دوره 18، شماره 2 - ( 7-1400 )                   جلد 18 شماره 2 صفحات 56-45 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Imani far E, Akhavan A, abniki A A. Real-Time DOA Estimation of Underwater Sound Sources Using GPU. JSDP. 2021; 18 (2) :45-56
URL: http://jsdp.rcisp.ac.ir/article-1-990-fa.html
ایمانی فر احسان، اخوان امیر، آبنیکی علی اصغر. جهت‌یابی زمان‌حقیقی منابع صوت زیر آب با استفاده از واحد پردازنده گرافیکی. پردازش علائم و داده‌ها. 1400; 18 (2) :56-45

URL: http://jsdp.rcisp.ac.ir/article-1-990-fa.html


دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی اصفهان
چکیده:   (313 مشاهده)
جهت­‌یابی منابع صوت به‌کمک روش‌­های مبتنی بر آرایه فازی، اهمیت فراوانی در حوزه‌­های مختلف از جمله سونار، بینایی ربات و تشخیص عیوب مکانیکی دارد. روش­‌های شکل­‌دهی‌­پرتو وفقی، از جمله الگوریتم کمینه‌­واریانس بدون‌­اعوجاج از قدرت تفکیک بالایی نسبت به روش‌­های غیروفقی برخوردار هستند؛ اما این برتری در ازای پیچیدگی محاسباتی این الگوریتم­‌ها به‌دست آمده است. این مسأله باعث می‌­شود در کاربردهایی که نیاز به جهت­‌یابی زمان­‌حقیقی منبع صوت دارند، به‌ندرت از این الگوریتم‌­ها استفاده شود. از سوی دیگر، یک ویژگی­ مهم روش‌­های شکل‌­دهی‌­پرتو وفقی از جمله کمینه‌واریانس، پتانسیل بالای این الگوریتم‌­ها برای موازی­‌سازی است. هدف این مقاله، پیاده­‌سازی موازی الگوریتم کمینه‌­واریانس با به کارگیری واحد پردازنده گرافیکی (GPU) به جای واحد پردازنده مرکزی (CPU)، به‌منظور افزایش سرعت اجرا و رسیدن به حالت زمان‌­حقیقی است. برای دست‌­یابی به این هدف از مدل برنامه­‌نویسی کودا  برای پیاده‌­سازی الگوریتم بر روی پردازنده گرافیکی استفاده شده است. به‌منظور بررسی عملکرد پیاده‌­سازی موازی الگوریتم کمینه­‌واریانس، دو مدل GPU متفاوت و همچنین CPU ­به‌کاربرده شده است. صحت عملکرد پیاده­‌سازی­‌های مختلف در این مقاله به‌وسیله داده‌­های واقعی سونار و همچنین داده­‌های شبیه­‌سازی تأیید شد. نتایج نشان می­‌دهد که می‌­توان با استفاده از یک آرایه 64 حس‌گره، جهت منابع صوت زیر آب را با استفاده از الگوریتم کمینه­‌واریانس به‌صورت زمان­‌حقیقی و با قدرت تفکیک بالا تخمین زد.
 
متن کامل [PDF 771 kb]   (171 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش داده‌های رقمی
دریافت: 1398/1/11 | پذیرش: 1399/2/2 | انتشار: 1400/7/16 | انتشار الکترونیک: 1400/7/16

فهرست منابع
1. [1] یزدانی سیدحمید، ابوطالبی حمیدرضا. شکل‌دهی وفقی و هوشمند پرتو در آرایه‌های میکروفونی Ad-hoc با استفاده از خوشه‌بندی و رتبه‌بندی میکروفون‌ها. پردازش علائم و داده‌ها. ۱۳۹۴; ۱۲ (۳) :۵۷-۶۸
2. [1] S. H. Yazdani, H. R. Abutalebi, "Adaptive and Smart Beamforming in Ad-hoc Microphone Arrays by Clustering and Ranking of the Microphones," JSDP. 2015; 12 (3) :57-68.
3. [2] مجیدیان سینا، حدادی فرزان. تخمین جهت منابع با استفاده از زیرفضای کرونکر. پردازش علائم و داده‌ها. ۱۳۹۷; ۱۵ (۱) :۲۹-۴۰
4. [2] S. Majidian, F. Haddadi, "Direction of Arrival (DOA) Estimation Using Kronecker Subspace," JSDP. 2018; 15 (1) :29-40. [DOI:10.29252/jsdp.15.1.29]
5. [3] J. Benesty, J. Chen, and Y. Huang, "Conventional Beamforming Techniques," in Microphone Array Signal Processing, vol. 1, Berlin, Germany: Springer, 2008.
6. [4] F. Vignon, and M. R. Burcher, "Capon beamforming in medical ultrasound imaging with focused beams," IEEE Trans. Ultrason. Ferroelectr. Freq. Control, vol. 55, no. 3, pp. 619-628, 2008. [DOI:10.1109/TUFFC.2008.686] [PMID]
7. [5] F. Yan, M. Jin, and X. Qiao, "Low-Complexity DOA Estimation Based on Compressed MUSIC and Its Performance Analysis," IEEE Transactions on Signal Processing, vol. 61, no. 8, pp. 1915-1930, 2013. [DOI:10.1109/TSP.2013.2243442]
8. [6] X. Wu, W. Zhu, and J. Yan, "Direction of Arrival Estimation for Off-Grid Signals Based on Sparse Bayesian Learning," IEEE Sensors Journal, vol. 16, no. 7, 2016. [DOI:10.1109/JSEN.2015.2508059]
9. [7] J. Dai, and H. Cheung, "Sparse Bayesian Learning Approach for Outlier-Resistant Direction-of-Arrival Estimation," IEEE Transactions on Signal Processing, vol. 66, no. 3, pp. 744-756, 2018. [DOI:10.1109/TSP.2017.2773420]
10. [8] J. Capon, "High-resolution frequency-wavenumber spectrum analysis," Proceedings of the IEEE, vol. 57, no. 8, August 1969. [DOI:10.1109/PROC.1969.7278]
11. [9] J. I. Buskenes, J. P. Asen, C. I. C. Nilsen, and A. Austeng, "An Optimized GPU Implementation of the MVDR Beamformer for Active Sonar Imaging," IEEE J. Ocean. Eng., vol. 40, no. 2, pp. 441-451, 2014. [DOI:10.1109/JOE.2014.2320631]
12. [10] M. Sasso, and C. Cohen-Bacrie, "Medical Ultrasound Imaging Using the Fully Adaptive Beamformer," Philips Research, no. 4, pp. 489-492, 2005.
13. [11] H. Sun, M. Lu, and T. D. Abhayapala, "Ultrasound imaging using modal domain frequency smoothed MVDR beamforming," in 2017, 11th Int. Conf. Signal Process. Commun. Syst. ICSPCS 2017 - Proc., no. 1, pp. 1-5, Janua 2017. [DOI:10.1109/ICSPCS.2017.8270476]
14. [12] I. K. Holfort, F. Gran, and J. A. Jøensen, "Broadband minimum variance beamforming for ultrasound imaging," IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control, vol. 56, no. 2. pp. 314-325, 2009. [DOI:10.1109/TUFFC.2009.1040] [PMID]
15. [13] J. P. Åsen, J. I. Buskenes, C. I. C. Nilsen, A. Austeng, and S. Holm, "Implementing capon beamforming on a GPU for real-time cardiac ultrasound imaging," IEEE Trans. Ultrason. Ferroelectr. Freq. Control, vol. 61, no. 1, pp. 76-85, 2014. [DOI:10.1109/TUFFC.2014.6689777] [PMID]
16. [14] Y. S. Yoon, M. G. Amin, and F. Ahmad, "MVDR beamforming for through-the-wall radar imaging," IEEE Trans. Aerosp. Electron. Syst., vol. 47, no. 1, pp. 347-366, 2011. [DOI:10.1109/TAES.2011.5705680]
17. [15] C. I. Nilsen and I. Hafizovic, "Beamspace adaptive beamforming for ultrasound imaging," IEEE Trans. Ultrason. Ferroelectr. Freq. Control, vol. 56, no. 10, pp. 2187-2197, 2009. [DOI:10.1109/TUFFC.2009.1301] [PMID]
18. [16] A. M. Deylami, and B. M. Asl, "A Fast and Robust Beamspace Adaptive Beamformer for Medical Ultrasound Imaging," IEEE Trans. Ultrason. Ferroelectr. Freq. Control, 2017.
19. [17] J. F. Synnevåg, S. Holm, and A. Austeng, "A Low Complexity Data-dependent Beamformer," IEEE Trans. Ultrason. Ferroelectr. Freq. Control, vol. 57, no. 2, 2010. [DOI:10.1109/TUFFC.2011.1805] [PMID]
20. [18] K. Kim, S. Park, J. Kim, S. Park, and M. Bae, "A Fast Minimum Variance Beamforming Method Using Principal Component Analysis," IEEE Trans. Ultrason. Ferroelectr. Freq. Control, vol. 61, no. 6, pp. 930-945, 2014. [DOI:10.1109/TUFFC.2014.2989] [PMID]
21. [19] A. Jakobsson, S. L. Marple, Jr., and P. Stoica, "Computationally Efficient Two-Dimensional Capon Spectrum Analysis," IEEE Trans. Signal Process., vol. 48, no. 9, pp. 2651-2661, 2000. [DOI:10.1109/78.863072]
22. [20] Q. Huang, L. Zhang, and Y. Fang, "Performance analysis of Low-complexity MVDR beamformer in spherical harmonics domain," Signal Processing, vol. 153, pp. 153-163, 2018. [DOI:10.1016/j.sigpro.2018.07.016]
23. [21] B. M. Asl and A. Mahloojifar, "A low-complexity adaptive beamformer for ultrasound imaging using structured covariance matrix," IEEE Trans. Ultrason. Ferroelectr. Freq. Control, vol. 59, no. 4, pp. 660-667, 2012. [DOI:10.1109/TUFFC.2012.2244] [PMID]
24. [22] صادقی حامد، اخوان بی‌تقصیر امیر. آشکارسازی سیگنال بر اساس پردازش موازی مبتنی بر جی‌پی‌یو در شبکه‌های حس‌گری صوتی دارای زیرساخت. پردازش علائم و داده‌ها. ۱۳۹۶; ۱۴ (۴) :۱۹-۳۰
25. [22] H. Sadeghi, A. Akhavan Bitaghsir, "Signal Detection Based on GPU-Assisted Parallel Processing for Infrastructure-based Acoustical Sensor Networks," JSDP. 2018; 14 (4) :19-30. [DOI:10.29252/jsdp.14.4.19]
26. [23] D. B. Kirk, and W. W. Hwu, Programming Massively Parallel Processors _ A Hands-On Approach. Burlington, MA: Elsevier, 2010.
27. [24] R. Paridar, M. Mozaffarzadeh, M. Nasiriavanaki, and M. Orooji, "Double Minimum Variance Beamforming Method to Enhance Photoacoustic Imaging," Journal of the Optical Society of America A, pp. 1-9, 2018.
28. [25] A. Hakam, R. M. Shubair, and E. Salahat, "Enhanced DOA Estimation Algorithms Using MVDR and MUSIC," in 2013 International Conference on Current Trends in Information Technology (CTIT), Dubai, United Arab Emirates, 2013. [DOI:10.1109/CTIT.2013.6749497]
29. [26] فتحی. یاسر، محلوجی‌فر. علی، محمدزاده اصل. بابک، "پیاده‌سازی بلادرنگ شکل‌دهی‌پرتو وفقی در تصویربرداری فراصدای پزشکی با استفاده از پردازش موازی به کمک واحدهای پردازنده ترسیمی (جی پی یو)"، مجله انجمن مهندسی صوتیات ایران، جلد 1، شماره 1، 1392.
30. [26] Y. Fathi, A. Mahloojifar, and B. M. Asl, "Real-time implementation of adaptive beamformer in ultrasound imaging using parallel processing with GPU," Journal of Iran Audio Engineering Society, vol. 1, no. 1, 2013.
31. [27] Nvidia, "cuBLAS," docs.nvidia.com, Oct. 30, 2018. [Online]. Available:https://docs.nvidia.com/cuda/cublas/index.html. [Accessed: Sept. 19, 2018].

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.