功率资源管理方法。该方法考虑到实际雷达系统可同时发射波束个数通常是有限的这一约束条件，在传统装箱算法基础上，在优化过程中添加了目标个数的约束，不仅优化箱子内空间的利用率，还优化箱子中目标的数目。仿真实验表明，改进的算法可以显著提高系统发射资源利用率，进而改善雷达系统的检测跟踪性能。 2.简要介绍了GPU的硬件和CUDA编程模型。首先，从硬件结构和性能方面分析了GPU与CPU的区别；然后，从编程模型和存储器模型两个角度对GPU编程架构CUDA进行了详细介绍；最后，简要阐述了使用GPU和MATLAB进行混合编程的方法。 3.研究了在GPU平台上多种雷达信号处理方法的并行实现方法，其中包括脉冲压缩方法、杂波抑制方法、恒虚警率检测方法和粒子滤波方法。在基于GPU的粒子滤波方法中，针对重采样过程并行性差的问题，结合SMSR方法改变重采样算法的串行循环条件，实现了重采样算法的高度并行，显著提升了粒子滤波方法的计算速度。通过大量数据的仿真实验验证，在处理效果相同的条件下，GPU并行计算相比于CPU串行计算可以极大提升雷达信号处理的速度，而且数据量越大，速度提升效果越明显。