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

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:

cpp 复制代码
#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:

cpp 复制代码
#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。

总结

以上就是本人在嵌入式软件开发中设计数据处理算法时,一些个人理解和分析的总结,首先介绍了它的背景情况,然后展示它的初始设计和优化设计,最后分析了利用NaNFlag开发数据处理算法的注意事项和应用场景。

后续还会分享另外几个最近总结的软件优化知识点,欢迎评论区留言、点赞、收藏和关注,这些鼓励和支持都将成文本人持续分享的动力。

另外,上述例程使用的Demo工程,可以到笔者的主页查找和下载。


版权声明:原创文章,转载和引用请注明出处和链接,侵权必究!

相关推荐
charlie1145141913 天前
嵌入式Linux入门具备:C语言基础与基本驱动学习(2):Linux GIibc IO基础
c语言·学习·c·io·嵌入式软件
ZBZ06073 天前
李萨如图形数据处理
学习·学习方法·数据处理·maple学习
isNotNullX10 天前
传统数据仓库升级版:云数据仓库!
大数据·数据库·数据仓库·数据处理
猫猫的小茶馆11 天前
【Linux系统】Ubuntu的简单操作
linux·ubuntu·嵌入式软件
舞动的白杨16 天前
matlab怎样自动搜索文件夹中的所有txt文件,并将每个txt文件中的数据存放到一个cell数组中——MATLAB批量处理数据
算法·matlab·数据处理·数据批量处理
青云交18 天前
大数据新视界 --大数据大厂之 Kubeflow 在大数据与机器学习融合中的应用探索
大数据·机器学习·数据处理·模型训练·应用案例·kubeflow·资源利用
青云交18 天前
大数据新视界 --大数据大厂之 Ray:分布式机器学习框架的崛起
大数据·人工智能·分布式机器学习·数据处理·模型训练·ray·应用场景
OSnotes19 天前
嵌入式软件名企笔试真题文章汇总帖
嵌入式软件·笔试真题
网易独家音乐人Mike Zhou20 天前
【Linux驱动开发】通过ioremap虚拟内存映射的寄存器操作驱动、C应用函数库开发 devmem命令测试(正点原子STM32MP135文档BUG)
linux·c语言·驱动开发·stm32·mcu·嵌入式·嵌入式软件
枝上棉蛮21 天前
国庆旅游高峰期,如何利用可视化报表来展现景区、游客及消费数据
旅游·报表·数字孪生·数据可视化·数据处理·免费报表制作工具·消费数据