Równoległy algorytm analizy sygnału na podstawie niewielkiej liczby próbek

pol Artykuł w języku polskim DOI: 10.14313/PAR_204/112

wyślij Piotr Kardasz Wydział Elektryczny, Politechnika Białostocka

Pobierz Artykuł

Streszczenie

W artykule przedstawiono równoległy algorytm estymacji parametrów składowych sinusoidalnych złożonego sygnału. Proponowany algorytm umożliwia rozpoznanie składowych sygnału również w warunkach, gdy dysponujemy ograniczoną liczbą losowo pobranych próbek tego sygnału. Zbadany został czas pracy zaproponowanego algorytmu w funkcji liczby równocześnie uruchomionych wątków. Do testowania zostały zastosowane komputery o różnej liczbie rdzeni procesora, obsługiwanych wątków oraz zmiennoprzecinkowych jednostek wykonawczych. Wyniki eksperymentu pokazują, że proponowany algorytm może pracować efektywnie, nawet jeśli liczba wątków obliczeniowych przekracza liczbę jednostek wykonawczych procesora, na którym pracuje. W artykule zostały również zarysowane kierunki dalszych badań nad udoskonaleniem przedstawionego algorytmu.

Słowa kluczowe

algorytm równoległy, identyfikacja sygnału

Parallel signal processing algorithm based on a small number of samples

Abstract

The paper presents a parallel algorithm for parameter estimation of sinusoidal components of a complex signal. The proposed algorithm can identify the signal components when the number of available samples of the signal is limited. The proposed algorithm was tested on test computers equipped with different number of processor cores and floating point units. The experimental results show that the proposed algorithm can work efficiently even if the number of threads exceeds the number of processor cores. Directions for further research are outlined.

Keywords

parallel algorithm, signal identification

Bibliografia

  1. Zieliński T.P., Cyfrowe przetwarzanie sygnałów, Wydawnictwa Komunikacji i Łączności, Warszawa 2005.
  2. Romberg J., Wakin M., Compressed Sensing: A Tutorial, IEEE Statistical Signal Processing Workshop, Madison, Wisconsin 2007.
  3. Donoho D.L., Compressed Sensing, IEEE Transactions On Information Theory, Vol. 52, No. 4, April 2006, 1289–1306.
  4. Hong S., Direct Spectrum Sensing from Compressed Measurements, Military Communications Conference, 2010, 1187–1192.
  5. Arabas J., Wykłady z algorytmów ewolucyjnych, Wydawnictwa Naukowo-Techniczne, Warszawa 2001.
  6. Goldberg D.E., Algorytmy genetyczne i ich zastosowania, Wydawnictwa Naukowo-Techniczne, Warszawa 2003.
  7. Rutkowska D., Piliński M., Rutkowski L., Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, PWN, Warszawa, Łódź 1999.
  8. Munshi A., Gaster B., Mattson T.G., OpenCL Programming Guide, Addison Wesley Pub Co. Inc., 2011.
  9. Majewski J., Zbysiński P., Układy FPGA w przykładach, Wydawnictwo BTC, Warszawa 2007.
  10. Kardasz P., Rekonstrukcja zaszumionego sygnału sinusoidalnego na podstawie niewielkiej liczby próbek za pomocą algorytmu ewolucyjnego. "Pomiary Automatyka Robotyka", R. 17, nr 2/2013, 407–412.
  11. Kardasz P., Algorytm identyfikacji składowych sinusoidalnych złożonego sygnału na podstawie jego losowo pobranych próbek. Poznań University of Technology Academic Journals. Electrical Engineering, nr 76, 2013, 197–203.