针对某个问题的算法生成后,会有一个标定参数的过程。如果这个过程在台式机上进行,大多没有什么障碍,因为你可以在高级语言库里找到完备的矩阵算法库。但是对于单片机环境,本身字长可能只有8位,16位,此时的算法不得不考虑算法中的误差传递,不是非常容易处理。
一个可能的方案是利用代码自动生成器直接输出代码。
matlab可以做类似的工作。
首先,你需要定义.m文件。举个很简单的例子,这个例子没有实际意义,我们只看一下整个算法转换的流程:
生成算法函数:
%% math.sin(x)
function [f] = my_sin(x)
f = sin(x);
end
生成算法调用脚本:
syms x y
x = 2.0
y = my_sin(x)
调用App/ Matlab Coder,来进行代码转换:
在Step by Step的过程中:
选择函数所在的代码文件
选择调用脚本文件
确定输入输出参数类型(因为matlab是一个非严格类型限定的脚本语言)
确定输出的芯片类型。
最终生成的C代码可以直接在嵌入式芯片的编译环境直接使用。
对于我们的例子:
/*
* my_sin.c
*
* Code generation for function 'my_sin'
*
*/
/* Include files */
#include <math.h>
#include "rt_nonfinite.h"
#include "my_sin.h"
/* Function Definitions */
double my_sin(double x)
{
/* math.sin(x) */
return sin(x);
}
/* End of code generation (my_sin.c) */
因为芯片库直接有double的支持和math.h库的支持,所以它就仅仅是上面的这种。
注意,有时候需要对函数体进行指导性的脚本展开,而不能直接代入一些matlab已经验算出的实参。这个原因很简单,因为误差会传递。必须尽可能消除误差。
附录A 非线性问题到线性问题的转换
这里介绍一个非线性问题到线性问题转换的一个小技巧。一个问题的公式,可能是非线性的形式,也就是说,对于一组输出参数:(x0, x1,x2,x3),可能相关的公式是非线性的形式。但是。稍稍加以变形,比如对
(pow(x0,2)+5*x1, power(x1,2) + x2*x3, x0, x1+x3, x0/x3),这个问题可能就会呈现出线性特征。这样,这个问题就可以很容易套用矩阵的运算来处理。然后利用.m文件分布解开。
类似这样的拆解过程,就可以妥善进行误差传递的预防。