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

Mr.Cssust2024-06-14 10:29

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
猫猫的小茶馆14 小时前
【C语言】指针常量和常量指针
linux·c语言·开发语言·嵌入式软件
CAD芯智库3 天前
国产三维CAD 2025新动向：推进MBD模式，联通企业设计-制造数据
经验分享·科技·业界资讯·mbd·中望3d·国产三维cad软件
青云交4 天前
大数据新视界 -- 大数据大厂之 Impala 存储格式转换：从原理到实践，开启大数据性能优化星际之旅（下）（20/30）
大数据·性能优化·数据处理·impala·案例分析·存储格式转换·转换方法
猫猫的小茶馆5 天前
【网络编程】字节序：大端序和小端序
linux·c语言·驱动开发·计算机网络·嵌入式软件
纪怽ぅ11 天前
深入理解数据归一化：原理、方法和应用
大数据·人工智能·python·深度学习·机器学习·数据处理
宏集科技工业物联网12 天前
宏集Cogent DataHub: 高效实现风电场数据集中管理与自动化
自动化·数据处理·工业物联网·opc·风力发电
枝上棉蛮14 天前
GISBox VS ArcGIS：分别适用于大型和小型项目的两款GIS软件
arcgis·gis·数据可视化·数据处理·地理信息系统·gis工具箱·gisbox
charlie11451419118 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
ZBZ060718 天前
李萨如图形数据处理
学习·学习方法·数据处理·maple学习
热门推荐
01(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明02PyTorch机器学习实现液态神经网络03【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总04玄机平台应急响应—webshell查杀05Coze扣子平台完整体验和实践（附国内和国际版对比）06Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO07【目标跟踪】相机运动补偿08Unity中PICO实现 隔空取物 和 接触抓取物体09RAG 实践- Ollama+RagFlow 部署本地知识库10怎样让音频速度变慢？请跟随以下方法进行操作