ARM内核矩阵计算教程（STM32）

我们在嵌入式上跑矩阵运算时候，会遇到这样一个问题。

假设将矩阵设置成N*N维的二维数组后，我们想求两个矩阵相乘，那就需要按照矩阵计算规则编写矩阵相乘函数，这样的话4*4矩阵得编一个，5*5矩阵又得编一个，要求逆还得编一个，求行列式还得编。

自己写的函数代码效率容易低，将导致本来要跑在单片机上的算法，难达到想象计算速度。

这篇教程将教会你如何使用arm内核库的矩阵计算函数，让你降低代码编写难度还能提高运算效率。据笔者所知，M4内核自带DSP库。

1.创建新模板工程（这里使用的是keil创建工程）

创建一个对应MCU的新模板工程（添加必要的库引用和创建.C文件，详情略）

2.引入arm内核的DSP库文件（含矩阵计算库）

勾选CMSIS下的DSP，确认后将添加库引用至工程

3.添加矩阵函数库

在main函数添加引用，”arm_math.h”

还需在”option of target”中”C/C++”中的define栏添加“,ARM_MATH_CM4”以声明开启arm_math库

再到”option of target”中”target”勾选一下”Use MicroLIB”

4.矩阵计算

//声明大小为NN的浮点一维数组NN=N*N，此处将矩阵转换成一维数组

float32_t Data1[NN] = {};

float32_t Data2[NN] = {};

float32_t Data3[NN];

//声明ARM矩阵类型指针

arm_matrix_instance_f32 Matrix_data1;//再设立

arm_matrix_instance_f32 Matrix_data2;

arm_matrix_instance_f32 Matrix_data3;

//将一维数组地址赋予给ARM矩阵指针

arm_mat_init_f32(&Matrix_data1,N,N,(float32_t *)Data1);

arm_mat_init_f32(&Matrix_data2,N,N,(float32_t *)Data2);

arm_mat_init_f32(&Matrix_data3,N,N,(float32_t *)Data3);

//使用矩阵相乘函数arm_mat_mult_f32

arm_mat_mult_f32(&Matrix_data1,&Matrix_data2,&Matrix_data3);

总结分析

在ARM内核的单片机中， ARM提供了矩阵运算库”arm_math”。在设置好库引用后，需存入用一维数组表示的矩阵值，再将矩阵的一维数组传递给ARM_matrix的指针，在声明函数中将设置矩阵的行列数，再调用库中的各类运算指令就可。

Ps：在本人stm32单片机上测试，arm自带函数只能计算至16维以内（不含16维）的矩阵计算，大于等于16维矩阵单片机编译没报错，但单片机不正常运行。小编水平有限这个存在疑惑，欢迎大佬们交流。

附图

经测试80M的系统时钟下，两个15维矩阵相乘时间约430us，两个4维矩阵相乘时间仅需14us，这计算速度还是很让人满意的。

附上代码（注释部分为arm官方例程，包括相乘求逆求行列式）

#include "sys.h"
#include "delay.h"
#include "usart.h"
#include "arm_math.h"
#include<stdio.h>
#include<stdlib.h>#define N 4
#define NN 16float32_t a = 100;
float32_t Data1[NN] = {};
float32_t Data2[NN] = {};
float32_t Data3[NN];arm_matrix_instance_f32 Matrix_data1;
arm_matrix_instance_f32 Matrix_data2;
arm_matrix_instance_f32 Matrix_data3;//const float32_t B_f32[4] =
//{
//  782.0, 7577.0, 470.0, 4505.0
//};///* --------------------------------------------------------------------------------
//* Formula to fit is  C1 + C2 * numTaps + C3 * blockSize + C4 * numTaps * blockSize
//* -------------------------------------------------------------------------------- *///const float32_t A_f32[16] =
//{
//  /* Const,   numTaps,   blockSize,   numTaps*blockSize */
//  1.0,     32.0,      4.0,     128.0,
//  1.0,     32.0,     64.0,    2048.0,
//  1.0,     16.0,      4.0,      64.0,
//  1.0,     16.0,     64.0,    1024.0,
//};///* ----------------------------------------------------------------------
//* Temporary buffers  for storing intermediate values
//* ------------------------------------------------------------------- */
///* Transpose of A Buffer */
//float32_t AT_f32[16];
///* (Transpose of A * A) Buffer */
//float32_t ATMA_f32[16];
///* Inverse(Transpose of A * A)  Buffer */
//float32_t ATMAI_f32[16];
///* Test Output Buffer */
//float32_t X_f32[4];///* ----------------------------------------------------------------------
//* Reference ouput buffer C1, C2, C3 and C4 taken from MATLAB
//* ------------------------------------------------------------------- */
//const float32_t xRef_f32[4] = {73.0, 8.0, 21.25, 2.875};//float32_t snr;int i = 0,t = 0,j = 0;int main(void)
{HAL_Init();                         //初始化HAL库SystemClock_Config();             //初始化系统时钟为80M__HAL_RCC_GPIOE_CLK_ENABLE();       //开启GPIOE时钟uart_init(115200);      //初始化串口，速率为115200while(1){for(i=0;i<NN;i++)Data1[i]=rand()/(double)(RAND_MAX/100);for(i=0;i<NN;i++)Data2[i]=rand()/(double)(RAND_MAX/100);arm_mat_init_f32(&Matrix_data1,N,N,(float32_t *)Data1);arm_mat_init_f32(&Matrix_data2,N,N,(float32_t *)Data2);arm_mat_init_f32(&Matrix_data3,N,N,(float32_t *)Data3);arm_mat_mult_f32(&Matrix_data1,&Matrix_data2,&Matrix_data3);for(i=0;i<N;i++){for(j=0;j<N;j++)printf("%f  ",Data3[i*N+j]);printf("\r\n");}
//  arm_matrix_instance_f32 A;      /* Matrix A Instance */
//  arm_matrix_instance_f32 AT;     /* Matrix AT(A transpose) instance */
//  arm_matrix_instance_f32 ATMA;   /* Matrix ATMA( AT multiply with A) instance */
//  arm_matrix_instance_f32 ATMAI;  /* Matrix ATMAI(Inverse of ATMA) instance */
//  arm_matrix_instance_f32 B;      /* Matrix B instance */
//  arm_matrix_instance_f32 X;      /* Matrix X(Unknown Matrix) instance *///  uint32_t srcRows, srcColumns;  /* Temporary variables */
//  arm_status status;//  /* Initialise A Matrix Instance with numRows, numCols and data array(A_f32) */
//  srcRows = 4;
//  srcColumns = 4;
//  arm_mat_init_f32(&A, srcRows, srcColumns, (float32_t *)A_f32);
//
//  /* Initialise Matrix Instance AT with numRows, numCols and data array(AT_f32) */
//  srcRows = 4;
//  srcColumns = 4;
//  arm_mat_init_f32(&AT, srcRows, srcColumns, AT_f32);
//  //  /* calculation of A transpose */
//  status = arm_mat_trans_f32(&A, &AT);// for(i=0;i<16;i++)
//      printf("%f,",AT_f32[i]);
//  printf("\r\n");//  /* Initialise ATMA Matrix Instance with numRows, numCols and data array(ATMA_f32) */
//  srcRows = 4;
//  srcColumns = 4;
//  arm_mat_init_f32(&ATMA, srcRows, srcColumns, ATMA_f32);//  /* calculation of AT Multiply with A */
//  status = arm_mat_mult_f32(&AT, &A, &ATMA);//  /* Initialise ATMAI Matrix Instance with numRows, numCols and data array(ATMAI_f32) */
//  srcRows = 4;
//  srcColumns = 4;
//  arm_mat_init_f32(&ATMAI, srcRows, srcColumns, ATMAI_f32);//  /* calculation of Inverse((Transpose(A) * A) */
//  status = arm_mat_inverse_f32(&ATMA, &ATMAI);//  /* calculation of (Inverse((Transpose(A) * A)) *  Transpose(A)) */
//  status = arm_mat_mult_f32(&ATMAI, &AT, &ATMA);//  /* Initialise B Matrix Instance with numRows, numCols and data array(B_f32) */
//  srcRows = 4;
//  srcColumns = 1;
//  arm_mat_init_f32(&B, srcRows, srcColumns, (float32_t *)B_f32);//  /* Initialise X Matrix Instance with numRows, numCols and data array(X_f32) */
//  srcRows = 4;
//  srcColumns = 1;
//  arm_mat_init_f32(&X, srcRows, srcColumns, X_f32);//  /* calculation ((Inverse((Transpose(A) * A)) *  Transpose(A)) * B) */
//  status = arm_mat_mult_f32(&ATMA, &B, &X);/* Comparison of reference with test output */snr = arm_snr_f32((float32_t *)xRef_f32, X_f32, 4);}
}

ARM内核矩阵计算教程（STM32）相关推荐

arm 架构_Arm架构之Arm内核解析
Arm架构已经主导了当今嵌入式处理和计算市场,但在过去的几十年里,Arm 架构却走过了漫长的道路.从20世纪80年代开始,它起初是作为家用电脑处理器,然后在20世纪90年代成为手机芯片的基础.如今,在 ...
一些常见的处理器如arm，arduino，stm32，51，树莓派的联系和区别，还有各自的长短板？
先理清楚一些概念,然后我们再说下区别. 什么是处理器? 常常说的处理器,指的是CPU,擅长做计算,一般主频用Ghz来计算,因为频率很高,适合跑系统,比如Linux.市面上常用的处理器有Intel AM ...
Linux arm 内核选项和busybox选项加载tun模块 -- 创建/dev/tun 字符设备
Linux arm 内核选项和busybox选项加载tun/tap模块 – 创建/dev/tun 字符设备可以参考博客1: linux下TUN/TAP虚拟网卡的使用可以参考博客2:ubuntu下 ...
指令集架构、arm内核、SoC、处理器、CPU、GPU等的关系
指令集架构如:ARMv5.ARMv6.ARMv7-A/R.ARMv8-A [28] ARM内核如:ARM7.ARM9.ARM11(v6).到cortex-A7.A8.A9.A12.A15(v7-A/R ...
TinyML设备设计的Arm内核
TinyML设备设计的Arm内核 Arm cores designed for TinyML devices Arm推出了两个新的IP核,旨在为终端设备.物联网设备和其低功耗.成本敏感的应用程序提供机 ...
ARM嵌入式编程之STM32的命名方法 STM32F103VET6命名解释
ARM嵌入式编程之STM32的命名方法 STM32F103VET6命名解释: ARM嵌入式编程之STM32的命名方法 STM32F103VET6命名解释
Cortex系列ARM内核介绍
众所周知,英国的ARM公司是嵌入式微处理器世界当中的佼佼者.ARM一直以来都是自己研发微处理器内核架构,然后将这些架构的知识产权授权给各个芯片厂商,精简的CPU架构,高效的处理能力以及成功的商业模式 ...
详谈ARM架构与ARM内核发展史
戳蓝字"CSDN云计算"关注我们哦! 作者 | 架构师技术联盟责编 | 阿秃 1.ARM架构与ARM内核 1.1 ARM架构与内核简述目前为止,ARM总共发布8种架构:ARMv ...
CH579 Cortex-M0 内核低功耗蓝牙 MCU 集成 ARM 内核 32 位微控制器
概述 CH579 是集成 BLE 无线通讯的 ARM 内核 32 位微控制器.片上集成低功耗蓝牙 BLE 通讯模块.以太网控制器及收发器.全速 USB 主机和设备控制器及收发器.段式 LCD 驱动模块 ...
MRS 配套ARM内核单片机烧录工具使用说明（RISCV/ARM IDE）
MRS 配套ARM内核单片机烧录工具使用说明V1.0 一. 概述 WCH-Link Utility是一款配合WCH-Link(V1.40及以后固件版本)使用的SWD方式单片机代码烧录工具.(软件位置: ...

ARM内核矩阵计算教程（STM32）

ARM内核矩阵计算教程（STM32）相关推荐

最新文章

热门文章