Radar technology is widely used in today´s society, whether it is the localisation and identification of aircraft in air traffic control systems, ships in harbour management systems, or the weather forecast presented on the news. In military applications, such as in fighter jets or missile lock-on systems, the speed at which the radar processes incoming data is essential to ensure a successful outcome. These applications need more powerful execution platforms, such as Application-Specific Integrated Circuits (ASICs) or Field-Programmable Gate Array (FPGAs) to run at the required speed. Radar technology manufacturers face both high development costs and long development cycles when designing, redesigning and developing these powerful execution platforms. A solution to these problems could be to design and develop the system in software before implementing it on the specialised ASIC and FPGA ships. As a step toward creating a software-based processing chain for radar systems, this thesis amide to investigate whether General-Purpose Graphical Processing Units (GPUs) could be used to develop and run beamforming applications in real-time at a sample rate of 100 MHz. To achieve this goal, the Bartlett and MVDR Beamforming algorithms were analysed and implemented in the Computer Unified Device Architecture (CUDA) programming framework on an NVIDIA GeForce RTX 2080 super GPU. The algorithms´ parallelisable elements were considered before implementation, and then implemented to fit with the CUDA programming model. In the end, both beamformers´ primary acceleration methods is using the cuBLAS library for linear algebra operations. The results of this study show that beamforming in real-time is not possible on a GPU when processing a signal sampled at 100 MHz. However, the GPU used just passed its third anniversary since release, and NVIDIA has released subsequent generations of GPUs with significant (>100%) performance increases. Future work on this area could include trying the implementations on more recent GPUs or implementing other beamforming algorithms on GPUs. / Radarteknik används inom flera områden idag. Bland annat för lokalisering och identifiering av flygplan och fartyg i flyglednings- och hamnledningssystem, eller för att skapa väderprognosen som presenteras på nyheterna. För militära tillämpningar, till exempel i stridsflygplan eller missillåsningssystem, är behandlingshastigheten av inkommande data avgörande för att korrekt information ska visas. Dessa användningsområden kräver kraftfulla chip, såsom ASICs eller FPGAer, för att uppnå den exekveringshastighet, kompakthet och energieffektivitet som krävs. Såväl höga utvecklingskostnader som långa utvecklingscykler uppstår för radartillverkare när de designar och utvecklar dessa kraftfulla chip. En lösning på de långa cyklerna och höga kostnaderna kan vara att designa och utveckla systemet i mjukvara på en högre abstraktionsnivå innan det implementeras på de specialiserade ASIC- och FPGA-chipen. I ett steg mot att skapa en mjukvarubaserad signalbehandligsskedja gör radarsystem, syftar detta examensarbete till att undersöka om GPUer skulle kunna användas för att utveckla och exekvera beamformingapplikationer i realtid med en samplingsfrekvens på 100 MHz. För att uppnå detta mål analyserades och  implementerades beamformingalgoritmerna Bartlett och MVDR i CUDA på en NVIDIA GeForce RTX 2080 Super GPU. De element av algoritmerna som går att parallellisera undersöktes, följt av implementation i CUDAs programmeringsmodell. Den primära accelerationsmetoden för båda beamformingalgoritmerna är att använda cuBLAS-biblioteket för linjär algebraoperationer. Resultaten av denna studie visa att beamforming i realtid inte är möjligt på en GPU vid behandling av en signal samplad i 100 MHz. Den GPU som användes har nyligen passerat sin tredje årsdag sedan lansering, och NVIDA har släppt efterföljande GPU-generationer med avsevärda (>100%) prestandaökningar- I framtida arbeten på området föreslås att testa implementationerna på nyare GPUer, implementera beamformers i t.ex. OpenGL, implementera andra beamformingalgoritmer i CUDA.

Radar is an invaluable tool for detecting and assessing threats on land, on the seas and in the air. To properly evaluate threats, radar operators construct threat libraries where the signal characteristics of emitters are stored and mapped to specific types of platforms. In this project, methods for constructing these threat detection libraries from data obtained during real-life scenarios are investigated. A number of machine learning approaches are investigated and validated using general and method specific scoring methods. Using density based clustering methods and non-linear data transformation it is shown that Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN) and spatial consistency metrics can be used to deinterleave and group signals to radar trace emitting platforms, from which suitable library parameters can be extracted. The results show that traditional metrics for evaluating cluster methods are not suited for evaluating data containing spatial information. / Radar är ett ovärderligt verktyg för att upptäcka och identifiera hot på land, till havs och i luften. För att kunna utvärdera olika former av hot använder sig radaroperatörer av hotbibliotek, vilka består av olika radarplattformers signalparametrar. I det här projektet undersöks olika metoder för att bygga hotbibliotek med hjälp av verkliga data insamlat under flygningar i Sverige. Olika maskininlärningsmetoder undersöks och utvärderas med hjälp av både generella och specifika utvärderingsmetoder. Genom att använda sig av densitets- baserade klustringsmetoder och olinjära metoder för att transformera data så visas att hierarkisk densitetsbaserad spatial klustring för tillämningar med störningar (HDBSCAN) och utvärderingsmetoder som baseras på spatial karaktäristik kan användas för att separera och gruppera radarkällor, vilka kan användas för att finna parametrar för att bygga hotbibliotek. Det visas även att traditionella metoder för att utvärdera klustringsresultat inte lämpar sig för att utvärdera spatiala data.