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

本文主要是介绍【研发日记】Matlab/Simulink软件优化(三)——利用NaNFlag为数据处理算法降阶,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

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可能会出问题。例如NaN赋给uint8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

这篇关于【研发日记】Matlab/Simulink软件优化(三)——利用NaNFlag为数据处理算法降阶的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1049365

相关文章

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

MySQL中慢SQL优化的不同方式介绍

《MySQL中慢SQL优化的不同方式介绍》慢SQL的优化,主要从两个方面考虑,SQL语句本身的优化,以及数据库设计的优化,下面小编就来给大家介绍一下有哪些方式可以优化慢SQL吧... 目录避免不必要的列分页优化索引优化JOIN 的优化排序优化UNION 优化慢 SQL 的优化,主要从两个方面考虑,SQL 语

MySQL中慢SQL优化方法的完整指南

《MySQL中慢SQL优化方法的完整指南》当数据库响应时间超过500ms时,系统将面临三大灾难链式反应,所以本文将为大家介绍一下MySQL中慢SQL优化的常用方法,有需要的小伙伴可以了解下... 目录一、慢SQL的致命影响二、精准定位问题SQL1. 启用慢查询日志2. 诊断黄金三件套三、六大核心优化方案方案

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、