【研发日记】Matlab/Simulink软件优化(三)——利用NaNFlag为数据处理算法降阶

Mr.Cssust 2024-06-14 14:35:20 阅读 85

文章目录

前言

背景介绍

初始算法

优化算法

分析和应用

总结

前言

见《【研发日记】Matlab/Simulink软件优化(一)——动态内存负荷压缩》

见《【研发日记】Matlab/Simulink软件优化(二)——通信负载柔性均衡算法》

背景介绍

在一个嵌入式软件开发项目中，需要开发一个数据处理算法，功能是求解一个动态变化数组的平均值、极值和极值位号，并且具备动态剔除个别元素（元素序列不变）的功能。示例如下：

数组：2、4、6、8、10

剔除：第1个元素、第3个元素

求均值：（4 + 8 + 10）/ 3 = 7.3

求最小值：4

求最小值位号：2

求最大值：10

求最大值位号：5

初始算法

一开始算法开发的思路非常简单，就是根据上述示例把求解过程拆分成两步，第一步构建剔除特定元素后的新数组，第二步分别求解统计结果，示例如下：

以上模型生成的代码如下：

#include "untitled.h"#include "untitled_private.h"/* External outputs (root outports fed by signals with default storage) */ExtY_untitled_T untitled_Y;/* Real-time model */static RT_MODEL_untitled_T untitled_M_;RT_MODEL_untitled_T *const untitled_M = &untitled_M_;/* Model step function */void untitled_step(void){ real_T Array_min[5]; real_T ArrayIndex; int32_T b_idx; int32_T b_k; int32_T e_k; int32_T i; /* MATLAB Function: '<Root>/MATLAB Function' incorporates: * Constant: '<Root>/Constant' */ for (i = 0; i < 5; i++) { Array_min[i] = untitled_ConstP.Constant_Value[i]; } Array_min[0] = 255.0; Array_min[2] = 255.0; untitled_Y.Out2 = 255.0; b_idx = 1; for (b_k = 1; b_k + 1 < 6; b_k++) { if (untitled_Y.Out2 > Array_min[b_k]) { untitled_Y.Out2 = Array_min[b_k]; b_idx = b_k + 1; } } for (i = 0; i < 5; i++) { Array_min[i] = untitled_ConstP.Constant_Value[i]; } Array_min[0] = 0.0; Array_min[2] = 0.0; untitled_Y.Out4 = 0.0; b_k = 1; for (i = 1; i + 1 < 6; i++) { if (untitled_Y.Out4 < Array_min[i]) { untitled_Y.Out4 = Array_min[i]; b_k = i + 1; } } for (i = 0; i < 5; i++) { Array_min[i] = 0.0; } ArrayIndex = 0.0; for (i = 0; i < 5; i++) { if ((i + 1 != 1) && (i + 1 != 3)) { ArrayIndex++; Array_min[(int32_T)ArrayIndex - 1] = untitled_ConstP.Constant_Value[i]; } } if (1.0 > ArrayIndex) { i = -1; } else { i = (int32_T)ArrayIndex - 1; } if ((int8_T)(i + 1) == 0) { ArrayIndex = 0.0; } else if ((int8_T)(i + 1) == 0) { ArrayIndex = 0.0; } else { ArrayIndex = Array_min[0]; for (e_k = 2; e_k <= (int8_T)(i + 1); e_k++) { ArrayIndex += Array_min[e_k - 1]; } } /* Outport: '<Root>/Out1' incorporates: * MATLAB Function: '<Root>/MATLAB Function' */ untitled_Y.Out1 = ArrayIndex / (real_T)(int8_T)(i + 1); /* Outport: '<Root>/Out3' incorporates: * MATLAB Function: '<Root>/MATLAB Function' */ untitled_Y.Out3 = b_idx; /* Outport: '<Root>/Out5' incorporates: * MATLAB Function: '<Root>/MATLAB Function' */ untitled_Y.Out5 = b_k;}/* Model initialize function */void untitled_initialize(void){ /* (no initialization code required) */}/* Model terminate function */void untitled_terminate(void){ /* (no terminate code required) */}

上述代码仿真运行没有什么问题，从结果来看是符合功能需求的，示例如下：

分析上述代码会发现构建新数组时存在一些问题。如果数组中出现大于255的值，或者小于0的负数时，算法就需要重新匹配。如果数组的Size大于5，或者剔除的个数大于2，算法也需要重新匹配。这种繁复的工作，是我们不希望看到的。

优化算法

针对上述问题的分析和研究，发现Matlab官方提供了一个现成的函数功能，可用于剔除特定元素的数据统计算法，能让我们简化构建新数组的工作，也就免去了繁复匹配算法的问题，示例如下：

Tips：因为有NaN的存在，数组的数据类型如果不是double型可能会出问题。例如NaN赋给uint8型的数组是，对应元素就会变成0，再后续的求解函数中是按0对待的。

以上模型生成的代码如下：

#include "untitled.h"#include "untitled_private.h"/* External outputs (root outports fed by signals with default storage) */ExtY_untitled_T untitled_Y;/* Real-time model */static RT_MODEL_untitled_T untitled_M_;RT_MODEL_untitled_T *const untitled_M = &untitled_M_;/* Model step function */void untitled_step(void){ real_T data[5]; real_T y; int32_T c_k; int32_T i; int32_T k; boolean_T exitg1; /* MATLAB Function: '<Root>/MATLAB Function' incorporates: * Constant: '<Root>/Constant' */ for (i = 0; i < 5; i++) { data[i] = untitled_ConstP.Constant_Value[i]; } data[0] = (rtNaN); data[2] = (rtNaN); i = 0; k = 2; exitg1 = false; while ((!exitg1) && (k < 6)) { if (!rtIsNaN(data[k - 1])) { i = k; exitg1 = true; } else { k++; } } if (i == 0) { /* Outport: '<Root>/Out2' */ untitled_Y.Out2 = (rtNaN); i = 1; } else { untitled_Y.Out2 = data[i - 1]; for (k = i; k < 5; k++) { if (untitled_Y.Out2 > data[k]) { untitled_Y.Out2 = data[k]; i = k + 1; } } } k = 0; c_k = 2; exitg1 = false; while ((!exitg1) && (c_k < 6)) { if (!rtIsNaN(data[c_k - 1])) { k = c_k; exitg1 = true; } else { c_k++; } } if (k == 0) { /* Outport: '<Root>/Out4' */ untitled_Y.Out4 = (rtNaN); k = 1; } else { untitled_Y.Out4 = data[k - 1]; for (c_k = k; c_k < 5; c_k++) { if (untitled_Y.Out4 < data[c_k]) { untitled_Y.Out4 = data[c_k]; k = c_k + 1; } } } y = 0.0; c_k = 0; if (!rtIsNaN(data[1])) { y = data[1]; c_k = 1; } if (!rtIsNaN(data[3])) { y += data[3]; c_k++; } if (!rtIsNaN(data[4])) { y += data[4]; c_k++; } /* Outport: '<Root>/Out1' incorporates: * MATLAB Function: '<Root>/MATLAB Function' */ untitled_Y.Out1 = y / (real_T)c_k; /* Outport: '<Root>/Out3' incorporates: * MATLAB Function: '<Root>/MATLAB Function' */ untitled_Y.Out3 = i; /* Outport: '<Root>/Out5' incorporates: * MATLAB Function: '<Root>/MATLAB Function' */ untitled_Y.Out5 = k;}/* Model initialize function */void untitled_initialize(void){ /* Registration code */ /* initialize non-finites */ rt_InitInfAndNaN(sizeof(real_T));}/* Model terminate function */void untitled_terminate(void){ /* (no terminate code required) */}

Tips：从生成的C代码来看，底层逻辑的实现方法与前一种是类似的

上述代码仿真运行也没有问题，结果符合需求，示例如下：

分析上述算法的特点，不仅实现了项目中的需求，同时也利用NaNFlag为数据处理算法进行了降阶。

分析和应用

利用NaNFlag开发数据处理算法时，需要注意如下几点：

1、两种算法生成的代码，底层逻辑都一样，但是是开发复杂度和软件成熟度上差别好多，前者更适合用于逻辑探索和思维训练，后者跟适合于工程应用。

2、两种算法的开发自由度不同，可裁剪和压缩负载的空间也不同。前者可以根据实际应用裁剪出自己需要的数组大小，选取自己够用的数据类型，能更极致压缩算法对内存资源和算力资源的消耗。后者是把一部分算法设计工作交给代码生成工具去做了，开发者就没有这么大的灵活度了。前者更适用于处理器资源有限的专用嵌入式项目，后者更实用于模块化平台化开发的项目。