Implementation och prestandaanalys av radarsignalbehandlingsalgoritmer på GPU
Det här examensarbetet utvärderar om det är möjligt att använda en eller flera GPUs för att under realtidsförhållanden utföra radarsignalbehandling i ett pulsdopplerradarsystem. En kedja med radarsignalbehandlingsalgoritmer som används för att utföra detektion har implementerats med CUDA och sedan p...
Main Author: | |
---|---|
Format: | Others |
Language: | Swedish |
Published: |
Linköpings universitet, Institutionen för systemteknik
2014
|
Subjects: | |
Online Access: | http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-110595 |
id |
ndltd-UPSALLA1-oai-DiVA.org-liu-110595 |
---|---|
record_format |
oai_dc |
spelling |
ndltd-UPSALLA1-oai-DiVA.org-liu-1105952018-01-12T05:09:55ZImplementation och prestandaanalys av radarsignalbehandlingsalgoritmer på GPUsweNilsson, MikaelLinköpings universitet, Institutionen för systemteknikLinköpings universitet, Tekniska högskolan2014GPUCUDARadarSignalbehandlingCA-CFAROS-CFARComputer SciencesDatavetenskap (datalogi)Det här examensarbetet utvärderar om det är möjligt att använda en eller flera GPUs för att under realtidsförhållanden utföra radarsignalbehandling i ett pulsdopplerradarsystem. En kedja med radarsignalbehandlingsalgoritmer som används för att utföra detektion har implementerats med CUDA och sedan prestandaanalyserats med fokus på låg exekveringstid. Två CFAR-detektionsalgoritmer, CA- och OS-CFAR, har inkluderats i analysen. För CFAR-algoritmerna har flera alternativ formulerats och implementerats för att utvärdera hur de bäst kan anpassas för att exekvera på en GPU. Prestandaanalysen av de implementerade algoritmerna visar att det är möjligt för det tänkta systemet att använda grafikkort för att utföra radarsignalbehandlingen i realtid. Implementationslösningar har presenterats både för CA- och OS-CFAR som uppfyller tidskraven för systemet, i vissa fall med god marginal. Lägst exekveringstider erhölls när vissa kompromisser gjordes med algoritmernas flexibilitet. För CA-CFAR erhölls lägst exekveringstider när ett Summed Area Table användes för tröskelvärdesberäkningen. För OS-CFAR uppmättes de lägsta exekveringstiderna när en rankjämförelse gjordes istället för en full sortering. Prestandaanalysen visar även att det på ett effektivt sätt går att skala upp implementationen för att utnyttja fler än en GPU. Student thesisinfo:eu-repo/semantics/bachelorThesistexthttp://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-110595application/pdfinfo:eu-repo/semantics/openAccess |
collection |
NDLTD |
language |
Swedish |
format |
Others
|
sources |
NDLTD |
topic |
GPU CUDA Radar Signalbehandling CA-CFAR OS-CFAR Computer Sciences Datavetenskap (datalogi) |
spellingShingle |
GPU CUDA Radar Signalbehandling CA-CFAR OS-CFAR Computer Sciences Datavetenskap (datalogi) Nilsson, Mikael Implementation och prestandaanalys av radarsignalbehandlingsalgoritmer på GPU |
description |
Det här examensarbetet utvärderar om det är möjligt att använda en eller flera GPUs för att under realtidsförhållanden utföra radarsignalbehandling i ett pulsdopplerradarsystem. En kedja med radarsignalbehandlingsalgoritmer som används för att utföra detektion har implementerats med CUDA och sedan prestandaanalyserats med fokus på låg exekveringstid. Två CFAR-detektionsalgoritmer, CA- och OS-CFAR, har inkluderats i analysen. För CFAR-algoritmerna har flera alternativ formulerats och implementerats för att utvärdera hur de bäst kan anpassas för att exekvera på en GPU. Prestandaanalysen av de implementerade algoritmerna visar att det är möjligt för det tänkta systemet att använda grafikkort för att utföra radarsignalbehandlingen i realtid. Implementationslösningar har presenterats både för CA- och OS-CFAR som uppfyller tidskraven för systemet, i vissa fall med god marginal. Lägst exekveringstider erhölls när vissa kompromisser gjordes med algoritmernas flexibilitet. För CA-CFAR erhölls lägst exekveringstider när ett Summed Area Table användes för tröskelvärdesberäkningen. För OS-CFAR uppmättes de lägsta exekveringstiderna när en rankjämförelse gjordes istället för en full sortering. Prestandaanalysen visar även att det på ett effektivt sätt går att skala upp implementationen för att utnyttja fler än en GPU. |
author |
Nilsson, Mikael |
author_facet |
Nilsson, Mikael |
author_sort |
Nilsson, Mikael |
title |
Implementation och prestandaanalys av radarsignalbehandlingsalgoritmer på GPU |
title_short |
Implementation och prestandaanalys av radarsignalbehandlingsalgoritmer på GPU |
title_full |
Implementation och prestandaanalys av radarsignalbehandlingsalgoritmer på GPU |
title_fullStr |
Implementation och prestandaanalys av radarsignalbehandlingsalgoritmer på GPU |
title_full_unstemmed |
Implementation och prestandaanalys av radarsignalbehandlingsalgoritmer på GPU |
title_sort |
implementation och prestandaanalys av radarsignalbehandlingsalgoritmer på gpu |
publisher |
Linköpings universitet, Institutionen för systemteknik |
publishDate |
2014 |
url |
http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-110595 |
work_keys_str_mv |
AT nilssonmikael implementationochprestandaanalysavradarsignalbehandlingsalgoritmerpagpu |
_version_ |
1718605302696247296 |