论文部分内容阅读
米波雷达又称甚高频雷达,属于长波雷达,因此具有探测距离远、反隐身以及抗干扰等优点。但同时因为波束较宽这一特点,一方面导致直达波和反射波处于同一波束内无法区分。另一方面存在“波束打地”问题,进而导致波瓣分裂,低仰角时目标仰角估计出现偏差。现有的超分辨算法虽然可以解决上述问题,但运算量大,无法满足实时性要求,有的超分辨算法还需要匹配以合适的地形才能准确测量目标仰角。本文针对上述问题,对数字波束形成算法、合成导向矢量算法以及广义约束MUSIC算法进行原理介绍和性能分析,并通过GPU实现。最后研究地形修正算法,并给出仿真分析。论文的具体工作安排如下:首先对GPU高性能计算以及CUDA编程模型进行介绍。CUDA编程模型即为GPU(10)CPU异构编程模型,GPU主要用于并行密集数据的运算,CPU则主要用于数据初始化以及流程支配。由于米波雷达测角测高运算过程中涉及很多矩阵相关运算,因此对CUDA库函数调用进行了简要说明。最后,介绍常用的CUDA性能优化方法,包括CPU与GPU之间数据传输带宽优化,存储器优化及指令流优化等。其次,介绍了常用信号接收模型,该模型将多径信号和地球曲率考虑在内,提高了测角准确性。在此基础上,对DBF算法,SVML算法以及广义约束MUSIC算法的原理进行介绍与分析,然后对SVML算法和广义约束MUSIC算法的性能进行了分析,将这两种算法根据入射角和反射角关系进行降维处理,大大降低了运算量。最后将这三种算法分别在GPU和CPU上进行实现,给出算法在GPU上实现的详细流程以及两种平台上的性能对比分析。另外,考虑到DBF算法原理简单,计算速度要远远快于子空间类算法,相对而言,SVML算法更为复杂,计算速度慢,因而将这两种算法相结合,共同完成仰角测量,即先采用DBF算法测出目标大致仰角范围,然后在此范围内采用SVML算法进行搜索,得到目标仰角值,从而进一步提高运算速率。最后,针对合成导向矢量算法需要匹配以合适的地形才能准确估计目标仰角,本文提出一种基于ADS-B和DEM的地形修正方法,即首先将ADS-B数据进行格式转换并与DEM数据存储在同一个数组中,然后将ADS-B数据与终端数据进行匹配,进而利用合成导向矢量算法计算目标高度,然后将该高度与对应DEM高程作差,最后寻找测高误差与DEM的关系进行修正。该方法能与ADS-B方法形成互补,能够在没有民航和高机动情况下进行信息修正,其效果要好于不进行修正。