将Python/Matlab移植到C和定点DSP处理器上-C也应该是定点的吗?

我绝对建议你现在用定点实现算法。我使用了一个工具来测试针对Python浮点引用实现的定点实现 ctypes 从Python代码中直接调用C函数进行直接比较。

例如,要使用ctypes,必须将定点C函数编译为共享对象

gcc -shared -std-gnu11 -g -o $(BIN_DIR)/libfm.so src/fxpt_atan2.c

然后在Python文件中

import scipy as sp
import ctypes as ct

# Bind functions in shared object so they can be called in Python.
fm = ct.CDLL('../build/x86/bin/libfm.so')

# Create floating point reference.
N = 1024
n = sp.arange(N)
x = sp.exp(2*sp.pi*1j*n/N)
phi = sp.arctan2(sp.imag(x), sp.real(x))

# Quantize input and process with fixed-point implementation.
x_q, scale = quantize(x, normalize='pow2')
phi_q = sp.zeros(len(x), dtype=sp.int16)
for n in range(len(x)):
    # Call ctypes bound function from shared object.
    x_re_q = ct.c_int16(int(sp.real(x_q[n])))
    x_im_q = ct.c_int16(int(sp.imag(x_q[n])))
    phi_q[n] = fm.fxpt_atan2(x_im_q, x_re_q)

# Compare floating point reference and fixed-point implementation.
print(sp.allclose(phi, phi_q/scale*sp.pi, rtol=1e-3))

如果你有时间并且你的算法允许的话,现在就在固定的时间点做。在跨平台进行比较时,您将能够得到精确性和性能方面的比较。

我也会考虑降低你的比特率,无论你的最终平台是什么。所以如果你要使用16位ADC等,我会让你的函数接受16位整数。如果这是未知的,那么它可能是最好的坚持32。

请注意,您可能能够将大部分C代码直接复制到最终平台。所以现在把时间放进去是有意义的(如果你的时间表允许的话)。

我不知道你的动态范围要求,但如果32位定点不够,我同意所有的建议,直接去。 另外,fstop_22推荐的ctype也非常好。 Q Format 如果可能的话。问题8.24总是一个很好的起点,因为它给你的数字增长空间。

我不知道您使用的是哪种类型的Matlab/Python库,但它们很可能支持某种定点配置。例如,tensorflow通过 quantize fixed point training 这是一种在训练阶段考虑到的技术,稍后您将使用定点表示。有一些关于那的文件。

stochastic rounding 可能也是一个有用的概念。