一种电磁信号分选方法与流程

1.本发明属于雷达信号处理技术领域，涉及一种电磁信号分选方法。


背景技术：

2.近年来电子信息技术在军事领域迅猛发展，电磁空间逐渐发展成为除海陆空天四维战场空间之外的第五维空间，是一种新的战场环境。在此新空间多种信号交叠，战场空域的某一点位，可能会接收到来自包括军用、民用和自然界的辐射信号，也可能存在敌我双方的干扰信号；不同辐射源发射信号时可能有时很密集，有时却静默，这些信号在时序上的表现也有所不同，其中，有些可能为连续波形式，有些为脉冲形式，并且这些信号的很多参数，如载频(rf)、脉宽(pw)、脉冲重复频率(prf)等信息也会有所不同；敌方也可以通过控制天线，向任意的特定空间发射电磁能量，使得此空间电磁环境的功率特征更加丰富；这些因素混叠会导致时域上形成更为复杂的动态环境。同时，随着雷达领域技术的极大发展，各种新体制雷达被研发出来并完成部署，这使得电子对抗中雷达脉冲流的密度急剧增加,脉冲交错越来越严重,脉冲参数的稳定性越来越无法得到有效保证。
3.传统的雷达信号分选方法由于是建立在对雷达脉冲描述字参数(pdw)的统计分析之上，属于根据脉冲间的相关性或不相关性分选出目标，分选时剔除噪点。其受参数变化的影响大，对pdw参数相似的雷达无法分选，而且进行pri精分选时，前后两次的计算结果之间具有依赖性，数据之间不能采用并行计算，因此只能单核计算，导致硬件资源的占用率低，分选速度慢，对复杂且量大的数据难以处理，并且对数据的完整性和纯洁性有一定要求。由于机器学习和人工智能方向获得了极大推进，分选依据不再局限于pdw的五参数，脉冲自身的一些更稳定的内部特征能够被提取出来，这些内部特征拥有统计独立性，而对于分选信号而言人们研究深入的方向也不是某个脉冲的特征的完整性描述，而是区别不同信号样式有用信息的提取，即需要对能表征脉冲的特征信息的数据进行压缩感知，让提取出来的信息尽可能能表征各个信号样式的差异。而雷达信号分选作为整个电子对抗系统中的核心部分，其分选的速度和分选质量好坏很大程度上也能反映一个国家的雷达技术水平，受到各个国家的重视，基于现代战争信息对抗所处的以上环境，对侦察设备(雷达接收机、参数测量器和信号处理器)也提出了更高的要求以满足实时性和高效性的需求，因此除了新的雷达信号分选算法研究的推进，还应对选择合适的计算平台根据amdahl加速比定律对算法中占绝大多数执行时间的部分并行化。
4.通过了解现有技术可知，现有雷达信号分选技术就研究方向而言主要集中在分析脉间特征参数或脉内特征参数:脉间发展较为成熟的是多参数的脉间匹配，脉内发展较为成熟的是盲源下的独立成分分析(ica)及多种聚类算法；就实施过程而言主要流程为预处理及主处理:预处理主要是为降低要处理的数据量，降低数据量又主要有两种方法:压缩感知，即用尽可能少的数据就能表征信号之间的差异，减少处理数据所需的时间；使用部分参数提前将数据分块，再进行分别处理，一般选择脉冲到达角度doa/脉冲到达时间toa进行初次分块，再利用脉冲的调制形式(调频率k)进行再分，再利用载频rf进行再分块，以达到减
少分选时间的目的。
5.现有技术使用串行平台进行矩阵运算及迭代求解完成盲源雷达脉冲流干扰分选，存在运算速度不快及硬件运算单元资源使用率不高等问题，不能满足在复杂电磁环境下实时分选的要求。


技术实现要素：

6.为解决上述技术问题，本发明提出了一种电磁信号分选方法，所述电磁信号的信号处理系统包括雷达信号预处理机和雷达信号主处理机，所述的雷达信号主处理机采用cpu gpu结构，所述加速方法包括以下步骤：
7.步骤1，雷达信号预处理机对雷达信号接收机接收到的原始雷达数据进行采样，采样数据由雷达信号主处理机cpu根据数据大小，在gpu端为所述的采样数据分配显存空间，并将采样数据拷入显存；
8.步骤2，对gpu端接收到的雷达数据做零均值化和去相关处理，处理后的雷达信号组成信号矩阵；
9.步骤3，在gpu端利用快速独立成分分析的方法对经过步骤2处理的信号矩阵进行分离，所述的分离计算是一个迭代过程，且每次循环迭代完成后，将控制条件标志位回传到cpu端；
10.步骤4，cpu获取到控制标志位后，判断其是否符合迭代计算的控制条件；如其不满足控制条件，在gpu端继续循环迭代；
11.步骤5，cpu获取到控制标志位，当其满足迭代计算的控制条件后，在gpu端分析分离出的初始源信号，并排除噪声，获取正确雷达个数k，然后传递给下一步进行信号聚类分选；
12.步骤6，对雷达信号分选机得到的脉冲描述字pdw数据的预处理包括：根据脉冲到达的方向角度doa进行数据第一次分块的预处理，再根据调频率参数k进行第二次分块的预处理，再根据载频rf进行第三次分块的预处理，并为各次预处理得出的分块结果具体根据得到的k值分配初始类标签，并在gpu端对雷达脉冲描述字中各项归一化；
13.步骤7，在gpu端对信号的pdw进行聚类分选迭代处理，计算归一化后的样本点到每个初始点的欧式距离，比较后进行聚类，每次循环完成后，将控制循环标志传输到cpu端判断，如果满足循环条件就进入步骤8，如果不满足，则继续在gpu中迭代；
14.步骤8，将在gpu端得到的结果数据由cpu控制拷贝回主机内存并进行分类保存，接着释放显存，为下一次信号分选做准备。
15.进一步的，步骤1中所述的采样数据是指对雷达信号接收机接收的各种不同制式的脉冲信号数据执行模拟数字变换a/d后得到的采样数据。
16.进一步的，步骤1中对雷达信号接收机接收到的原始雷达数据进行采样包括：对雷达信号接收机接收到的原始雷达数据分角度、分时间进行采样。
17.进一步的，所述的对雷达信号接收机接收到的原始雷达数据分角度采样，指接收到的原始雷达数据分按照到达方向角doa每15度划分。
18.进一步的，所述的步骤6中的预处理包括：所述的雷达预处理机针对测频接收机、测向接收机得到的信号脉冲，雷达预处理机使用快速独立成分分析的来执行对信号脉冲进
行脉内特征提取，获取信号源的个数，消除噪声的影响。
19.进一步的，所述的雷达信号预处理机接收雷达接收机输出的脉冲流信号pdw，对随机交迭的雷达脉冲信号流中进行脉冲参数匹配分析，从中分离出已知雷达脉冲列或者扣除友邻和已方雷达脉冲。
20.进一步的，所述的步骤2包括以下子步骤：
21.步骤2.1，在数据预处理阶段对雷达脉冲信号做零均值化去相关处理，以去除雷达数据间的相关性；
22.步骤2.2，所述的数据白化采用矩阵乘法，调用库函数cublasdgemm()完成矩阵乘法运算；
23.步骤2.3，所述的数据处理零均值化为在gpu中通过开辟n*p个线程，使用每个线程处理一个数据。
24.进一步的，所述的步骤3中的循环迭代算法包括以下子步骤：
25.步骤3.1，z1←
w*z
26.步骤3.2，z2←
g(z1)；z2'
←
diag[g'(z1)*1
p
]*w
[0027]
步骤3.3，w2←
z2z
t
[0028]
步骤3.4，w1←
w2‑
z2'
[0029]
步骤3.5，对w1进行奇异分解，判断其是否迭代完成；
[0030]
其中，z是n*p的矩阵，z
t
是z的转秩矩阵，z1是z的白化后的矩阵，z2是目标函数矩阵，n表示雷达辐射源的个数，p表示雷达脉冲信号的个数，p＞＞n；w为n*n方阵，g
′
(z1)是g(z1)的导数，l
p
是单位矩阵，g(z)是非线性函数，diag[]是对角化函数操作。
[0031]
进一步的，所述的步骤5中排除噪声步骤包括：分辨信号和噪声，确定噪声期望值为0，当分离出的信号的期望值小于阈值，判定为噪声并将其滤除。
[0032]
进一步的，步骤7所述聚类分选迭代包括以下子步骤：
[0033]
步骤7.1，统计每一个簇的样本；
[0034]
步骤7.2，统计每一个簇的样本个数；
[0035]
步骤7.3，计算每一个簇所有样本的平均值并将其作为簇中心：样本和/样本个数；
[0036]
步骤7.4，计算每个样本与每个聚类中心的欧式距离。
[0037]
本发明与现有方法相比，具有以下优点：
[0038]
1.降低算法复杂度：本发明对无源的雷达脉冲数据处理方法进行创新，设计了一种新的雷达脉冲流并行化的数据处理方法，本发明通过利用盲源信号的独立成分分析方法，将传统的前后两次的计算结果之间具有依赖性，只能串行计算的分选算法，转换为基于矩阵并行运算的方法，使算法的复杂度大大降低。
[0039]
2.提高运算速度：本发明基于并行计算平台的矩阵运算及迭代方法，具体是对雷达数据降低冗余度的操作及后续的聚类迭代方法展开线程块内及线程块间的并行计算，提高聚类运算速度。
[0040]
3.提高硬件资源利用率：本发明利用数以千计小而高效的硬件核心，根据硬件资源容量结合初始数据量，设置合理的线程配置，将盲源雷达数据有效分配至各线程块及块内线程，使矩阵运算和聚类迭代得到最大限度的开展，较之单核计算平台，本发明对硬件资源的调度率更高。
附图说明
[0041]
图1是本发明总体技术方案的流程图；
[0042]
图2是本发明信号处理机原理图；
[0043]
图3是串行基于fast
‑
cia的k
‑
means聚类算法程序流程图；
[0044]
图4是并行fast
‑
ica算法程序流程图；
[0045]
图5是并行k
‑
means聚类算法程序流程图；
[0046]
图6是并行的基于fast
‑
ica的k
‑
means聚类算法程序流程图；
[0047]
图7是串行的基于fast
‑
ica的算法程序流程图。
具体实施方式
[0048]
针对现有技术中盲源雷达脉冲流干扰分选运算速度不快及硬件运算单元使用率不高这一问题，本发明公开了一种加速效果明显，硬件资源利用率高的一种电磁信号分选方法。电磁信号处理系统包括雷达信号预处理机和雷达信号主处理机，主处理机采用cpu gpu结构，为实现本雷达信号分选方法最优性能，通过devicequery()函数查询主机gpu设备参数，再通过匹配线程数和合理分配设备存储空间，使得本算法性能达到最优，所述的数据处理方法包括以下步骤：
[0049]
步骤1，对雷达信号接收机接收到的原始雷达数据分角度、分时间进行合理采样，在cpu控制端根据采样得到的数据(各种不同制式的脉冲)的大小，在gpu端为其分配显存空间并将数据拷入；
[0050]
步骤2，在gpu端对采样的数据做中心化(零均值化)和白化(去相关)处理；
[0051]
步骤3，在gpu端利用快速独立成分分析的方法对上一步处理过后的信号矩阵进行分离，且每次循环迭代完成后，将控制条件标志位回传到cpu端；
[0052]
步骤4，cpu获取到控制标志位后，如其不满足条件，在gpu端继续循环迭代；
[0053]
步骤5，cpu获取到控制标志位，当其满足条件后，在gpu端分析分离出的初始源信号，并排除噪声，获取正确雷达个数k，然后传递给下一步进行信号聚类分选；
[0054]
步骤6，对雷达信号分选机得到的pdw(脉冲描述字)数据根据脉冲到达角度doa进行数据一次分块预处理，再根据信号样式(具体为调频率参数k)进行二次分块预处理，再根据载频rf进行三次分块预处理，并为得出的分块结果具体根据得到的k值分配初始类标签，并在gpu端对雷达脉冲描述字中各项归一化后进行下一步；
[0055]
步骤7，在gpu端对信号的pdw进行聚类分选迭代处理，计算归一化后的样本点到每个初始点的欧式距离，比较后进行聚类，每次循环完成后，将控制循环标志传输到cpu端判断，如果满足循环条件就进入下一步，如果不满足，则继续在gpu中迭代；
[0056]
步骤8，将在gpu端得到的结果数据由cpu控制拷贝回主机内存并进行分类保存，接着释放显存，为下一次信号分选做准备。
[0057]
本发明通过设计一种新的雷达脉冲流并行化的数据处理方法，为实现多功能雷达打下了坚实基础。
[0058]
以下结合附图对本发明的具体实施方式作出详细说明。
[0059]
本发明提出一种电磁信号分选方法，针对信号脉冲流的智能处理设计需求问题，开发基于嵌入式gpu的雷达脉冲流的侦察数据处理算法模型，具体要求包括：
[0060]
1)能够分辨出简单脉冲，正线性调频和负线性调频三类信号样式；
[0061]
2)基于嵌入式gpu的计算框架与开发环境设计；
[0062]
3)对机器学习算法的移植流程设计；
[0063]
4)模型集成调试与编程实现。
[0064]
技术指标：
[0065]
数据率：2.5gsps采样率；
[0066]
脉冲流密度：1万个脉冲/s(在同时输入4个不同参数信号的时候)；
[0067]
信号样式：简单脉冲、正线性调频和负线性调频；
[0068]
信号带宽：可达到100mhz；
[0069]
在进行信号分选时，传统的经典算法都是在cpu中进行串行的运算，当数据量较大或单一的简单运算循环次数较多时，会给带来很大的负担，这会导致程序运行的时间开销变得很大，这不能适应当今对信号处理的实时性的要求，所以我们对传统的信号分选算法进行改进，即向新的计算平台上进行移植，将能并行处理的数据尽可能改为可并行运行的程序。
[0070]
在将经典的信号分选算法向新的并行运算平台移植后，可以带来运算速度的大幅提升。
[0071]
本发明使用基本并行处理硬件平台nvidia jetson tx2，jetson tx2是nivdia瞄准人工智能在jetson tk1和tx1推出后的升级。tx2的gpu和cpu都进行了升级，内存增加到了8gb、存储增加到了32gb，支持wifi和蓝牙，编解码支持h.265，体型同样小巧。据nvidia官方介绍，jetson tx2提供两种运行模态：一种是max q，能效比能达到最高，是上一代的tx1的2倍，功耗在7.5w以下；另一种是max p，性能可以做到最高，能效比同样可以做到前一代的2倍，功耗则在15w以下。
[0072]
编写对应信号分选的c语言程序，并将信号处理中可以并行的矩阵操作、聚类迭代部分进行了并行处理形成cuda
‑
c程序，最后移植到tx2并行处理环境中。
[0073]
具体过程为利用测频、测向接收机及雷达信号预处理机得到的脉冲到达角度doa、脉冲调频率k、载频rf参数作为信号的粗分选条件，对雷达数据进行分块，降低要分别处理的数据量，再通过对分块好的盲源雷达信号数据的中心化和白化方法的并行化，进一步降低数据复杂度，并通过fast
‑
ica算法求出雷达源个数，由于此方法是基于信号内部特征的分析，可以排除噪声的影响。接着可以利用此k值在预处理阶段分块并剔除噪点的数据块上选择迭代初始点，解决了k均值聚类需要获知雷达源个数及初始点的选择问题。通过将分选出的结果与库中的雷达进行对比确定分选出的信号为库中的已有信号还是新雷达。以fuzzy_matching方法处理完成的信号做说明：第一项数据为分选出的信号，第二项为分选出的信号中与库中匹配的信号，第三项为匹配的可信度，第四项为新信号。与以前的在windows上仿真的matlab程序得到的结果完全相同。
[0074]
下面结合附图和具体实施方式对本发明做详细说明。
[0075]
如图1所示，本发明提供的电磁信号分选方法总体技术方案流程包括以下步骤：
[0076]
1)软硬件下设计计算框架：根据要用到的并行处理的软件和硬件环境，设计计算架构；
[0077]
2)典型方法的模型到代码：根据各种经典雷达信号分选算法的数学算法模型实现
其代码，根据其基本原理推导其经典的串行流程，接着用并行的思想优化流程，再将其结合；
[0078]
3)参数测量算法建模及移植：将采集到的雷达数据(仿真得到)在搭建好的并行处理平台上进行调试运行；
[0079]
4)正确及有效性验证：验证处理结果的正确性及有效性。
[0080]
从雷达接收机系统输出至信号分选处理系统的脉冲流是稠密交叠的雷达脉冲参数流和雷达脉冲时域信号，信号分选就是信号处理系统对信号脉冲流的处理过程，是从随机交叠的脉冲信号流中分离出各个雷达的脉冲列。根据信号分选的定义可得出信号分选机的整体框图，其雷达接收机获取信号示意图如图2所示：
[0081]
图2中预处理机的主要任务是接收接收机的脉冲流信号(脉冲描述字pdw形式)，根据已知雷达辐射源的主要特征参数及脉内特征参数等先验知识，对随机交迭的雷达脉冲信号流中进行脉冲参数匹配分析，从中分离出已知雷达脉冲列或者扣除友邻和已方雷达脉冲，达到稀释脉冲流密度的目的；主处理机的主要任务则是要完成信号的主要分选、雷达识别、威胁等级判别。
[0082]
图1只是对整个开发流程做了总体性概括，下面结合附图对本发明技术方案做进一步描述。
[0083]
本发明实施例提供电磁信号分选方法及系统具体包括以下步骤：
[0084]
步骤一，硬件架构设计：
[0085]
弹载信息处理系统硬件架构将以gpu模块为主体，以替代传统的信号处理dsp模块，主要包括gpu模块(负责信号处理、数据及图像处理等)、dsp模块(用于雷达总控，负责雷达资源调度管理等)、射频模块(负责雷达射频接入)、srio网络模块(负责数据交互)、背板模块等。
[0086]
步骤二，软件架构设计：
[0087]
除了gpu硬件芯片的并行处理保障之外，基于tx2的并行处理芯片通过cuda、opencl等并行软件支撑层，实现了图像处理、矩阵运算、神经网络涉及的常见算法如卷积、池化、fft、ifft等原子操作或基本操作。并且，可以通过模型并行、数据并行等多种方式实现多gpu芯片之间的分布式训练、测试。
[0088]
数据并行是指对训练数据做切分，同时采用多个模型实例，对多个分片的数据并行训练。要完成数据并行需要做参数交换，通常由一个参数服务器来帮助完成。在训练的过程中，多个训练过程相互独立，训练的结果，即模型的变化量需要汇报给参数服务器，由参数服务器负责更新为最新的模型，然后再将最新的模型分发给训练程序，以便从新的起点开始训练。
[0089]
数据并行有同步模式和异步模式之分。同步模式中，所有训练程序同时训练一个批次的训练数据，完成后经过同步，再同时交换参数。参数交换完成后所有的训练程序就有了共同的新模型作为起点，再训练下一个批次。而异步模式中，训练程序完成一个批次的训练数据，立即和参数服务器交换参数，不考虑其他训练程序的状态。异步模式中一个训练程序的最新结果不会立刻体现在其他训练程序中，直到他们进行下次参数交换。参数服务器只是一个逻辑上的概念，不一定部署为独立的一台服务器。有时候它会附属在某一个训练程序上，有时也会将参数服务器按照模型划分为不同的分片，分别部署。
[0090]
模型并行将模型拆分成几个分片，由几个训练单元分别持有，共同协作完成训练。当一个神经元的输入来自另一个训练单元上的神经元的输出时，产生通信开销。多数情况下，模型并行带来的通信开销和同步消耗超过数据并行，因此加速比也不及数据并行。但对于单机内存无法容纳的大模型来说，模型并行是一个很好的选择。令人遗憾的是，数据并行和模型并行都不能无限扩展。数据并行的训练程序太多时，不得不减小学习率，以保证训练过程的平稳；模型并行的分片太多时，神经元输出值的交换量会急剧增加，效率大幅下降。因此，同时进行模型并行和数据并行也是一种常见的方案。
[0091]
步骤三，对现有串行快速独立成分分析算法和串行k均值聚类算法进行研究并给出结合方案。
[0092]
fast
‑
ica算法又被称作固定点算法，其在每一步迭代中采用批处理的方式，因此每次会处理大量的雷达数据。fast
‑
ica算法具有收敛速度快，稳态误差小的优点，但其分选信号数据速度慢。本发明通过一种基于负熵最大化的fast
‑
ica信号分选算法的原理实现。
[0093]
实施步骤分可成三部分，分别是预处理部分，循环迭代部分和后处理部分。
[0094]
1)数据预处理
[0095]
对接收到的雷达脉冲信号进行去中心化处理，将观测信号变为零均值变量。通过该预处理可以简化fast
‑
ica算法的运算，当然如果不对信号数据进行此步操作，也是可以将数据分选出来的，只是循环迭代次数会多一些。
[0096]
从雷达接收机获得的雷达脉冲信号都会具有相关性，为了降低数据维度，减少信号的估计参数，提高算法运行速度，通常都要对接收到的雷达数据进行白化处理从而简化运算。
[0097]
可以证明经过白化后的混合矩阵，其自由度降低了一半，为接下来的独立分量分离减少了一半的工作量。
[0098]
2)循环迭代
[0099]
fast
‑
ica分选算法以负熵最大化作为迭代方向，然后得出分离矩阵从而分离出各个信号。熵是对不确定性的测量，可以得出等方差的随机变量其高斯变量的熵也最大。在信号分选过程中当非高斯性度量达到最大时，就表明算法己完成了对各部雷达分量的分离。
[0100]
3)后处理
[0101]
统计源信号分选时间，统计源信号个数，为后续优化做准备。
[0102]
k
‑
means聚类算法源于信号处理中的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于大数据处理等领域。k
‑
means聚类信号分选算法就是把n个雷达数据点分成k个雷达聚类，使得属性相同的点都属于离它最近的均值所对应的一个聚类。k
‑
means算法以欧式距离作为一个聚类标准。
[0103]
k
‑
means聚类算法是一种无监督的机器学习并可以自动的将相似的对象归到同一个簇中，下面介绍k
‑
means聚类信号分选算法的原理及实现。
[0104]
聚类算法是一种高效率的简单的易于实现的机器学习的算法，k
‑
means分选算法不需要经过大量数据的训练就可以自主的分选雷达样本数据。
[0105]
基于k
‑
means聚类信号分选算法工作步骤如下：
[0106]
1)假设把样本分成2个类别并随机选择2个类的初始中心；
[0107]
2)在第k次迭代中对任意一个样本求其到这2个中心的距离，然后比较这2个距离
值，小的那个就为该样本打上相应类的标签；
[0108]
3)求对应类中所有数据的平均值并将其作为该类的中心值；
[0109]
在第二步和第三步的迭代更新后，判断中心值的变化大小，如果其小于期望值那么迭代结束，否则继续执行第2步和第3步。
[0110]
k
‑
means聚类分选算法基于信号脉冲描述字中的参数对相似的信号进行聚类分选。k
‑
means聚类算法由2均值聚类算法发展而来，仅仅把聚类中心个数2变成k即可。k
‑
means聚类分选算法的操作步骤如下：
[0111]
1).选取用作聚类分选算法的分选参数。在雷达脉冲信号中各部信号的doa不会突然变化，可以用来作为初步分选参数，本文选择{rf，pw，pa}这三个参数作为聚类分选的参数。
[0112]
2).对雷达脉冲信号进行归一化处理。通过对数据归一化，可以消除维度较大数据(比如载频)对信号分选结果的影响。以载频为参考，另外2个雷达脉冲参数也同理，对其进行归一化处理，其载频数据归一化公式如下式：
[0113][0114]
式中rf
max
、rf
min
分别是雷达接收机获得信号中载频的最大值和最小值；rf
i
为归一化之后的雷达射频信号。
[0115]
3).初始化聚类中心。可随机设定各个簇的中心值。
[0116]
4).迭代。计算每个样本与各个簇中心的欧式距离并将该样本的标签标记为欧式距离最小那个。
[0117][0118]
式中rf
i
、pw
i
、pa
i
为信号脉冲的参数值，其中i＝1,2,...,n表示n个雷达数据；为信号脉冲的参数值，其中i＝1,2,...,n表示n个雷达数据；为各个簇中心的参数值，其中j＝1,2,...,k为k个聚类中心；d
j
为各个雷达数据与簇中心的欧式距离。
[0119]
5).更新簇中心。求和并计算整个新簇的均值，更新簇中心。
[0120][0121]
式中，m
j
为第j个簇中的样本数目；pdw
i
为第i个信号脉冲描述字，代表一个信号；c
j
代表第j个聚类中心的数据。
[0122]
6).判断。计算新簇的中心值与旧簇的中心值的平方误差，如果其没有达到期望值并且小于迭代次数，则重复步骤(3)和(4)直到其满足条件。
[0123]
e
r
＝abs(c
t 1
‑
c
t
)2ꢀꢀꢀ
式(11)
[0124]
式中，e
r
为第t 1次迭代与第t次迭代的平方误差值；c
t 1
为第t 1次聚类中心的值。
[0125]
根据上面的步骤可知，k
‑
means聚类信号分选算法的时间复杂度低：
[0126]
time＝o(nkt)
ꢀꢀꢀ
式(12)
[0127]
式中n为雷达脉冲样本数目；k为聚类中心数目；t为需要迭代的次数；time为均值聚类算法的时间复杂度。
[0128]
由式(12)可知，该聚类算法运行速度块，易于多平台移植。因此基于上述步骤，首先使用c 编程语言实现了串行的k
‑
means均值聚类信号分选算法以验证聚类分选算法在信号分选中的有效性，给出k
‑
means聚类信号分选算法程序流程图，如图7所示，基于该框图编写基于cpu的程序。可直观的看出该算法的执行步骤，其中循环迭代部分会消耗大部分时间。然后用该算法分选模拟雷达脉冲数据，将其中时间开销大的部分并行化，以加速雷达数据的分选速度。
[0129]
在k
‑
means聚类信号分选算法中的数据聚类迭代运算消耗最多的时间，占据了聚类算法总时间的99％以上。根据amdahl定律可知数据聚类迭代将是本部分并行优化的重点。
[0130]
基于fast
‑
ica或者基于k
‑
means聚类的雷达号分选算法都可以成功的分选出各部雷达脉冲信号，但仅仅基于某一种的信号分选算法存在着各种各样的问题。
[0131]
其中基于fast
‑
ica的信号分选算法优点是在复杂的雷达电磁环境中不用知道信号源的先验知识，就可分离未知的信号源，还可以排除噪声的影响但在分选大量的信号数据时速度慢并且实现复杂。而基于k
‑
means聚类的信号分选算法优点是算法实现简单，运算速度快，局部分选效果好。但其缺点是需要提前获知雷达辐射源的先验知识，如初始聚类中心数目k，如果选择了不恰当的k值就会导致糟糕的聚类结果；还有聚类分选的迭代次数会受到初始聚类中心值的影响，并且无法消除孤立点噪声的干扰。在信号分选过程中这二者的优点可很好的互补融合，从而设计并实现一种基于fast
‑
ica的k
‑
means聚类的雷达脉冲流干扰分选并行化加速方法。
[0132]
基于独立分量分析的k
‑
means聚类信号分选算法融合了上述2种算法的优点，可在复杂的电磁环境中快速分选出未知的雷达脉冲信号。该算法首先对部分雷达脉冲时域信号进行快速独立分量分离，可以分离出各部雷达脉冲信号和随机噪声，通过均值判断后排除随机噪声向量列。然后为下一步的均值聚类信号分选算法提供有效的k值并且排除孤立噪声，k
‑
means聚类信号分选算法基于脉冲描述字pdw
i
＝{rf
i
,pw
i
,pa
i
}对大量的雷达脉冲信号进行快速聚类分选。融合算法工作步骤如下：
[0133]
1)从雷达接收机获得信号数据，由于雷达位置不会时刻的发生变化，首先按照到达方向角(doa)每15度划分，稀释雷达脉冲流数据，依次进行下面的运算。
[0134]
2)经过doa分选后的信号，随机取出部分信号数据，使用fast
‑
ica分选算法对其进行快速独立分量分析，分离出信号和噪声并得出信号种类。
[0135]
3)由上一步获得聚类信号分选算法所需的k值，基于雷达脉冲描述字rf，pw和pa三个参数对雷达脉冲信号进行快速聚类分选。
[0136]
4)对分选结果，即将每个数据簇保存至硬盘或者交给后续算法处理。
[0137]
基于上述信号分选算法的工作步骤，给出融合算法的程序流程图如图3所示。在现代交叠并复杂的电磁环境中，雷达接收机的数据量成指数增长。基于cpu实现的算法由于循环迭代次数较多，运算速度还是较慢，为了能够快速，准确的分选大量的信号，将上述算法并行化并在基于cuda架构在gpu上实现，可大大加快信号的分选。图3是串行基于fast
‑
ica的k
‑
means聚类信号分选算法程序流程图。
[0138]
步骤四,分别给出fast
‑
ica雷达信号分选算法和k
‑
means雷达信号分选算法的并行化实施思路及方法，并将两者融合，得到分选效果更快更好的算法。
[0139]
以上研究和实施了基于fast
‑
ica的k
‑
means聚类分选算法的原理与串行实现，该算法虽然可以准确分选出未知信号，但在分选大量的信号数据时所运行的时间太长了。本发明要将基于该算法分析算法中耗时时间长的部分并将该部分在gpu上实现，以加快分选算法运行效率，缩短信号分选时间。实现一种新的雷达脉冲流干扰分选并行化加速方法，该算法可对未知信号源进行快速分选。
[0140]
下面我们给出具体的并行思路:在分别实现了并行化的基于fast
‑
ica的信号分选算法和并行化的基于k
‑
means聚类的信号分选算法后，要将上述2种算法融合互补，通过fast
‑
ica的未知信号源分选和分离噪声的能力融合了k
‑
means聚类信号分选快速实时的特点，然后在gpu上运行并得出正确的结果。下面介绍具体实施过程。
[0141]
fast
‑
ica算法又被称作固定点算法，是一种需求先验知识少并且可以分离未知辐射源信号的一种独立分量分析算法。将尽可能多的算法步骤并行化，将其在gpu上实现以加速雷达数据的分选速度。为了实现fast
‑
ica信号分选算法的并行化，按照任务划分，性能优化和结果验证三步来进行。首先，基于cpu实现的fast
‑
ica算法共包括五个步骤：
[0142]
1)输入按照到达方向角(doa)每15度划分，稀释过的雷达脉冲流数据，并将数据从硬盘读入主机内存，交给cpu处理；
[0143]
2)数据预处理，对从雷达接收机获得的雷达数据做中心化和白化处理；
[0144]
3)fast
‑
ica迭代数据，对雷达样本数据进行循环迭代运算，达到控制条件后停止迭代并得到分离矩阵；
[0145]
4)数据后处理，进行矩阵乘法并求出雷达源信号；
[0146]
5)输出数据，使用写文件命令将数据写回到硬盘并保存。
[0147]
其中第1步和第5步数据交换无法并行化，必须在cpu端完成，cpu启动cuda库函数—cudamalloc()在gpu端为数据分配显存并启动cudamemcpy()函数将数据传递到gpu端。其中第2、3和4步是fast
‑
ica的主算法数据处理部分。数据循环迭代的时间开销占据总算法的96％以上，因此循环迭代部分是并行化的重点。其中考虑到数据在cpu端与gpu端交换的时间开销，将fast
‑
ica算法整体并行化，下面给出并行实现方案：
[0148]
1)数据预处理并行化
[0149]
数据预处理阶段就是对雷达脉冲信号做中心化和白化处理以去除雷达数据间的相关性。其中数据白化就是简单的矩阵乘法，在这里调用库函数cublasdgemm()完成矩阵乘法运算。数据处理的中心化步骤在cpu中对每个数据进行搜索处理是基于循环完成的而在gpu中可以通过开辟n*p个线程，使用每个线程处理一个数据，使其时间复杂度直接变成了1。由于数据样本点太大，gpu不足于承担那么大的线程，所以为每个块分配256个线程，那么数据中心化部分加速比如下：
[0150]
speed
center
＝(n*p)/256
ꢀꢀꢀ
式(13)
[0151]
式中speed
center
表示数据中性化的加速比；n、p分别表示数据维度(雷达个数)和数据样本个数。
[0152]
将数据中心化部分并行化，采用单指令多线程(simd)对该步骤并行化。
[0153]
2)数据循环迭代处理
[0154]
由于数据循环迭代处理占据了时间开销的主要部分，因此本部分是并行优化的重点。通过分析，在本部分包括大量的矩阵运算，比如矩阵转置，矩阵乘法，求矩阵特征值和特
征向量的运算。对循环迭代处理中的循环部分做以下细化，其运算步骤如下：
[0155]
1、z1←
w*z
[0156]
2、z2←
g(z1)；z2'
←
diag[g'(z1)*1
p
]*w
[0157]
3、w2←
z2z
t
[0158]
4、w1←
w2‑
z2′
[0159]
5、对w1进行奇异分解，判断其是否迭代完成。
[0160]
其中，z是n*p的矩阵，z
t
是z的转秩矩阵，z1是z的白化后的矩阵，z2是目标函数矩阵，n表示雷达辐射源的个数，p表示雷达脉冲信号的个数，p＞＞n；w为n*n方阵，g
′
(z1)是g(z1)的导数，l
p
是单位矩阵，g(z)是非线性函数，diag[]是对角化函数操作。
[0161]
在上述函数中其主要运算包括像nn*np和np*np这样的大矩阵相乘，还有nn
‑
nn矩阵相减和矩阵列求和等运算。通过调用官方cuda的库函数和cula tools来实现上述运算。下面是用到的库函数：
[0162]
cublasdgemm()：双精度矩阵相乘的函数。该函数是基于cuda的矩阵乘法运算，对输入矩阵a,b和输出矩阵c完成如下运算：
[0163]
c＝α
·
op(a)*op(b)
ꢀꢀꢀ
式(14)
[0164]
式中α表示一个常数；op(a)表示矩阵a或者矩阵a的转置。
[0165]
cublasdgeam()：双精度矩阵转置操作，该操作是基于cuda的矩阵转置操作。
[0166]
基于gpu的矩阵运算与基于matlab的运行时间如下表1：
[0167]
表1矩阵乘法cpu与gpu时间
[0168][0169]
在上表中的运算分别是在matlab上实现与gtx860m上用库函数实现的矩阵乘法运算所花费的时间。其矩阵操作为c＝a*a
t
，a、a
t
分别是矩阵和矩阵的转置。
[0170]
由表1可以看出，基于gpu的库函数所完成的矩阵乘法运算相比于matlab矩阵乘法运算，其运行时间大大缩短，加速比甚至达到了60倍。直接使用矩阵乘法的库函数时，其数据维度n和p往往相差较大，上表可以看出当雷达样本个数p较大时，由于硬件资源的限制，其加速比较小。因此矩阵乘法分块进行以达到fast
‑
ica分选算法的最佳性能。
[0171]
culadevicedgeev()：基于cuda的求矩阵的特征值和特征向量的函数。该函数是由cula tools的一个开源社区提供的工具，是基于gpu求解矩阵特征值和特征向量的函数，相对于传统的eigen()函数其加速比可高达几十倍。
[0172]
基于上面3个库函数，可在gpu上完成大多数矩阵运算，可以完成主循环迭代。
[0173]
3)数据后处理
[0174]
就是将分离矩阵与雷达样本数据相乘，得出雷达分选信号，这里可以使用矩阵乘法库函数cublasdgemm()来实现。然后分析数据，交给下一步处理。
[0175]
根据fast
‑
ica的原理和上述的实现步骤，给出基于cuda的fast
‑
ica算法的程序流程图,如图4：
[0176]
k
‑
means聚类信号分选算法中涉及一个大的迭代就是每个数据点到聚类中心的欧式距离，通过编写kernel函数来对本部分进行并行优化。根据k
‑
means聚类信号分选算法的原理与串行实现。按照任务模式划分将基于k
‑
means信号分选算法并行化，将该算法分解为以下步骤：
[0177]
1、初始化每个雷达数据的类标签
[0178]
2、聚类迭代
[0179]
a)统计每一类的雷达数据的和sum；
[0180]
b)统计每一类的雷达数据的总个数m；
[0181]
c)计算每一类的聚类中心:c
i
＝sum
i
/m
i
；
[0182]
d)求每个雷达数据与每个聚类中心的欧几里得距离；
[0183]
e)根据每个雷达数据与聚类中心的欧式距离大小来更新雷达数据的类标签。
[0184]
3、信号分选完成并将分选好的数据由gpu端传到cpu端进行保存。
[0185]
根据以上的步骤，对上面的每一步都并行化，给出本算法并行化的实现方案：
[0186]
1、初始化每个样本的类标签
[0187]
由于该步骤仅执行一次，故不做优化重点，为每个block分配256个线程，共分配(n 255)/256个grid。根据amdahl法则，本算法中的聚类迭代运算的开销占据了总时间的90％以上，因此第二步才是优化重点。
[0188]
2、聚类迭代并行化
[0189]
a)统计每一个簇的样本和sum_cluster()：
[0190]
在本方案中，在这里通过使用原子操作，求解每个簇的样本和。由于每个簇的数据是分散的，故通过增加线程数量以隐藏延迟。通过实验对比，为其分配：
[0191]
block：(16，16)；
[0192]
grid：((w 15)/16，(n 15)/16)；
[0193]
其中w为样本雷达数据的维度。通过增加线程的数目，可有效的利用warp调度器隐藏访问存储器的延迟。
[0194]
b)统计每一个簇的样本个数count_numincluster()：
[0195]
计算每个簇的样本数目，通过原子操作来实现对每一个变量的累加运算。通过为每个块分配k个共享内存可减少对全局内存的读写。由occupancy_calculator根据k的大小，计算需要的线程数以最大隐藏访存延迟：
[0196]
block：1024；
[0197]
grid：(n 1023)/1024；
[0198]
其中n为样本数据的个数。
[0199]
c)计算每一个簇所有样本的平均值并将其作为簇中心：样本和/样本个数scale_cluster()：
[0200]
该部分就是简单的除法运算，每个线程的计算量很少，为其分配线程：
[0201]
block：(16，16)；
[0202]
grid：((w 15)/16，(k 15)/16)；
[0203]
其中w是雷达脉冲数据的维度，k是雷达源的个数。
[0204]
d)计算每个样本与每个聚类中心的欧式距离distofcluster()：
[0205]
在k
‑
means聚类算法中绝大部分运算都集中在这里，因此该步骤是优化的重点。在本方案中为每个块分配合适大小的共享内存(大约k个)，使其一次可以计算多个雷达数据点与簇中心的欧几里得距离。将聚类中心存储到共享内存当中可以加速数据处理。当将雷达数据从显存拷贝到共享内存时，由于在显存中矩阵是以列存储的，其数据读取方式为：
[0206]
通过将数据存储在连续的内存区域中，可以实现合并读取数据，可有效利用存储器访存带宽，为本函数分配线程数：
[0207]
block：(16，16)；
[0208]
grid：((k 15)/16，(n 15)/16)；
[0209]
其中k为雷达源的个数，n是雷达脉冲参数的个数。
[0210]
e)根据每个样本与聚类中心的欧式距离更新样本的类标签update_objclusteridx()：
[0211]
在该步骤通过比较雷达数据与各个聚类中心的欧式距离，找到最小的距离值并更新为相应的类标签，我们为其开辟一维线程：
[0212]
block：256；
[0213]
grid：(1，(n 255)/256)；
[0214]
其中n为雷达数据的个数。如果聚类中心个数大于16的话，还可以对该部分进行优化，用规约的方法寻找最小值。
[0215]
通过对k均值聚类信号分选算法进行任务分块，将信号聚类分选算法逐步分解并将其并行化实现，然后基于cuda c语言实现该算法，其程序流程图如图5所示：
[0216]
图5是在cpu gpu架构下的k
‑
means聚类算法程序流程图。可以看出，首先在cpu端准备数据，将数据拷贝到gpu端。然后在gpu端对雷达样本数据进行聚类分选。当聚类完成后，将分选好的数据从gpu端拷贝到cpu端并保存到硬盘中，最后cpu释放显存空间供下次数据分选做准备。
[0217]
fast
‑
ica信号分选算法和k
‑
means聚类分选算法的并行化均已实现。单独使用fast
‑
ica算法或者k
‑
means聚类信号分选算法存在着各种各样的缺点。因此研究一种融合的信号分选算法——基于fast
‑
ica的k
‑
means聚类雷达脉冲流干扰分选并行化加速方法，该算法融合了快速独立分量分析可分离未知信号和k
‑
means聚类算法快速的优点并且可以对信号进行很好的分选。融合的信号分选算法基于cpu gpu异构架构，当处理相同的雷达数据时，该算法用时更短，效率更高。
[0218]
分别实现了并行化的基于fast
‑
ica的信号分选算法和并行化的基于k
‑
means聚类的信号分选算法。将上述2种算法融合互补使其可以快速准确的分选未知信号。下面给出并行程序流程图：
[0219]
图6是基于快速独立成分分析的k均值聚类的并行化的信号分选算法流程图，可以看出，主信号分选算法全部被并行化然后在gpu上处理数据，cpu只做一些控制语句的跳转和数据分配工作。可以看出本算法的工作步骤：
[0220]
步骤1，对雷达信号接收机接收到的原始雷达数据分角度、分时间进行合理采样，在cpu控制端根据采样得到的数据(各种不同制式的脉冲)的大小，在gpu端为其分配显存空间并将数据拷入；
[0221]
步骤2，在gpu端对采样的数据做中心化(零均值化)和白化(去相关)处理；
[0222]
步骤3，在gpu端利用快速独立成分分析的方法对上一步处理过后的信号矩阵进行分离，且每次循环迭代完成后，将控制条件标志位回传到cpu端；
[0223]
步骤4，cpu获取到控制标志位后，如其不满足条件，在gpu端继续循环迭代；
[0224]
步骤5，cpu获取到控制标志位，当其满足条件后，在gpu端分析分离出的初始源信号，并排除噪声，获取正确雷达个数k，然后传递给下一步进行信号聚类分选；
[0225]
步骤6，对雷达信号分选机得到的pdw(脉冲描述字)数据根据脉冲到达角度doa进行数据一次分块预处理，再根据信号样式(具体为调频率参数k)进行二次分块预处理，再根据载频rf进行三次分块预处理，并为得出的分块结果具体根据得到的k值分配初始类标签，并在gpu端对雷达脉冲描述字中各项归一化后进行下一步；
[0226]
步骤7，在gpu端对信号的pdw进行聚类分选迭代处理，计算归一化后的样本点到每个初始点的欧式距离，比较后进行聚类，每次循环完成后，将控制循环标志传输到cpu端判断，如果满足循环条件就进入下一步，如果不满足，则继续在gpu中迭代；
[0227]
步骤8，将在gpu端得到的结果数据由cpu控制拷贝回主机内存并进行分类保存，接着释放显存，为下一次信号分选做准备。
[0228]
上面就是本信号分选算法的详细工作步骤，其中在第三步中，分辨信号和噪声使用期望来对其判断，因为噪声是随机杂乱无章的，故其期望值为0，通过提前设定阈值，如果分离出的信号的期望值小于阈值，那么将其判定为噪声并将其滤除。针对该步骤，可以用原子操作来求分离信号的均值，但考虑到性能，通过规约求和的方法来实现求期望值。
[0229]
以上详细介绍了信号分选算法的并行化原理以及实现过程。首先，基于快速独立成分分析的信号分选算法，将其步骤分解并将其主要运算在gpu上实现，cpu仅仅做一些指令的跳转和控制，通过多线程处理数据，将原来的循环迭代处理数据分成多个线程来分解。基于cuda库函数来简化程序设计并提高了数据处理效率，最后给出该算法的并行程序流程图。其次，针对k均值聚类信号分选算法的并行化，通过多线程单指令的方式，分解处理数据，将该算法的时间复杂度降为o(knt/num)，根据并行程序流程图设计均值聚类算法的并行程序，通过对比研究发现，其大大缩短了信号分选时间。最后基于cpu gpu架构将2个算法融合，实现了一种雷达脉冲流干扰分选并行化加速方法，该算法可快速分选出雷达辐射源信号，为当今时代的信号分选提供了一种新的解决方案。
[0230]
最后应说明的是，以上实施方式仅用以说明本发明实施例的技术方案而非限制，尽管参照以上较佳实施方式对本发明实施例进行了详细说明，本领域的普通技术人员应当理解，可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。

技术特征：
1.一种电磁信号分选方法，所述电磁信号的信号处理系统包括雷达信号预处理机和雷达信号主处理机，所述的雷达信号主处理机采用cpu gpu结构，其特征在于，所述加速方法包括以下步骤：步骤1，雷达信号预处理机对雷达信号接收机接收到的原始雷达数据进行采样，采样数据由雷达信号主处理机cpu根据数据大小，在gpu端为所述的采样数据分配显存空间，并将采样数据拷入显存；步骤2，对gpu端接收到的雷达数据做零均值化和去相关处理，处理后的雷达信号组成信号矩阵；步骤3，在gpu端利用快速独立成分分析的方法对经过步骤2处理的信号矩阵进行分离，所述的分离计算是一个迭代过程，且每次循环迭代完成后，将控制条件标志位回传到cpu端；步骤4，cpu获取到控制标志位后，判断其是否符合迭代计算的控制条件；如其不满足控制条件，在gpu端继续循环迭代；步骤5，cpu获取到控制标志位，当其满足迭代计算的控制条件后，在gpu端分析分离出的初始源信号，并排除噪声，获取正确雷达个数k，然后传递给下一步进行信号聚类分选；步骤6，对雷达信号分选机得到的脉冲描述字pdw数据的预处理包括：根据脉冲到达的方向角度doa进行数据第一次分块的预处理，再根据调频率参数k进行第二次分块的预处理，再根据载频rf进行第三次分块的预处理，并为各次预处理得出的分块结果具体根据得到的k值分配初始类标签，并在gpu端对雷达脉冲描述字中各项归一化；步骤7，在gpu端对信号的pdw进行聚类分选迭代处理，计算归一化后的样本点到每个初始点的欧式距离，比较后进行聚类，每次循环完成后，将控制循环标志传输到cpu端判断，如果满足循环条件就进入步骤8，如果不满足，则继续在gpu中迭代；步骤8，将在gpu端得到的结果数据由cpu控制拷贝回主机内存并进行分类保存，接着释放显存，为下一次信号分选做准备。2.如权利要求1所述的分选方法，其特征在于，步骤1中所述的采样数据是指对雷达信号接收机接收的各种不同制式的脉冲信号数据执行模拟数字变换a/d后得到的采样数据。3.如权利要求1所述的分选方法，其特征在于，步骤1中对雷达信号接收机接收到的原始雷达数据进行采样包括：对雷达信号接收机接收到的原始雷达数据分角度、分时间进行采样。4.如权利要求3所述的分选方法，其特征在于，所述的对雷达信号接收机接收到的原始雷达数据分角度采样，指接收到的原始雷达数据分按照到达方向角doa每15度划分。5.如权利要求1所述的分选方法，其特征在于，所述的步骤6中的预处理包括：所述的雷达预处理机针对测频接收机、测向接收机得到的信号脉冲，雷达预处理机使用快速独立成分分析的来执行对信号脉冲进行脉内特征提取，获取信号源的个数，消除噪声的影响。6.如权利要求5所述的分选方法，其特征在于，所述的雷达信号预处理机接收雷达接收机输出的脉冲流信号pdw，对随机交迭的雷达脉冲信号流中进行脉冲参数匹配分析，从中分离出已知雷达脉冲列或者扣除友邻和已方雷达脉冲。7.如权利要求1所述的分选方法，其特征在于，所述的步骤2包括以下子步骤：步骤2.1，在数据预处理阶段对雷达脉冲信号做零均值化去相关处理，以去除雷达数据
间的相关性；步骤2.2，所述的数据白化采用矩阵乘法，调用库函数cublasdgemm()完成矩阵乘法运算；步骤2.3，所述的数据处理零均值化为在gpu中通过开辟n*p个线程，使用每个线程处理一个数据。8.如权利要求7所述的分选方法，其特征在于，所述的步骤3中的循环迭代算法包括以下子步骤：步骤3.1，z1←
w*z步骤3.2，z2←
g(z1)；z2'
←
diag[g'(z1)*1
p
]*w步骤3.3，w2←
z2z
t
步骤3.4，w1←
w2‑
z2'步骤3.5，对w1进行奇异分解，判断其是否迭代完成；其中，z是n*p的矩阵，z
t
是z的转秩矩阵，z1是z的白化后的矩阵，z2是目标函数矩阵，n表示雷达辐射源的个数，p表示雷达脉冲信号的个数，p＞＞n；w为n*n方阵，g
′
(z1)是g(z1)的导数，l
p
是单位矩阵，g(z)是非线性函数，diag[]是对角化函数操作。9.如权利要求1所述的分选方法，其特征在于，所述的步骤5中排除噪声步骤包括：分辨信号和噪声，确定噪声期望值为0，当分离出的信号的期望值小于阈值，判定为噪声并将其滤除。10.如权利要求1所述的分选方法，其特征在于，步骤7所述聚类分选迭代包括以下子步骤：步骤7.1，统计每一个簇的样本；步骤7.2，统计每一个簇的样本个数；步骤7.3，计算每一个簇所有样本的平均值并将其作为簇中心：样本和/样本个数；步骤7.4，计算每个样本与每个聚类中心的欧式距离。
技术总结
本发明提出一种电磁信号分选方法，实现步骤包括进行基于嵌入式GPU的软硬件架构设计；搭建雷达脉冲流并行化数据处理的计算框架；实现典型参数测量算法在嵌入式GPU上运行；设计完成并行化数据算法从数学模型到软件代码的移植流程。本发明对接收的雷达脉冲流信号执行ADC采样，根据数字化的雷达信号脉冲流的数据量及硬件资源的状况，运用上述的算法移植流程，对相应的参数测量算法进行算法建模和真实软硬件环境下的集成调试，保证雷达脉冲流信号的参数测量结果的准确性。解决了雷达脉冲流进行分选过程中核心步骤计算效率不高，硬件资源利用不足的问题。利用不足的问题。利用不足的问题。


技术研发人员：宋正鑫 刘燕 郭亮 李斌 郭建明 田明宏 申娟 周红 汪小平 郭俊
受保护的技术使用者：中国人民解放军空军研究院战略预警研究所
技术研发日：2021.02.26
技术公布日：2021/6/29