MATLAB-Based GPU Acceleration for Multiple-Input and Multiple-Output Radar Beamforming Algorithm
Notice bibliographique
Résumé
Multi-input and multi-output (MIMO) radar systems possess numerous advantages, such as scanning an entire region much faster than a phased array, enhancing the spatial resolution, mitigating interference and multipath fading, and improving the probability of detection of targets. MIMO radar systems use adaptive beamforming techniques such as the minimum variance distortionless response (MVDR) to obtain the best possible estimation of the direction of arrival (DOA) of the targets. The MVDR algorithm has been thoroughly investigated for traditional phased array radars. For MIMO radar systems, however, it requires significant signal processing, which can introduce substantial latency, especially in the case of large MIMO systems where few hundred antennas are used; this can be solved by using a Graphics Processor Unit (GPU), which contains thousands of cores and can execute many operations in parallel. This paper presents a MATLAB-based approach for GPU parallelization of the minimum variance distortionless (MVDR) beamforming algorithm in a MIMO radar system. Two MIMO radar systems are considered. The first one is a simulated MIMO radar which is used for automotive adaptive cruise control (ACC), and the second one is an experimental monostatic MIMO radar that is based on a vector network analyzer (VNA). It is shown that the GPU achieved a speedup of up to 7 times while successfully detecting all targets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».