FPGA FFT缩放因子配置全解析

优质文章学习记录

— 12 min read
FPGA FFT缩放因子配置全解析

目录

前言

1.快速傅里叶变换（FFT）

1.1 FFT的来源    

1.2 FFT IP 缩放因子设置实例

缩放配置的底层含义：16'haaaa

每一级的计算与“减肥”过程

输入准备：24 位原始数据

Stage 1：第一次蝶形运算

Stage 2：第二次蝶形运算

Stage 3 & 4：持续压缩

Stage 5：最后一级（第 1024 个点对齐）

与MATLAB对比

缩放因子过大的后果

1.3 进阶探索：Block Floating Point (BFP) 模式

1.3.1 什么是块浮点？

1.3.2 BFP 的运行机制：逐级动态监测

1.3.3 BFP 模式的优势分析

1.3.4 工程实现要点

前言

        记录一下对在vivado FFT IP核中如何设置缩放因子的理解。

1.快速傅里叶变换（FFT）

1.1 FFT的来源    

         传感器的信号是数字信号，所以无法进行连续时间的傅里叶变换；离散时间傅里叶变换针对长度为无穷长的信号，其得到的频谱是连续的，与实际信号的情况也不一致； 离散时间傅里叶级数针对离散的信号，频谱的结果也是离散的，最有可能由计算机实现，但其针对周期信号。 实际上，计算机采用“离散傅里叶变换（DFT）”对信号开展分析—基本原理：将采集到的信号（信号长度为

N_0

看成周期为

N_0

的离散时间周期信号，并计算其DTFS。

        所以有离散傅里叶变换（DFT）的出现：对于长度为

N_0

的信号

x[n]

，将其看成周期为

N_0(\Omega = \frac{2\pi}{N_0})

的周期信号（这种做法是合理，结果会有误差，但不影响分析），其公式为：

正变换：

F(k\Omega_0) =\sum_{k=0}^{N_0-1} x[n] e^{-j k \Omega_0 n}

逆变换：

x[n] =\frac{1}{N_0} \sum_{k=0}^{N_0-1} F(k\Omega_0) e^{j k \Omega_0 n}

其物理含义为：将信号分解为一系列简单的复指数序列（

e^{0j\Omega n}

，

e^{j\Omega n}

，

e^{j2\Omega n}

，...,

e^{j(N_0-1)\Omega n}

）.

        DFT的计算量：N个点直接计算DFT的总运算量为：

N^2

次复数乘法，

N(N-1)

次复数加法。分析1024个点的序列，需要进行百万次的复乘,消耗的资源比较多。

        因此有了快速傅里叶的诞生。FFT是其中一种常用的方法。它是快速实现DFT的一种算法，有效降低了计算量。

        FFT简单的理解就是2分法，因为将N个点分为两组

\frac{N}2{}

个点计算，仅需要

\frac{N^2}{4} + \frac{N^2}{4} =\frac{N^2}{2}

次复数乘法，相当于减少一半，依次类推，FFT复数乘法运算量

\frac{N}{2}log_2N

,两者对比：

        具体的计算就不阐述了。从 DFT 的定义式可见，由于计算过程中缺少

$1/N$

的归一化系数，其运算结果的幅值规模会随点数

$N$

呈线性增长。在基于 FPGA 的定点化实现中，这意味着动态范围的逐级扩张：基-2 架构的 FFT 每一级蝶形运算会导致数值放大 2 倍，共需进行

$\log_2 N$

级运算；相应地，基-4 架构每一级会放大 4 倍，共进行

$\log_4 N$

级。因此，必须在 IP 核中合理配置缩放因子（Scaling Factor），以抑制各级运算中的位宽增长，防止定点数溢出导致的结果失真。

1.2 FFT IP 缩放因子设置实例

 

        在代码中FFT IP配置是16384点 FFT、Radix-4 架构、缩放系数 16'haaaa（这是因为FFT IP最大点数是65536（

4^8

）,Radix-4 架构最大有8级，从而IP核预留的位数）。因为设置的FFT IP核点数可配，因此可设置NFFT=1024。对于 1024点的 Radix-4 算法，计算一共分为 5 级，因为

$4^5 = 1024$

。

缩放配置的底层含义：16'haaaa

 config_SCALE_SCH = 16'haaaa 转换成二进制是：

[10] [10] [10] [10] [10] [10] [10] [10]

在 Xilinx FFT IP 中，每 2位控制一个计算级的缩放：

  • 00: 不移位（可能溢出，但精度最高）。
  • 01: 右移 1 位（数值除以 2）。
  • 10: 右移 2 位（数值除以 4）。
  • 11: 右移 3 位（数值除以 8）。

每一级的计算与“减肥”过程

输入准备：24 位原始数据

ADC 数据进入 FFT 模块，实部和虚部各占 24 位。此时，数据的动态范围是

$2^{24}$

。

Stage 1：第一次蝶形运算
  • 计算：Radix-4 蝶形单元同时读取 4 个样点，乘以旋转因子并相加。
  • 位宽增长：4个数相加，理论最大值会变为原来的 4倍，即位宽增加 2位（从 24 位变成 26 位）。
  • 缩放（10）：硬件执行 >> 2（右移 2 位）。
  • 结果：26 位 - 2 位 = 24 位。数据大小回到了安全范围，防止溢出。
Stage 2：第二次蝶形运算
  • 计算：处理 Stage 1 输出的中间结果。
  • 位宽增长：数值再次面临潜在的 $4$ 倍增长。
  • 缩放（10）：再次执行 >> 2。
  • 结果：维持在 24位}。
Stage 3 & 4：持续压缩
  • 过程同上。每一级都允许数值翻 4$倍，但随即被 >> 2 砍掉。这两级完成后，已经处理了 4^4 = 256个点之间的相关性。
Stage 5：最后一级（第 1024 个点对齐）
  • 计算：完成最后的复数加减。
  • 缩放（10）：执行最后一次 >> 2。
  • 最终输出：输出的 data_out_Real 依然是 24 位。

与MATLAB对比

        整个过程可以用一个公式来表达你的输出幅值

$X_{out}$

与理论真值

$X_{true}$

的关系：

$X_{out} = \frac{X_{true}}{2^{2 \times 5}} = \frac{X_{true}}{1024}$

        这意味着，你为了保证在 100% 满量程正弦波 输入时硬件不溢出，将最终的计算结果缩小了 1024倍。

维度输入 (Input)输出 (Output)损失 (Loss)
位宽24 bit24 bit0 bit
数值精度原生精度有效信息被右移了 10 位丢失了低 10 位的细节
动态范围~144 dB~144 dB约 60 dB 被推入噪声层

        这里需要区分MATLAB的FFT运算。尽管二者均涉及 1/N 的归一化处理，但 MATLAB 基于浮点运算，能够完整保留计算过程中的微弱细节；相比之下，FPGA 的定点运算在逐级缩放过程中不可避免地会引入量化损失。因此，缩放因子（Scaling Factor）的配置必须根据输入信号的动态范围进行‘动态适配’：针对满量程（Full-scale）信号，应优先采用保守的缩放策略以确保数值不溢出；而对于非满量程信号（如幅值减半），则可适当降低缩放比例（如每级仅缩小 2 倍），从而在动态范围与系统稳定性之间取得最优平衡。”举个例子：

        如果信号不是占满全量程（ADC 没爆表），可以尝试 “前松后紧” 的策略。修改 config_SCALE_SCH：

  • 建议方案：16'h5555（即 01 01 01 01 01 01 01 01 ）
  • 效果：每一级只右移 1 位（除以 2）。这样总共只缩小了 2^5 = 32 倍。
  • 好处：能多找回 5 位  的精度，让 10Hz 附近的微弱扫频信号更加清晰。最后在MATLAB中处理的时候再做除以2^5即可。

缩放因子过大的后果

        信号太弱：如果你观测的扫频信号本身就很微弱，经过这 5 级 >> 2 的连续截断，信号的能量可能直接被移成了 0。这就是为什么有时候背景看起来非常干净（全是蓝色），因为微弱的噪声和信号都被“缩放”没了。

        量化噪声：每一级右移都会产生舍入误差。由于可能没有开启 Convergent Rounding（收敛舍入），这些误差会累积，导致频谱的底部并不平整。

在你的“星载数字系统”笔记中，Block Floating Point (BFP，块浮点) 模式可以作为解决“弱信号丢失”与“强干扰溢出”矛盾的高级方案。它在硬件开销与计算精度之间取得了一种近乎完美的平衡。

以下是为你整理的详细介绍，可直接填入你的笔记 1.3 章节：

1.3 进阶探索：Block Floating Point (BFP) 模式

1.3.1 什么是块浮点？

        块浮点是一种特殊的定点运算模式。如果说手动缩放（Scaled）是每一步都“切掉”固定的位数，那么块浮点就是“按需剪裁”。

        在每一级蝶形运算开始前，硬件会实时扫描该块数据（Block）中的最大值，根据其量级动态决定本级是否需要右移缩放。

    • M（Mantissa）：FFT 输出的尾数（即 24-bit 数据）。
    • E（Exponent）：块阶码（BLK_EXP），记录了整帧数据总共缩放的位数。

核心公式：

$X_{final} = M \times 2^{-E}$

1.3.2 BFP 的运行机制：逐级动态监测

        对于1024点（5 级）Radix-4 FFT：

  •  峰值检测：在 Stage 1 计算前，硬件检测输入数据的峰值。
  • 自适应缩放：
    • 若信号极弱（如空间背景噪声）：硬件检测到没有溢出风险，本级执行 00（不移位），保留全部 24 bit 精度。
    • 若信号极强（如强电磁干扰）：硬件检测到峰值接近饱和，本级自动执行 10（右移 2 位） 防溢出。
  1. 阶码累加：每一级自动缩放的位数都会累加到 BLK_EXP 中。最终输出时，所有频点共享这一个阶码。

1.3.3 BFP 模式的优势分析

        在“波动探测”任务中，BFP 模式相比 16'haaaa 手动缩放具有显著优势：

  • 最大化信噪比 (SNR)：它能在处理微弱扫频信号时，自动找回因手动缩放丢失的低 10 位精度，动态范围提升最高可达 60 dB.
$DR_{gain} = 20 \times \log_{10}(2^{10}) = 20 \times 3.01 = \mathbf{60.2\text{ dB}} $
  • 防止系统“致盲”：手动缩放（如 16'h5555）在遇到突发强干扰时会溢出导致数据错乱；BFP 则能瞬间收缩量程，保证系统不崩溃。
  • 数学归一化：它在输出时自动完成了类似 1/N 的量级调整，且该调整是基于信号实际功率动态进行的。

1.3.4 工程实现要点

  • 接口变化：没有了缩放因子，但需要监听 m_axis_data_tuser 总线，从中提取 BLK_EXP 字段。
  • 资源权衡：BFP 需要额外的逻辑进行峰值比较，可能会增加 Hold 违例 的修复难度。

后端还原：在 MATLAB 解析时，真实的幅值需补回阶码：

$X_{true} =\frac{ X_{parsed} \cdot 2^{BLK\_EXP}}{N}$

        以上就是本次的笔记记录。

Read more

【Actix Web】Rust Web开发实战：Actix Web框架全面指南

【Actix Web】Rust Web开发实战：Actix Web框架全面指南

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯，先赞后看哦~🎈🎈 🏆 作者简介：景天科技苑 🏆《头衔》：大厂架构师，华为云开发者社区专家博主，阿里云开发者社区专家博主，ZEEKLOG全栈领域优质创作者，掘金优秀博主，51CTO博客专家等。 🏆《博客》：Rust开发，Python全栈，Golang开发，云原生开发，PyQt5和Tkinter桌面开发，小程序开发，人工智能，js逆向，App逆向，网络系统安全，数据分析，Django，fastapi，flask等框架，云原生K8S，linux，shell脚本等实操经验，网站搭建，数据库等分享。 所属的专栏：Rust语言通关之路 景天的主页：景天科技苑 文章目录 * Rust Web开发 * 一、Actix Web框架概述 * 1.1 Actix Web的特点 * 1.2 Actix Web与其他Rust框架比较
《AI IDE 巅峰对决：Cursor vs. Kiro 全方位深度体验报告（附 Token 消耗与避坑指南）》

《AI IDE 巅峰对决：Cursor vs. Kiro 全方位深度体验报告（附 Token 消耗与避坑指南）》

一、 开篇：当“快”不再是唯一标准 在过去的一年里，我们习惯了 Cursor 带来的“快”——Tab 一键补全，Chat 随问随答。但在面对复杂的企业级项目时，我们常遇到这样的痛点： * 对话轮数多了，AI 开始“胡言乱语”或忘记之前的设定。 * 代码写得很快，但文档没跟上，维护起来全是“债”。 * 功能写完了，一跑全是 Bug，排查时间比写代码还长。 这时，AWS 推出的 Kiro 给了我们另一种选择。它不急着写代码，而是先写文档。这听起来很反直觉，但在实际工程中，这可能是解决“代码屎山”的良药。 二、 核心体验：两种截然不同的编程哲学 1. Cursor：Chat-First（聊天优先）—— 速度即正义 Cursor

nlp_structbert_sentence-similarity_chinese-large保姆级教程：Streamlit Session State管理多用户会话

nlp_structbert_sentence-similarity_chinese-large保姆级教程：Streamlit Session State管理多用户会话 你是不是也遇到过这样的问题？用Streamlit做了一个很酷的AI应用，比如这个中文句子相似度分析工具，但每次刷新页面，输入框里的文字就没了，计算过的结果也清空了。或者，当你想同时为多个用户提供服务时，发现他们的数据会互相干扰。 今天，我就来手把手教你解决这个问题。我们将以nlp_structbert_sentence-similarity_chinese-large这个强大的中文语义匹配工具为例，深入讲解如何用Streamlit的Session State来优雅地管理多用户会话，让你的应用从“玩具”升级为“工具”。 学完这篇教程，你将掌握： 1. Session State的核心概念和工作原理。 2. 如何为你的AI应用（如句子相似度计算）添加稳固的会话记忆。 3. 实现多用户数据隔离的实战技巧。 4. 避免常见陷阱，打造更专业的Web应用。 准备好了吗？让我们开始吧。 1. 环境准备与项目回顾
医疗AI场景下算法编程的深度解析（2026新生培训讲稿）（八）

医疗AI场景下算法编程的深度解析（2026新生培训讲稿）（八）

第15章 模型融合与集成策略 在机器学习竞赛和实际应用中，模型融合（Model Ensemble）是提升预测性能的利器。通过组合多个不同的基模型，集成策略能够综合各个模型的优势，抵消单个模型的偏差和方差，从而获得比任何单一模型更稳定、更准确的预测结果。在医疗AI领域，模型融合同样具有重要价值——面对复杂多模态的医疗数据，单一模型往往难以全面捕捉所有信息，而融合多个异质模型可以提升诊断的鲁棒性和准确性。本章将从集成学习的基本思想出发，系统介绍常见的模型融合方法，包括投票法、平均法、Stacking、Blending等，并通过实战案例展示如何构建融合模型来提升疾病预测性能。 15.1 集成学习的基本思想 集成学习（Ensemble Learning）的核心思想是“三个臭皮匠，顶个诸葛亮”——通过结合多个学习器来完成学习任务，通常可以获得比单一学习器更优越的泛化性能。根据个体学习器的生成方式，集成学习主要分为两大类： * Bagging：并行训练多个独立的基学习器，然后通过平均或投票进行结合。典型代表是随机森林。Bagging主要降低方差。 * Boosting：串行训练基学习