Многоканальный алгоритм wola при обработке сигналов в задачах гидроакустического мониторинга Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

УДК 621.391

Д. И. Каплун, Д. М. Клионский, А. С. Вознесенский, В. В. Гульванский, В. В. Геппенер Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В. И. Ульянова (Ленина)

Многоканальный алгоритм WOLA при обработке сигналов в задачах гидроакустического мониторинга1

Рассмотрено применение многоканального алгоритма взвешенного перекрывающегося сложения (многоканального алгоритма WOLA) для гидроакустического мониторинга. Описана постановка задачи гидроакустического мониторинга, ее особенности и основные способы решения. Приведены разработанный многоканальный алгоритм WOLA на основе модификации соответствующего одноканального алгоритма и результаты исследования его характеристик с использованием программных средств МАПАБ. Рассмотрена программно-аппаратная реализация многоканальной обработки сигналов и продемонстрированы преимущества применения для этой цели технологии СийА.

Гидроакустический мониторинг, алгоритм WOLAI многоканальная обработка, ДПФ-модулированный банк фильтров, программно-аппаратная реализация, ПЛИС, СиРА

Гидроакустический мониторинг. Понятие "мониторинг" подразумевает проведение непрерывного наблюдения и сбора информации о некотором физическом процессе, объекте, явлении и пр. [1]. В зависимости от рассматриваемых приложений мониторинг может осуществляться в широком диапазоне частот, достигающем нескольких мега- или гигагерц, а также в сравнительно узком диапазоне (что, как правило, связано с особенностями исследуемых сигналов).

Мониторинг находит широкое применение в задачах контроля радиообмена и радиоизлучения, геофизики, анализа вибрационных процессов, гидроакустики и пр. В настоящей статье рассмотрено применение мониторинга в гидроакустике (гидроакустический мониторинг - ГАМ).

Сложность проведения ГАМ обусловлена глав -ным образом существенной пространственно-временной изменчивостью гидроакустических параметров морской среды, а также климатической изменчивостью гидрометеорологических параметров.

Актуальность проведения гидроакустического мониторинга. Шельфовые районы Мирового океана содержат основную часть его запасов полезных ископаемых. Их экосистемам свойственны наибольшие разнообразие и продуктивность. Сбалансированное эффективное освоение живых и неживых ресурсов шельфа Мирового океана возможно лишь при создании систем мо-

ниторинга состояния водной среды, охватывающих наблюдениями целые регионы, попадающие под влияние человеческой деятельности.

Современная концепция построения гидроакустической системы быстрой оценки динамики морской среды допускает комплексное использование спутниковых и наземных ("подспутниковых") технологий наблюдения. Создание региональных систем подобных наблюдений с использованием одних только традиционных способов гидрологического и экологического мониторинга требует чрезвычайно высоких затрат. В настоящее время широкое распространение нашли также наземные дистанционные способы получения информации о характеристиках водной среды. К числу перспективных способов наблюдения относится радиолокационный способ, обеспечивающий оперативное получение информации о характеристиках волнения, степени загрязнения поверхностного микрослоя изучаемой акватории и т. д.

Одним из путей снижения стоимости "подспутниковых" комплексов для океанских регионов может быть комплексное использование контактных способов наблюдения за состоянием водной среды с упомянутыми системами дистанционного мониторинга. Создание подобных комплексов, оптимально объединяющих системы первого и второго типов, позволит значительно сократить количество точек, в которых состояние среды

1 Работа выполнена при поддержке Российского фонда фундаментальных исследований по конкурсу молодежных инициативных проектов "Мой первый грант" (соглашение № 14-07-31250/14) и Минобрнауки РФ (договор № 02.G25.31.0058 от 12.02.2013). 20 © Каплун Д. И., Клионский Д. М., Вознесенский А. С., Гульванский В. В., Геппенер В. В., 2014

следует контролировать с помощью контактных способов (это и создаст указанный эффект).

Суть проблемы состоит в усовершенствовании способов обработки гидрофизической информации, обеспечивающей решение задач регионального ГАМ, в разработке принципов построения гидроакустических систем, реализующих эти способы обработки, а также в их оптимальном сочетании с контактными и дистанционными технологиями "подспутниковых" наблюдений.

Для решения этой проблемы необходимо усовершенствование математических моделей интерпретации принимаемых сигналов, учитывающих особенности их формирования в шельфовых регионах. Особенности этих моделей определяются имеющимися данными о пространственно-временной изменчивости поля скорости звука в водной среде шельфового региона, поэтому их разработку следует сопровождать океанологическими исследованиями соответствующих регионов.

Системы гидроакустического мониторинга. К числу основных задач ГАМ относятся:

- непрерывное наблюдение за подводной обстановкой в режиме шумопеленгования;

- наблюдение за подводной обстановкой в режиме гидролокации (по команде оператора);

- определение местоположения объектов в морских и речных акваториях.

Указанные задачи реализуются, как правило, в составе комплексных систем ГАМ, которые также позволяют контролировать и диагностировать систему ГАМ и ее составные части (с использованием автоматизированной системы технического диагностирования), а также выдают данные об обнаруженных объектах во внешние системы.

Системы ГАМ оснащены бортовой гидроакустической антенной, состоящей из отдельных универсальных гидроакустических антенных модулей. Каждый модуль включает:

- набор акустических приемников;

- аналого-цифровой модуль предварительной обработки сигналов;

- блок формирования цифрового потока.

Антенные модули предназначены для приема

сигналов, аналоговой предварительной обработки и формирования цифрового потока данных, а также для передачи сформированного потока в вычислительный комплекс, где осуществляется дальнейшая обработка.

Вычислительный комплекс проводит комплексную обработку входного многоканального сигнала, контроль и диагностику системы ГАМ на

основе системы технического диагностирования, а также отображает полученные результаты.

Анализ алгоритмов обработки сигналов в таких системах позволяет представить их обобщенную структуру, включающую в себя следующие группы алгоритмов:

- алгоритмы первичной обработки сигналов, обеспечивающие пространственно-временной анализ, спектральный анализ, адаптивное накопление и пороговое обнаружение сигналов;

- алгоритмы вторичной обработки полученной информации, решающие задачи уточнения координат целей, построения трасс их движения, классификации и подготовки данных для предъявления оператору;

- алгоритмы третичной обработки информации, решающие задачи интегрирования результатов подводного наблюдения, получаемых от других систем и комплексов.

Структура также обеспечивает выдачу данных в систему отображения информации и в другие (внешние) системы. Кроме того, имеется система регистрации и документирования информации и управления.

Гидроакустический мониторинг на основе цифровой фильтрации. В настоящее время в задачах ГАМ широко применяются цифровые КИХ-фильтры, синтезированные методом окон или наилучшей равномерной (чебышевской) аппроксимацией [2]. Широкое практическое применение КИХ-фильтров обусловлено возможностью получения линейной ФЧХ (отсутствием фазовых искажений), устойчивостью при любых параметрах, меньшим (по сравнению с БИХ-фильтрами) влиянием шума округления и ошибок квантования, отсутствием эффекта распространения ошибки (в силу отсутствия обратной связи) [2].

Поскольку полосы пропускания фильтров составляют до нескольких десятков и сотен килогерц, а частоты дискретизации значительно выше (достигают, как было отмечено ранее, нескольких десятков мегагерц или нескольких гигагерц), порядки фильтров порой исчисляются сотнями и тысячами. Это приводит к значительным программно-аппаратным затратам, а следовательно, к значительным массогабаритным характеристикам и высокой стоимости таких фильтров. Чем жестче требования к коэффициенту прямоугольности АЧХ и к значению перекрытия полос соседних фильтров, тем существеннее рост программно-аппаратных затрат.

В случае симметрии АЧХ фильтра относительно четверти частоты дискретизации (Fs/4)

для уменьшения порядка фильтра-прототипа возможно применение каскадов из двух фильтров с уменьшенным числом ненулевых (значимых) коэффициентов по сравнению с исходным КИХ-фильтром высокого порядка. Выигрыш в аппаратных затратах может достигать 20-30 % (в отдельных случаях до 50 %), а при многоканальной обработке он становится еще существеннее.

Для упрощения аппаратно-программной реализации, уменьшения внутренних шумов и увеличения ширины частотного диапазона также применяются фильтры без умножителей, позволяющие уменьшить количество операций фильтра, приходящихся на один отсчет входного сигнала. Однако в таких фильтрах отсчеты обрабатываются последовательно, а не параллельно, что снижает скорость обработки и затрудняет ее проведение в режиме, близком к режиму реального времени.

Рост объема вычислений также наблюдается при проведении многоканальной обработки, необходимость которой обусловлена требованием контроля огромных пространств и объемов, а также требованием сокращения времени анализа. Одним из подходов к многоканальной обработке является применение банка (ансамбля) цифровых фильтров [3]-[5].

Таким образом, актуальной является задача синтеза ансамбля цифровых фильтров, перекрывающих рассматриваемый частотный диапазон, с сокращением времени обработки сигналов, минимизацией программно-аппаратных затрат и использованием современной высокопроизводительной аппаратно-программной базы. Кроме того, необходимо разработать вычислительно эффективные алгоритмы расчета сигналов на выходе банка фильтров для случая многоканальной обработки.

Многоканальный алгоритм WOLA (weighted overlap-add) может рассматриваться как обобщение соответствующего одноканального алгоритма [5]. Предложенная в настоящей статье модификация позволяет вычислительно эффективно обработать векторный (многоканальный) входной сигнал, а также осуществить аппаратную реализацию с использованием современной высокопроизводительной аппаратно-программной базы.

В отличие от полифазного представления многоканального банка фильтров, допускающего применение как БИХ-, так и КИХ-фильтров, алгоритм WOLA работает только с КИХ-фильт-рами, поскольку исходный сигнал умножается на 22

окно анализа Ъ (-г) конечной длины. Данный факт не является существенной проблемой, поскольку КИХ-фильтры применяются в задачах мониторинга значительно чаще, чем БИХ-фильт-ры. Применение полифазных банков фильтров наиболее эффективно с вычислительной точки зрения при критической децимации, т. е. при М = К, где М - коэффициент децимации; К - количество каналов банка фильтров. WOLA, напротив, может применяться при произвольном соотношении между М и К, что является его несомненным преимуществом для практики.

По результатам вычисления сигналов на выходах каналов осуществляется их субполосная обработка (каждому канальному сигналу соответствует своя частотная полоса), включающая спектральный, частотно-временной, статистический во временной области анализы, демодуляцию и пр.

Определим входной сигнал

X(п) = [х0 (п) ... хг(п) ... х5-1 (п)]т (1)

в виде набора одноканальных сигналов х,(п), г = 0, ..., 5 -1; п = 0, ..., N -1, представленных прямоугольной матрицей с размерами 5 х N (N -длина (число отсчетов) сигналов х, (п), 5 - количество одноканальных сигналов); т - символ транспонирования.

Входными данными разработанного многоканального алгоритма WOLA являются:

- многоканальный сигнал в матричной форме (1), подматрицы которого (каждая подматрица соответствует отдельному одноканальному сигналу) имеют вид

хг =[х (0) х (1) . х ^ -1)]т, г = 0, ..., 5 -1;

- коэффициент децимации М = 1, К;

- импульсная характеристика (ИХ) ФНЧ-про-тотипа И (п) (вектор-строка размером Nъ ).

ФНЧ-прототип определяет характеристики многоканального банка фильтров: ширину полосы канала, значение перекрытия соседних каналов и т. д. В алгоритме WOLA ИХ ФНЧ-про-тотипа используется в качестве окна анализа для взвешивания сигнала.

В случае критической децимации (М = К) вычисление выходных сигналов полифазного банка фильтров эквивалентно применению алгоритма WOLA, однако в отличие от полифазного

г =

банка фильтров алгоритм WOLA ориентирован на поблочный анализ.

Для эффективного вычисления дискретного преобразования Фурье (ДПФ) необходимо, чтобы

длина N была целой степенью числа 2: N = 2й , где и - натуральное число. Если данное условие не выполнено, все одноканальные сигналы Ху (п), I = 0,..., 5 -1; п = 0,..., N -1, дополняются требуемым количеством нулевых отсчетов. Если длина сигналов N не кратна длине окна N фильтра Ь (п), сигналы также дополняются необходимым количеством нулевых отсчетов.

Взвешивание сигнала X(п) окном описыва-

(

¿00

(0)

г 00

(1) .

¿0, р-1 ( 0) г 0, Р-1 (1) • ¿5-1, 0 (0) ¿5-1, 0 (1) • ¿5 -1, р-1 (0) ¿5 -1, р-1(1).

¿00

(К -1)

Л

¿0, Р-1(К -1)

¿5 -1, 0 (К -1)

¿5-1, Р-1 (К -1)

,(6)

ется в следующем виде:

Ш1

у = 0,

(п) = Ь (шм - п) ху (п), ..., 5 -1; п = 0, ..., N -1,

(2)

где ш - номер блока длины N. Общее количе-ство блоков Р длины Nh с перекрытием

N - Nu

Nh - М определяется как Р = 1 + - , где

I М _

символ и означает округление до ближайшего целого в сторону уменьшения. В результате выполнения (2) формируется матрица X взвешенных отсчетов сигнала:

X(п ) = [Х 0(п) Х1 (п) ... Х 5 -1 (п^, (3) Х =[Ху (0) Ху (1) ... Ху (N -1)]т, (4)

г = 0,

5 -1.

состоящая из подматриц, имеющих по Р строк, соответствующих блокам длины N одного однока-нального сигнала Ху (п), I = 0, ..., 5 -1. С учетом изложенного матрица 2 имеет размеры (Р5) х К.

После суммирования всех блоков каждого од-ноканального сигнала к матрице 2 применяется ДПФ. Данная операция может быть реализована на основе алгоритмов векторного ДПФ [6], предназначенных для вычисления ДПФ векторных (многоканальных) данных:

У = УББТ {2 }, (7)

где У - результирующая матрица ДПФ векторного сигнала; УББТ - оператор векторного (многоканального) ДПФ.

В настоящее время в основном применяются два подхода к вычислению векторного ДПФ. Первый, тривиальный, предполагает применение одномерного ДПФ к каждой строке матрицы 2. При этом требуется вычислить Р5 одномерных ДПФ размера К. Второй подход базируется на вычислении одного одномерного ДПФ размера Р5К :

у = ББТ{|¿00 (0) ¿00 (1) . ¿00(К -1) ••• |*5_1 , р-1 (°) ¿5-1, р-1 (О ... ¿5-1, р-1 (К -1)}, (8)

Далее блоки взвешенного сигнала длиной N разбиваются на неперекрывающиеся сегменты длины К, эти сегменты суммируются. Количество сегментов длины К в пределах блока длины Nfo определяется как Q = |~Nh/K ], где символ

[•] обозначает округление до ближайшего целого в сторону увеличения. В результате получим:

Дг)= Е Хш (г + 1К),

у = 0,

Р -1;

I=-ю

5 -1; ш = 0, г = 0, ..., К -1. На основе (3) может быть введена матрица

(5)

где ББТ - оператор одномерного ДПФ. При вычислении одномерного ДПФ матрица 2 записывается как последовательность своих строк (после данного преобразования она превращается в вектор-строку).

В настоящей статье выбран именно такой подход по следующим причинам:

- алгоритм расчета векторного ДПФ определяет объем вычислительной памяти и общее число коммутаторов параллельно-поточного БПФ-процессора (ППБПФ-процессора). Сведение многомерного ДПФ к одномерному позволяет минимизировать общий объем вычислительной памяти и, следовательно, оптимизировать структуру ППБПФ-процессора;

- вычисление одномерного ДПФ размера Р5К позволяет проще реализовать вычислительную процедуру в ППБПФ-процессоре по сравнению с вычислением Р5 различных ДПФ размера К.

После вычисления ДПФ (6) вектора у размера Р5К его элементы распределяются по строкам матрицы. При этом размеры матрицы У в (6) совпадают с размерами матрицы 2. Матрица У, как и матрица 2, состоит из подматриц:

У (г) = [У) (г) ... У (г) ... У5-1 (г )]т;

Уг (г) = [Уг0 (г) - • Угт (г) - • Уг(5-1) (г)]Т ; (9)

Угт (г) = [Угт (0) - У(т (г) - У(т (К -1)] г = 0, ..., К -1; г = 0, ..., 5 -1; т = 0, ..., Р -1.

В заключение формируется матрица У умножением строк матриц У, на поворачивающие

„ „„ ш-тгМ - 1'2жтгМ1К . множители уук = 5 :

Угт ( г ) = Угт ( г )^тгМ , г = 0, ..., К -1; г = 0, ..., 5 -1; (10) т = 0, ..., Р -1.

Алгоритм содержит следующую последовательность шагов:

1) взвешивание входного сигнала х(п) с помощью окна для получения сигнала X(п) в соответствии с (2)-(4);

2) разбиение взвешенного сигнала (3) на неперекрывающиеся сегменты длины К и суммирование сегментов каждого одноканального сигнала в соответствии с (5);

3) применение векторного ДПФ (6) к матрице 2 с помощью одномерного ДПФ (8) размера Р5К и получение матрицы У в виде (9);

4) формирование результирующей матрицы У в соответствии с (10).

Многоканальный алгоритм WOLA-синтез является дуальным по отношению к алгоритму WOLA-анализ, представленному в настоящей статье.

Программно-аппаратная реализация многоканального алгоритма WOLA. Определяющим фактором вычислительной сложности при программно-аппаратной реализации банка цифровых фильтров с использованием многоканального алгоритма WOLA является ФНЧ-прототип, формирующий частотную характеристику одного канала банка фильтров. Порядок ФНЧ-прототипа определяется исходя из параметров, задаваемых при разработке системы мониторинга: ширины полосы канала,

коэффициента прямоугольности АЧХ и ее неравномерности в полосе пропускания.

В ходе программной реализации многоканального алгоритма WOLA в MATLAB при

N = 106 для числа входных каналов S = 2, 5, 10 и 20 оценки времени выполнения алгоритма составили t = 5, 10, 20 и 40 с соответственно. Таким образом, зависимость времени выполнения алгоритма от числа входных каналов близка к линейной.

Поскольку в банке фильтров входной сигнал (в рассматриваемом случае - многоканальный) обрабатывается параллельно, для повышения эффективности программно-аппаратной реализации наиболее целесообразным представляется использование вычислителей с параллельной структурой. Такие вычислители могут быть реализованы на базе ПЛИС. Для этой же цели применяются устройства обработки с технологией CUDA [7]. Суть этой технологии заключается в использовании набора параллельно работающих графических процессоров (Graphics processing unit - GPU) для решения неграфических задач. GPU - специализированное вычислительное устройство, которое:

- является сопроцессором к центральному процессору (CPU);

- обладает собственной памятью;

- дает возможность параллельно выполнять большое количество фрагментов единой программы.

К преимуществам технологии CUDA следует отнести кроссплатформенность, наличие набора готовых библиотек, использование расширенной версии языка С с дополнительными средствами для параллельного программирования и создания многопоточных приложений на CUDA для написания программ, а также отказ от применения графического интерфейса программирования приложений (API), имеющего ряд ограничений при эффективной организации многопоточных вычислений.

Эксперимент по синтезу банка фильтров реализован в вычислительной системе со следующими параметрами: процессор Intel Core i7 3630QM 2.4 ГГц; ОЗУ DDR3 16 Гбайт; ОС Windows 7 64 бита; видеокарта NVidia GeForce GT650M (384 ядра GPU, частота ядра 850 МГц, память видеокарты 2 Гбайта).

Реализован банк фильтров, имеющий пять входных каналов (предназначенный для обработки пятиканального входного сигнала). Рабочий диапазон частот 0...12 кГц. Основой банка являлся ФНЧ-прототип, синтезированный методом окон с использованием окна Кайзера при частоте дискретизации 24 кГц. Параметры ФНЧ-прототипа

Таблица 1

Параметр Значение

Порядок фильтра 5141

Ширина полосы пропускания (односторонняя), Гц 94

Коэффициент прямоугольности фильтра 1.24

Подавление на границе полосы пропускания, дБ 1

Подавление на границе полосы задерживания, дБ 80

Неравномерность АЧХ в полосе пропускания, дБ 0.5

чиваемого на реализацию банка фильтров, по сравнению с CPU;

- увеличение размера исходных данных приводит к росту выигрыша технологии CUDA по отношению к CPU по времени обработки;

- передача данных между ОЗУ и памятью видеокарты занимает около половины общего вре-

Таблица2

Объем входных данных Технология реализации

CUDA CPU

без передачи данных между ОЗУ и видеокартой с передачей данных между ОЗУ и видеокартой

отсчеты Мбайты Количество машинных циклов длительностью 5 мс

3 000 000 11 293 508 46 931

8 000 000 30 320 895 122 656

16 000 000 61 346 1496 246 834

30 000 000 114 437 2593 459 354

приведены в табл. 1. Прототип позволил получить банк фильтров, имеющий 128 частотных полос.

Сравнительная оценка временных затрат, требуемых при реализации банка фильтров на основе многоканального алгоритма WOLA с использованием CPU или технологии CUDA, при различном объеме входных данных приведена в табл. 2. Анализ результатов позволяет сделать следующие выводы:

- технология CUDA дает возможность сократить аппаратные затраты системы обработки сигналов (за счет чего реализовать более сложные вычислительные алгоритмы), поскольку обеспечивает значительное сокращение времени, затра-

мени обработки, в связи с чем необходимо дальнейшее совершенствование технологии CUDA.

В настоящей статье представлен многоканальный алгоритм WOLA, позволяющий проводить обработку векторных (многоканальных) сигналов в режиме реального времени с использованием векторного ДПФ. Данный алгоритм может быть применен для обнаружения сигналов в радиоэфире и последующего оценивания их характеристик во временной и частотной областях. Показано, что при программно-аппаратной реализации многоканальной обработки с использованием технологии CUDA время обработки может быть сокращено более чем в 10 раз по сравнению с обработкой на CPU.

СПИСОК ЛИТЕРАТУРЫ

1. Рембовский А. М., Ашихмин А. В., Козьмин В. А. Радиомониторинг: задачи, методы, средства. 2-е изд. М.: Горячая линия - Телеком, 2010. 624 с.

2. Солонина А. И., Арбузов С. М. Цифровая обработка сигналов и MATLAB. СПб.: БХВ-Петербург, 2013. 512 с.

3. Antoniou A. Digital filters: analysis, design, and applications. Blacklick, Ohio: McGraw-Hill, USA, 1993. 689 р.

4. Цифровые банки фильтров: анализ, синтез и применение в мультимедиа системах / А. А. Петров-

ский, М. Парфенюк, А. Борович, М. З. Лившиц. Минск: Бестпринт, 2006. 82 с.

5. Crochiere R. E., Rabiner L. R. Multirate digital signal processing. Englewood Cliffs, NJ: Prentice-Hall, 1983. 411 р.

6. Петровский Ал. А., Станкевич А. В., Петровский А. А. Быстрое проектирование систем мультимедиа от прототипа. Минск: Бестпринт, 2011. 412 с.

7. Боресков А. В., Харламов А. А. Основы работы с технологией CUDA-М. М.: ДМК Пресс, 2010. 232 с.

D. I. Kaplun, D. M. Klionskiy, A. S. Voznesenskiy, V. V. Gulvanskiy, V. V. Geppener Saint-Petersburg electrotechnical university "LETI"

Multichannel WOLA algorithm for signal processing in hydroacoustic monitoring tasks

Hydroacoustic monitoring with the help of multichannel weighted overlap-add algorithm (multichannel WOLA-algo-rithm) is considered. Hydroacoustic monitoring task and the main ways of its solution are discussed. The multichannel WOLA-algorithm is developed on the basis of modifying the corresponding one dimensional algorithm and the characteristics of the suggested algorithm are investigated using MATLAB. Software-hardware implementation is considered for multichannel signals and the advantages of CUDA technology are demonstrated.

Hydroacoustic monitoring, WOLA-algorithm, multichannel processing, DFT-modulated filter bank, software-hardware implementation, FPGA, CUDA

Статья поступила в редакцию 15 апреля 2014 г.