پیاده‌سازی الگوریتم‌های جهت‌یابی به‌صورت پردازش موازی به کمک واحدهای پردازنده ترسیمی (جی‌پی‌یو) در محیط کودا

جهت ‌یابی علامت صوتی در حوزه‌ های مختلفی از قبیل جنگ الکترونیک، سونار و غیره از اهمیت بسیار بالایی برخوردار است. روش ‌های شکل‌ دهی پرتو مانند اِم‌وی‌دی‌آر و دی‌اِی‌اِس و روش مبتنی بر زیرفضای موزیک، از شناخته‌شده‌ترین روش ‌های جهت‌ یابی علامت به‌شمار می‌آیند. پیچیدگی محاسباتی بالای روش‌های ذکر شده باعث می‌ شود که استفاده از این الگوریتم‌ها در کاربردهایی که جهت‌یابی زمان حقیقی نیاز است، با چالش جدی مواجه شود. از سوی دیگر، یک ویژگی مهم روش‌ های فوق، پتانسیل بالای آن‌ها برای موازی‌ سازی است. هدف این مقاله، پیاده‌ سازی موازی الگوریتم‌ های نام برده با به‌کارگیری واحد پردازنده گرافیکی (جی‌پی‌یو) به جای واحد پردازنده مرکزی (سی‌پی‌یو)، به‌منظور افزایش سرعت اجرا و رسیدن به‌حالت زمان حقیقی می‌ باشد. برای دست یابی به این هدف، از الگوی برنامه‌نویسی کودا برای پیاده ‌سازی الگوریتم روی پردازنده گرافیکی استفاده شده است. به‌منظور بررسی عملکرد پیاده‌ سازی موازی، این الگوریتم‌ ها در نرم‌ افزار مَتلَب نیز به‌صورت سریال پیاده‌سازی شدند. نتایج به‌دست‌آمده نشان می‌دهند که پیاده‌ سازی موازی این الگوریتم‌ ها می‌ تواند تا بیش از ده برابر سرعت اجرای برنامه را نسبت به حالت سریال افزایش دهد. صحت عملکرد پیاده‌ سازی‌ های مختلف، در هر دو محیط مَتلَب و کودا توسط داده ‌های شبیه‌ سازی‌شده تایید گردید.

implementation of the direction of arrival estimation algorithms by means of gpu-parallel processing in the kuda environment

direction-of-arrival (doa) estimation of audio signals is critical in different areas, including electronic war, sonar, etc. the beamforming methods like minimum variance distortionless response (mvdr), delay-and-sum (das), and subspace-based multiple signal classification (music) are the most known doa estimation techniques. the mentioned methods have high computational complexity. hence using the algorithms with high computational complexity in the real-time doa estimation applications is a serious challenge. on the other hand, the main characteristic of the methods is their high potential for parallelization. the objective of this paper is a parallel implementation of the considered algorithms using a graphics processing unit (gpu) instead of a central processing unit (cpu) for increasing execution speed and real-time implementation of the mentioned algorithms. to this aim, the kuda programming model is used to implement the algorithm on a gpu. this algorithm is also implemented serially in matlab to investigate the parallel implementation performance. the results show that parallel implementation of these algorithms can increase the program execution time ten times more than serial implementation. accuracies of different implementations are validated using simulations by matlab and kuda.