基于多核众核架构的并行雷达信号处理算法研究

《基于多核众核架构的并行雷达信号处理算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文Ｉ肇Ｉ基于多核众核架构的并行雷达信号处理算法研究作者姓名罗政指导教师姓名、职称朱虎明副教授申请学位类别工学硕士学校代码10701学号1502120837分类号TP39密级公开西安电子科技大学硕士学位论文基于多核众核架构的并行雷达信号处理算法研究作者姓名：罗政一级学科：电子科学与技术二级学科：电路与系统学位类别：工学硕士指导教师姓名、职称：朱虎明副教授学院：人工智能学院提交日期：2018年6月TheResearchonParallelRadarSignalProcessingBasedonMulti-coreandManyCoreArchi

2、tectureAthesissubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinCircuitsandSystemsByLuoZhengSupervisor:ZhuHumingTitle:AssociateProfessorJune2018西安电子科技大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导。尽我所知师指导下进行的研宄工作及取得的研究成果，除了文中特别加以标注和致谢中所罗列的内容以外

3、，论文中不包含其他人己经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同事对本研宄所做的任何贡献均己在论文中作了明确的说明并表示了谢意。一。学位论文若有不实之处，本人承担切法律责任／０心１＾．本人签名：日期：西安电子科技大学关于论文使用授权的说明：本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即研宄生在校攻读学位期间论文工作的知识产权属于西安电子科技大学。学校有权保留送交论文的复印件，允许查阅、借阅论文；学校可以公布论文的全部或部分内容，允许采用影

4、印、缩印或其它复制手段保存论文。同时本人保证，结合学位论文研成果完成的论文、发明专利等成果。，署名单位为西安电子科技大学２＾本人签名导师签名：為氘：＾靖日期：广切日期：讀、／）摘要传统基于FPGA+DSP雷达信号处理系统的开发人员需要掌握大量的专业硬件知识，并且系统开发周期长。随着雷达功能越来越强大，雷达信号处理算法越来越复杂，使得开发代价成倍增加。软件化雷达的提出为雷达信号处理系统的开发提供了一种解决办法，但是串行的软件化雷达信号处理系统大多数难以满足雷达信号处理系统对实时性的要求。随着多核众核技术和并行计算的发展，为满足软件化雷达的实时性提供了可能

5、，并行雷达信号处理逐渐成为雷达信号处理系统实施的热点，但是在多核CPU平台上并行策略多种多样，其中包括数据并行、任务并行、流水并行等，由于不同的并行策略的并行效率有所不同，使用场景也有所不同，如何选择软件化雷达算法的并行策略成为一个亟待解决的现实问题。同时随着硬件技术的发展，通用计算设备的架构也越来越多，如CPU、GPU、FPGA和MIC等，设计一种跨平台的并行雷达信号处理算法为雷达信号处理系统的移植带来了极大的方便，为雷达信号处理系统的适应不同设备提供了基础，在实际应用中具有重要意义。本文为了研究不同并行策略的雷达信号处理系统的优缺点，提出了基于多核CPU的并行雷达信号处理系

6、统，对串行雷达信号处理系统中的算法进行了分析，提出了三种并行策略的雷达信号处理系统，对不同并行策略进行理论分析，并且在多核CPU平台上设计了实验，通过实验结果验证了理论分析结果的正确性，第一，基于数据并行的雷达信号处理系统，是一种脉组级并行方案，将不同的数据处理过程映射在不同的计算线程。第二，提出基于流水并行的雷达信号处理系统，将所有的处理过程划分为多个任务组，各个任务组的任务量相近，不同的任务组映射在不同的计算线程上。第三，提出基于任务队列的雷达信号处理系统，首先将雷达信号处理任务划分，并且将这些任务加入到任务队列中，依照任务之间的依赖关系将任务调度在不同的线程上，并行处理不

7、同的任务。最后对不同并行方案的实验结果进行了分析，并且对比了不同方案的优缺点。本文为了研究跨平台的雷达信号处理算法，提出了基于OpenCL的并行恒虚警检测算法。分析恒虚警检测算法的并行性，利用不同数据块计算过程的独立性，设计了并行恒虚警检测算法，将不同的数据块计算过程映射到OpenCL中不同的work-item上并行计算。本文分别在GPU平台和FPGA平台上实施了并行恒虚警算法，在GPU平台上使用调节并行粒度、计算流程优化、局部存储优化和核函数合并方法，对并行程序优化，进一步发掘并行效率。在