数字信号处理基础----xilinx除法器IP使用

前言

在进行数字信号处理的时候，计算是必不可少的，通常情况下，能够不用乘法器和除法器就不用乘除法器，可以采用移位和加减法的方式来完成计算。但在一些特殊情况下，希望采用乘除法，这时候在FPGA当中就需要专用的IP了。乘除法在FPGA当中实现起来是比较困难的一件事情。若直接在verilog 代码中使用了乘法或者除法，其实最终对应到电路中，要么是采用大量的block ram来实现，要么是占用DSP资源。这种情况下，对资源的占用是拿捏不准确。因此需要使用专用的乘除法器来实现乘除法。

1. 数据的表示

1.1原码，反码，补码

在进行数字信号处理的时候，这三个码首先得搞清楚了。例如

数据	源码	反码	补码
65	01000001	01000001	01000001
-65	11000001	10111110	10111111

正数的源码补码，反码都是它本身。但是负数就需要注意了，关于如何来计算源码反码补码，其实也比较简单。

• 首先最高位为符号位，余下的都是数据位。
• 求得数据的绝对值，然后根据数据的正负，在最高位填0或1。正数填0，负数填1，就得到了数据的源码。
• 若数据是负数
  • 那么保持最高位不变，其余位按位取反，就得到了数据的反码。
  • 保持高位不变，在反码的基础上加1就成了数据的补码。
    举几个简单例子。就用自带的计算器这个软件，调到程序员模式就开始计算。

首先是正数：例如100，那么它的二进制表示就是8’b0110_0100。

如果是负数：例如-100，那么他的二进制补码的表示就是 8’b1001_1100

在FPGA当中，数据都是以补码的形式存在的，知道了这个，就能够很好对数据进行运算了。

1.2 对数据求绝对值

由于在FPGA当中，数据都是以补码的形式存在的，因此对数据进行求绝对值的时候，就比较好操作了。如果一个数是正数，那么这个数据绝对值就是它本身。如果一个数是负数，那么直接按位取反再加一就可以了。

数据类型	求绝对值方法
正数	绝对值就是数据本身
负数	按位取反再加一

还是上面的例子，-100的补码是8’1001_1100

它的绝对值是100。也就是8’b0110_0100。也就是由负数的补码，按位取反（包含符号位）再加一得到。

1.3 数据位宽的扩展与缩小

在进行数据位宽的扩展的时候，对于有符号数的处理，得格外的小心，最高位一定不能给搞忘了。
举个简单的例子：
用8bit表示一个正数100

现在用16bit来表示这个数，现在多了8bit，因此多出的高位的8bit，需要用原始数据的最高位来填充，也就是最高位全部填充0。

若用8bit数据表示一个负数 -100；

现在用16bit来表示这个数，现在多了8bit，因此多出的高位的8bit，需要用原始数据的最高位来填充，也就是最高位全部填充1。

1.4 定点数

前面写的都是整数，在FPGA当中如何来表示小数呢。这里就涉及到一个量化的问题，就是用一个整数来表示小数。在FPGA中常用的就是定点数来表示小数。所谓定点就是指小数点的位置是固定的。比如一个数用8位表示，符号位1位，整数位1位，小数位4位。那么如何使用定点数来表示一个这样的数呢。
比如4.5，按照上面的方式进行定点化。
$$4.5\times 2^4=72$$
可以看到定点化之后的结果是72。其中符号位1位，整数位3位，小数位4位。

负数的定点化和正数类似。比如：
$$-4.5\times 2^4=-72$$

个人在识别负数的时候，有个个人的小喜好。那就是符号位为1表示这个数是负数，那么最大的负数表示范围就是-2^N-1(N是数据的位宽)，那么用补码表示这个数据的时候，就是最大的负数表示范围加上后面的数。就比如这个 -72。最大的负数表示范围是-128，再加上后面的符号位后面的数就是结果。(歪门邪道，不可信)
其实可以看作： $$-72=-2^7+2^5+2^4+2^3$$

1.4.1 量化误差

在使用定点数的时候，不可避免地会引入量化误差。这个量化误差的精度是由需要量化的小数的位宽决定的。比如一个8bit数，最高位符号位，3位整数位，4位小数位。那么量化位宽就是4位。因此量化的最小精度是1/2⁴，也就是0.0625。
在这里举一个简单的例子。

对于1.0625在不同情况下，进行定点数的转化。
case(1) : 8bit数，最高位为符号位，3位整数位，4位小数位
case(2): 8bit数，最高位为符号位，4位位整数， 3位小数位

对于第一种情况：量化的结果为：$$1.0625\times 2^4=17$$
能够完整地表达出原始的数据，1.0625

对于第二种情况：量化的结果为： $$1.0625\times 2^3=8.5\cong 8$$
此时由于量化，导致量化后的数据相较于原始数据有了误差，能表达的数据是1。

对比上面两种情况可以看出，当小数位为3位的时候，对1.0625进行量化的时候，就出现了量化的误差。这个就是由量化的位宽(量化精度)引起的。

1.4.2 负数的定点化

负数的定点化其实和前面正数的定点化是类似的。只是最终需要取补码。
例如： 最高位为符号位，3位整数位，4位小数位
$$-1.0625\times 2^4=-17$$

其实和前面一样的，最高位符号位为1，最大负数表示范围：-8。因此
$$-8+2^2+2^1+2^{-1}+2^{-2}+2^{-3}+2^{-4}=-1.0625$$(歪门邪道，且不可信233333333)

2. xilinx除法器IP使用

IP的配置界面如下啦：

• 设置除法器的类型，基二还是还是查找表。
• 然后是被除数和除数的位宽。
• 然后数余数类型。
• 可以选择小数和余数。
• 小数的部分的位宽

在左边可以看到输入输出信号的在总线上所占据的bit。

简简单单仿个真

// -----------------------------------------------------------------------------
// Copyright (c) 2014-2020 All rights reserved
// -----------------------------------------------------------------------------
// Author 	 : WCC 1530604142@qq.com
// File   	 : tb_divider_sim
// Create 	 : 2020-12-24
// Revise 	 : 2020-
// Editor 	 : Vscode, tab size (4)
// Functions : divider test
// 			   
// -----------------------------------------------------------------------------
`timescale 1ns / 1ps
module tb_divider_sim();

reg                 clk             ;
reg signed [15:0]   divisor         ;
reg signed [15:0]   dividend        ;
reg                 data_in_tvalid  ;

wire                div_valid       ;
wire signed [31:0]  div_data        ;


div_gen_0 inst_divider (
    .aclk(clk),                             // input wire aclk
    .s_axis_divisor_tvalid(data_in_tvalid), // input wire s_axis_divisor_tvalid
    .s_axis_divisor_tdata(divisor),         // input wire [15 : 0] s_axis_divisor_tdata
    .s_axis_dividend_tvalid(data_in_tvalid),// input wire s_axis_dividend_tvalid
    .s_axis_dividend_tdata(dividend),       // input wire [15 : 0] s_axis_dividend_tdata
    .m_axis_dout_tvalid(div_valid),         // output wire m_axis_dout_tvalid
    .m_axis_dout_tdata(div_data)            // output wire [31 : 0] m_axis_dout_tdata
);

initial begin
    clk = 0;
    forever #(10) clk = ~clk;
end

initial begin
    data_in_tvalid = 0;
    dividend = 0;
    divisor = 0;
    repeat(100)@(posedge clk);

    data_in_tvalid = 1;
    divisor = 16'd5;
    dividend = 16'd25;
    
    repeat(30)@(posedge clk);
    divisor = 16'd5;
    dividend = -16'd25;

    repeat(30)@(posedge clk);
    divisor = 16'd5;
    dividend = 16'd12;

    repeat(30)@(posedge clk);
    divisor = 16'd5;
    dividend = -16'd12;

    repeat(30)@(posedge clk);
    divisor = 16'd5;
    dividend = -16'd4;

    repeat(30)@(posedge clk);
    divisor = 16'd5;
    dividend = -16'd4;
end
endmodule

2.3 仿真结果

从输入的激励来看，前两个是能够被整除的，后面几个是不能被整除的。

这里看一下不能被整除的这几个。

• 12/5
  
  这个得到的结果该是2.4,可以看到整数部分是2,小数部分是0.4。
  在前面设置IP的时候，可以看到，指示小数部分的数据位宽16bit，其中符号位1位，所以量化精度就是1/2¹⁵。
  
  于是可以计算一下，用15位去量化这个小数的时候，计算出来的结果
  $$0.4\times 2^{15}=13107.2\cong 13107$$
  量化后的结果是13107，16进制就是16’h3333。而这也正好是上面仿真的到的结果。
  
• -12/5
  
  这个结果得到的是-2.4，整数部分是-2，小数部分是-0.4。
  小数部分量化得到的结果是：
  
  换成16进制表示：
  
  与仿真得到的结果一致，简直是nice。

2.4 除法器IP的总结

可以看到除法器IP的使用，需要指定除法器的基于类型，除数和被除数的位宽，得到结果的余数类型需要指定。然后还需要注意的是，除法器使用的接口是axis接口的，只有在valid有效的时候，才会开始计算。
同时也还要注意到，除法器得到结果是需要很长的latency的。这个latency可以设置。合适的才是最好的