浮点运算转定点运算

与afreez一起学习DSP中浮点转定点运算

一：浮点与定点概述

1.1相关定义说明

定点数：通俗的说，小数点固定的数。以人民币为例，我们日常经常说到的如123.45￥，789.34￥等等，默认的情况下，小数点后面有两位小数，即角，分。如果小数点在最高有效位的前面，则这样的数称为纯小数的定点数，如0.12345，0.78934等。如果小数点在最低有效位的后面，则这样的数称为纯整数的定点数，如12345，78934等。

浮点数：一般说来，小数点不固定的数。比较容易的理解方式是，考虑以下我们日常见到的科学记数法，拿我们上面的数字举例，如123.45，可以写成以下几种形式：

12.345x101

1.2345 x102

0.12345 x103xi

……

为了表示一个数，小数点的位置可以变化，即小数点不固定。

1.2定点数与浮点数的对比

为了简单的把问题描述清楚，这里都是十进制数字举例，详细的分析，大家可以在后面的文章中看到。

(1)表示的精度与范围不同

例如，我们用4个十进制数来表达一个数字。对于定点数（这里以定点整数为例），我们表示区间[0000，9999]中的任何一个数字，但是如果我们要想表示类似1234.3的数值就无能为力了，因为此时的表示精度为1/100=1；如果采用浮点数来表示（以归整的科学记数法，即小数点前有一位有效位，为例），则可以表示[0.000，9.999]之间的任何一个数字，表示的精度为1/103=0.001，精度比上一种方式提高了很多，但是表示的范围却小了很多。

也就是说，一般的，定点数表示的精度较低，但表示的数值范围较大；而浮点数恰恰相反。

(2)计算机中运算的效率不同

一般说来，定点数的运算在计算机中实现起来比较简单，效率较高；而浮点数的运算在计算机中实现起来比较复杂，效率相对较低。

(3)硬件依赖性

一般说来，只要有硬件提供运算部件，就会提供定点数运算的支持（不知道说的确切否，没有听说过不支持定点数运算的硬件），但不一定支持浮点数运算，如有的很多嵌入式开发板就不提供浮点运算的支持。

1.3与DSP的关系

一般说来，DSP处理器可以分为两大类：定点与浮点。两者相比较而言，定点DSP处理器速度快，功耗低，价格也便宜；而浮点DSP则计算精度高，动态范围大。

二：浮点数的存储格式

2.1 IEEE floating point standard

上面我们说了，浮点数的小数点是不固定的，如果每个人都按照自己的爱好存储在电脑里，那不就乱套了吗？那么怎么在计算机中存储这种类型的数字呢？象这类古老的问题前人早都为我们做好了相应的规范，无规矩不成方圆吗。我们平时所说的浮点数的存储规范，就是由IEEE指定的，具体的规范文件是：IEEE Standard 754 for Binary Floating-Point Arithmetic。大家可以很容易的从网络上下载到这篇文档。

下面，偶就大致的描述一下，感兴趣的“同志”们可以阅读原文。

在c语言中，单精度（float）数据类型为32bits，具体的如下图所示：

整个32bits分三部分，即

Sign：符号位，1 bit，0为正，1为负；

Exponent(bias)：指数部分，8 bits，存储格式为移码存储（后面还会说明），偏移量为127；

Mantissa(fraction)：尾数部分。

对应的双精度（double）类型的格式为：

同样，64位也被分为了三部分，对照单精度，不用我说就可以理解各个部分的含义了吧？

是不是有点迷糊了，不要怕，理论这个东西最能忽悠人了，看起来很高深，其实也就是个屁大的事，举个例子就很容易明白了。

举例说明，如3.24x103，则对应的部分为，Sign为0，3为指数部分（注意计算机里面存储的不是3，这里仅仅为了说明），3.24为尾数。我们知道，计算机“笨”的要死，只认识0和1，那么到底一个浮点数值在计算机存储介质中是如何存储的呢？

例如，我们要想偷窥浮点类型的值4.25在计算机硬盘中存储的庐山真面目，请跟我来：首先把4.25转换成二进制的表达方式，即100.01，在详细点，变成1.0001x22，好了，对号入座把。

Sign=0;

Exponent(bias)=2+127=129 （偏移量为127，就是直接加上个127了）；

Mantissa=1.0001-1.0=0001（规格化后，小数点前总是整数1，全世界人都知道前面是1不是0，所以省略不写了，即尾数部分不包括整数部分；当别人问你，为什么23 bit的尾数部分可以表示24位的精度，知道怎么回答了吧。靠，什么，没有看懂，再仔细读两便就知道了）。

对照上面的图示，相信你已经看明白了吧？相信你的智商。为了加深认识，再来一个。如果给定你一个二进制数字串，01000000100010000000000000000000，并告诉你这是一个float 类型的值，让你说出它是老几，知道怎么算了吧？如果不知道，看下面的图，我就不废话解释了。

2．2深入理解浮点存储格式

为了更深入的理解浮点数的格式。我们使用C语言来做一件事。在C语言的世界里，强制类型转换，大家应该都很熟悉了。例如：

…

float f=4.6;

int i;

…

i = (int)(f+0.5); // i=5

..

下面我们不使用强制类型转化，我们自己来计算f转换成整形应该等于几？

把主要代码帖出来，如下：

//取23+1位的尾数部分

int ival= ((*(int *)(&fval)) & 0x07fffff) | 0x800000;

// 提取指数部分

int exponent = 150 - (((*(int *)(&fval)) >> 23) & 0xff);

if (exponent < 0)

ival = (ival<< -exponent);

else

ival = (ival >> exponent);

// 如果小于0，则将结果取反

if ((*(int *)&fval) & 0x80000000)

ival = -ival;

好好琢磨琢磨吧，看明白了，就说明你基本明白了浮点数的存储格式，如果没有看明白，接着看，知道明白为止。

3.定点数的加减乘除运算

简单的说，各种运算的原则就是先把待运算的数据放大一定的倍数，在运算的过程中使用的放大的数据，在最终需要输出结果的时候再调整回去。

举个例来说，有如下运算：

…

// coefs1 = 0.023423; coefs2=0.2131

float coefs1,coefs2;

int result;

…

result = 34* coefs1+72* coefs2;

…

代码的意思是，该模块需要输出一个整型的结果，但计算的过程中有浮点的运算。如果在定点的DSP中，这段代码是无法运行的。

为了解决这个问题，我们可以这样处理：首先，把coefs1，coefs2等类似的浮点数据扩大一定的倍数（具体扩大多少倍，依据精度要求不同），我们暂且把小数点向右移动4位，也就是扩大的倍数为：*10000，在最终的输出的时候在缩小相同的倍数。修改后的代码大致如下：

// coefs1 = 234; coefs2= 2131

int coefs1,coefs2;

int result;

…

result = 34* coefs1+72* coefs2;

result /= 10000;

…

当然，上面的例子为了大家好理解，写的可能不是太正确，不过基本的精髓应该是这些了。具体的处理过程，大家可以在网上搜索“第3章 DSP芯片的定点运算.doc”这篇文章，写的很具体，这里不再罗嗦了。

4.定点数模拟浮点数运算及常见的策略

相信大家到现在已经大致明白了浮点数转换成定点数运算的概貌。其实，原理讲起来很简单，真正应用到实际的项目中，可能会遇到各种各样的问题。具我的经验，常见的策略有如下几条：

1）除法转换为乘法或移位运算

我们知道，不管硬件平台如果变换，除法运算所需要的时钟周期都远远多于乘法运算和加减移位运算，尤其是在嵌入式应用中，“效率”显得尤为重要。以笔者的经验，其实，项目中的很大一部分除法运算是可以转换成乘法和移位运算，效率还是有很大提升空间的。

2）查表计算

有些运算表达式可能牵扯到很多头疼的数学公式，尤其是在嵌入式硬件平台上，出现这种公式很是头疼，因为硬件相关的软件平台提供的功能很有限，有的就没有很多“常见”的开方等数学公式。如果该类运算在项目中很少出现，而且其取值的个数也不多，那么就可以考虑对各种情况加以分析，把各种可能的结果制作成一个静态的表格（可以理解成数组），再加以简单的条件判断语句就可以解决该类问题。

3）级数展开

该问题的背景同上面的问题。对于一些数学公式，如果取值范围不好处理，就可以采用级数展开的方式。

4）分子分母同时变化

对于一些除法运算，为了保证精度，如果分子的扩大范围不够大的话，可以考虑缩小分母，也可以达到预期效果。具体的例子可以参考我的另一篇文章“解决了个困扰了2天的问题,定点运算问题”。

分母变小了，相当于左移了

a=1-b/c;

|b|

|c|=pow(2,26)

|a|<1

在运算个过程中，需要把该运算转换成定点运算。

想了2天，都没有想出怎么可以保证a的精度，因为a可能很小，如果简单的

a<<=8;

是无法保证a的精度的。

今天快要下班时，突然有灵机一动：

c>>=6;

b<<=8;

a=1<<14-b/c; //相当于a<<14，保证了a的精度

分子不能左移太多位，分母右移，解决问题了。

发散思维说起来很容易，做起来不容易呀！

5．举例及编程中的心得

5．1举例

“第3章 DSP芯片的定点运算.doc”这篇文章中给了一个很简单有能说明问题的例子，不想动大脑了，直接引用过来如下。

这是一个对语音信号(0.3kHz~3.4kHz)进行低通滤波的C语言程序，低通滤波的截止频率为800Hz，滤波器采用19点的有限冲击响应FIR滤波。语音信号的采样频率为8kHz，每个语音样值按16位整型数存放在insp.dat文件中。

例3.7语音信号800Hz 19点FIR低通滤波C语言浮点程序

#include

const int length = 180 /*语音帧长为180点＝22.5ms@8kHz采样*/

void filter(int xin[ ],int xout[ ],int n,float h[ ]); /*滤波子程序说明*/

/*19点滤波器系数*/

static float h[19]=

{0.01218354,-0.009012882,-0.02881839,-0.04743239,-0.04584568,

-0.008692503,0.06446265,0.1544655,0.2289794,0.257883,

0.2289794,0.1544655,0.06446265,-0.008692503,-0.04584568,

-0.04743239,-0.02881839,-0.009012882,0.01218354};

static int x1[length+20];

/*低通滤波浮点子程序*/

void filter(int xin[ ],int xout[ ],int n,float h[ ])

{

int i,j;

float sum;

for(i=0;i

for (i=0;i

{

sum=0.0;

for(j=0;j

xout[i]=(int)sum;

}

for(i=0;i<(n-1);i++) x1[n-i-2]=xin[length-1-i];

}

/*主程序*/

void main( )

{

FILE *fp1,*fp2;

int frame,indata[length],outdata[length];

fp1=fopen(insp.dat,"rb"); /*输入语音文件*/

fp2=fopen(outsp.dat,"wb"); /*滤波后语音文件*/

frame=0;

while(feof(fp1)==0)

{

frame++;

printf("frame=%d\n",frame);

for(i=0;i

filter(indata,outdata,19,h); /*调用低通滤波子程序*/

for(i=0;i

}

fcloseall( ); /*关闭文件*/

return(0);

}

例3.8语音信号800Hz 19点FIR低通滤波C语言定点程序

#include

const int length=180;

void filter(int xin[ ],int xout[ ],int n,int h[ ]);

static int h[19]={399,-296,-945,-1555,-1503,-285,2112,5061,7503,8450,

7503,5061,2112,-285,-1503,-1555,-945,-296,399}; /*Q15*/

static int x1[length+20];

/*低通滤波定点子程序*/

void filter(int xin[ ],int xout[ ],int n,int h[ ])

{

int i,j;

long sum;

for(i=0;i

for (i=0;i

{

sum=0;

for(j=0;j

xout[i]=sum>>15;

}

for(i=0;i<(n-1);i++) x1[n-i-2]=xin[length-i-1];

}

主程序与浮点的完全一样。

5．2编程中的心得

通过上边的例子，相信大家都大致明白了转换的过程。一个函数模块如此，一个大的软件项目的转换也无非如此。所不同的是，对于一个项目，很少有一个个单独的模块，一般都是几个或数个模块都有联系，千一发而动全身，所以，再进行转换之前，最好理清各个软件模块之间的关系。

协调，协调，再协调。

写到这里，与afreez一起学习DSP中浮点转定点运算这个问题的讨论终于可以收笔了。拖拖拉拉，拉了有3个月之久，现在终于可以了却自己的愧疚了。从第三部分开始，写的有写着急，因为没有足够的时间来写，还想把剩下的写完，只能这么解决了。我想，文章只是给出学者一个思路，如果自己以后遇到了这样的问题，还需要自己去探索的，没有一劳永逸的文章，毕竟问题都各个不同吗。

文章中难免有不妥之处，欢迎大家批评指正！

另外，自从发了该系列文章中的前两篇后，邮箱陆续收到一些朋友的email，我想，如果大家对这个问题感兴趣，可以多多的回帖，一方面，我回帖方便（不是太经常看油箱），一方面，也可以增加点这里的人气，哈哈。

浮点数结构详解

附录D What Every Computer Scientist Should Know About Floating-Point Arithmetic 注 – 本附录是对论文《What Every Computer Scientist Should Know About Floating- Point Arithmetic》（作者：David Goldberg，发表于 1991 年 3 月号的《Computing Surveys》）进行编辑之后的重印版本。版权所有 1991，Association for Computing Machinery, Inc.，经许可重印。 D.1摘要 许多人认为浮点运算是一个深奥的主题。这相当令人吃惊，因为浮点在计算机系统中是普 遍存在的。几乎每种语言都有浮点数据类型；从 PC 到超级计算机都有浮点加速器；多 数编译器可随时进行编译浮点算法；而且实际上，每种操作系统都必须对浮点异常（如 溢出）作出响应。本文将为您提供一个教程，涉及的方面包含对计算机系统设计人员产生 直接影响的浮点运算信息。它首先介绍有关浮点表示和舍入误差的背景知识，然后讨论 IEEE 浮点标准，最后列举了许多示例来说明计算机生成器如何更好地支持浮点。 类别和主题描述符：（主要）C.0 [计算机系统组织]：概论—指令集设计；D.3.4 [程 序设计语言]：处理器—编译器，优化；G.1.0 [数值分析]：概论—计算机运算，错 误分析，数值算法（次要） D.2.1 [软件工程]：要求/规范—语言；D.3.4 程序设计语言]：正式定义和理论— 语义；D.4.1 操作系统]：进程管理—同步。 一般术语：算法，设计，语言 其他关键字/词：非规格化数值，异常，浮点，浮点标准，渐进下溢，保护数位，NaN， 溢出，相对误差、舍入误差，舍入模式，ulp，下溢。 D-1

浮点数的表示和基本运算

浮点数的表示和基本运算 1 浮点数的表示 通常，我们可以用下面的格式来表示浮点数 S P M 其中S是符号位，P是阶码，M是尾数 对于IBM-PC而言，单精度浮点数是32位（即4字节）的，双精度浮点数是64位（即8字节）的。两者的S，P，M所占的位数以及表示方法由下表可知 S P M表示公式偏移量 1823(-1)S*2(P-127)*1.M127 11152(-1)S*2(P-1023)*1.M1023 以单精度浮点数为例，可以得到其二进制的表示格式如下 S(第31位)P(30位到 23位) M(22位到 0位) 其中S是符号位，只有0和1，分别表示正负；P是阶码，通常使用移码表示（移码和补码只有符号位相反，其余都一样。对于正数而言，原码，反码和补码都一样；对于负数而言，补码就是其绝对值的原码全部取反，然后加1.） 为了简单起见，本文都只讨论单精度浮点数，双精度浮点数也是用一样的方式存储和表示的。 2 浮点数的表示约定 单精度浮点数和双精度浮点数都是用IEEE754标准定义的，其中有一些特殊约定。 （1） 当P = 0, M = 0时，表示0。 （2） 当P = 255, M = 0时，表示无穷大，用符号位来确定是正无穷大还是负无穷大。

（3） 当P = 255, M != 0时，表示NaN（Not a Number，不是一个数）。 当我们使用.Net Framework的时候，我们通常会用到下面三个常量 Console.WriteLine(float.MaxValue); // 3.402823E+38 Console.WriteLine(float.MinValue); //-3.402823E+38 Console.WriteLine(float.Epsilon); // 1.401298E-45 //如果我们把它们转换成双精度类型，它们的值如下 Console.WriteLine(Convert.ToDouble(float.MaxValue)); // 3.40282346638529E+38 Console.WriteLine(Convert.ToDouble(float.MinValue)); //-3.40282346638529E+38 Console.WriteLine(Convert.ToDouble(float.Epsilon)); // 1.40129846432482E-45 那么这些值是如何求出来的呢？ 根据上面的约定，我们可以知道阶码P的最大值是11111110（这个值是254，因为255用于特殊的约定，那么对于可以精确表示的数来说，254就是最大的阶码了）。尾数的最大值是11111111111111111111111。 那么这个最大值就是：0 11111110 11111111111111111111111。 也就是 2(254-127) * (1.11111111111111111111111)2 = 2127 * (1+1-2-23) = 3.40282346638529E+38 从上面的双精度表示可以看出，两者是一致的。最小的数自然就是- 3.40282346638529E+38。 对于最接近于0的数，根据IEEE754的约定，为了扩大对0值附近数据的表示能力，取阶码P = -126，尾数 M = (0.00000000000000000000001)2 。此时该数的二进制表示为：0 00000000 00000000000000000000001 也就是2-126 * 2-23 = 2-149 = 1.40129846432482E-45。这个数字和上面的Epsilon 是一致的。 如果我们要精确表示最接近于0的数字，它应该是 0 00000001 00000000000000000000000 也就是：2-126 * (1+0) = 1.17549435082229E-38。 3 浮点数的精度问题 浮点数以有限的32bit长度来反映无限的实数集合，因此大多数情况下都是一个近似值。同时，对于浮点数的运算还同时伴有误差扩散现象。特定精度下看似

浮点数表示方法与运算

在计算机系统的发展过程中，曾经提出过多种方法表达实数，典型的比如定点数。在定点数表达方式中，小数点位置固定，而计算机字长有限，所以定点数无法表达很大和很小的实数。最终，计算机科学发展出了表达范围更大的表达方式——浮点数，浮点数也是对实数的一种近似表达。 1.浮点数表达方式 我们知道任何一个R 进制数N 均可用下面的形式表示：N R =±S ×R ±e 其中，S—尾数，代表N 的有效数字； R—基值，通常取2、8、16；e—阶码，代表N 的小数点的实际位置(相当于数学中的指数)。 比如一个十进制数的浮点表达1.2345×102，其中1.2345为尾数，10为基数，2为阶码。一个二进制数的浮点表达0.001001×25，0.001001为尾数，2为基数，5为阶码；同时0.001001×25也可以表示成0.100100×23，0.100100为尾数，2为基数，3为阶码。浮点数就是利用阶码e 的变化达到浮动小数点的效果，从而灵活地表达更大范围的实数。 2.浮点数的规格化 一个数用浮点表示时，存在两个问题：一是如何尽可能多得保留有效数字；二是如何保证浮点表示的唯一。 对于数0.001001×25，可以表示成0.100100×23、0.00001001×27等等，所以对于同一个数，浮点有多种表示(也就是不能唯一表示)。另外，如果规定尾数的位数为6位，则0.00001001×27会丢掉有效数字，变成0.000010×27。因此在计算机中，浮点数通常采用规格化表示方法。 当浮点数的基数R 为2，即采用二进制数时，规格化尾数的定义为：1/2<=|S|<1。若尾数采用原码(1位符号位+n 位数值)表示，[S]原=S f S 1S 2S 3…S n (S f 为符号位的数符)，则满足S 1=1的数称为规格化数。即当尾数的最高有效位S 1=1，[S]原=S f 1S 2S 3…S n ,表示该浮点数为规格化数。对0.001001×25进行规格化后，表示为0.100100×23。 3.浮点数的表示范围 求浮点数的表示范围，实质是求浮点数所能表示的最小负数、最大负数、最小正数和最大正数。

浮点数的加减乘除运算步骤

设两个浮点数X=Mx※2Ex Y=My※2Ey 实现X±Y要用如下5步完成： ①对阶操作：小阶向大阶看齐 ②进行尾数加减运算 ③规格化处理：尾数进行运算的结果必须变成规格化的浮点数，对于双符号位的补码尾数来说，就必须是001×××…×× 或110×××…××的形式, 若不符合上述形式要进行左规或右规处理。 ④舍入操作：在执行对阶或右规操作时常用“0”舍“1”入法将右移出去的尾数数值进行舍入，以确保精度。 ⑤判结果的正确性：即阶码是否溢出 若阶码下溢（移码表示是00…0），要置结果为机器0； 若阶码上溢（超过了阶码表示的最大值）置溢出标志。 例题：假定X=0 .0110011*211，Y=0.1101101*2-10（此处的数均为二进制）?? 计算X+Y；解：[X]浮：0 1010 1100110 [Y]浮：0 0110 1101101 符号位阶码尾数 第一步：求阶差：│ΔE│=|1010-0110|=0100 第二步：对阶：Y的阶码小，Y的尾数右移4位 [Y]浮变为0 1010 0000110 1101暂时保存 第三步：尾数相加，采用双符号位的补码运算 00 1100110 +00 0000110 00 1101100 第四步：规格化：满足规格化要求 第五步：舍入处理，采用0舍1入法处理 故最终运算结果的浮点数格式为：0 1010 1101101， 即X+Y=+0. 1101101*210

①阶码运算：阶码求和（乘法）或阶码求差（除法） 即[Ex+Ey]移= [Ex]移+ [Ey]补 [Ex－Ey]移= [Ex]移+ [－Ey]补 ②浮点数的尾数处理：浮点数中尾数乘除法运算结果要进行舍入处理 例题：X=0 .0110011*211，Y=0.1101101*2-10 求X※Y 解：[X]浮：0 1 010 ******* [Y]浮：0 0 110 1101101 第一步：阶码相加 [Ex+Ey]移=[Ex]移+[Ey]补=1 010+1 110=1 000 1 000为移码表示的0 第二步：原码尾数相乘的结果为： 0 10101101101110 第三步：规格化处理：已满足规格化要求，不需左规，尾数不变，阶码不变。第四步：舍入处理：按舍入规则，加1进行修正 所以X※Y= 0.1010111※2+000

浮点数计算方式

2.3.4二进制转10进制及10进制转为二进制 【例2-3-4】 把二进制110.11转换成十进制数，及十进制转为二进制。 解： （110.11）2 =1×22＋1×21＋1×20＋1×2-1＋1×2-2 ＝4＋2＋0＋0.5＋0.25＝（6.75）10 把十进制转换为二进制 解： 2 6 0 2 3 1 1 1 所以实数部分为110 0.75×（2×2-1）＝0.75×2×2-1 ＝1×2-1＋0.5×2-1 ＝1×2-1＋1×2-2 所以结果为：（110.11）2 2.3.5 浮点数在计算机中存储形式 当前主流微机中广泛采用的IEEE754标准浮点格式。 按IEEE754标准，常用的浮点数（32位短实数）的格式如图2-3所示。

IEEE754标准浮点格式 N=2e.M （M为浮点尾数，为纯小数，e为浮点数的指数（阶码））尾数部分决定了浮点数的精度，阶码决定了表示范围32为浮点数（IEEE754标准格式0—22为尾数M，23-30为阶码E，31为符号位S），阶码用移码表示。阶码E=指数真值e+127 规格化真值x=(-1)^S*(1.M)*2^(E-127) 将(82.25)10 转换成短浮点数格式。 1）先将(82.25)10 转换成二进制数 (82.25)10 =(1010010.01)2 2）规格化二进制数(1010010.01)2 1010010.01=1.01001001×2 6 尾数M=01001001 3）计算移码表示的阶码=偏置值+阶码真值： E=127+6=133=10000101 4）以短浮点数格式存储该数 因此：符号位=0 S=0表示该数为正数 阶码=10000101 由3）可得 尾数=01001001000000000000000 由2）可得；尾数为23位， 不足在后面添15位0 所以，短浮点数代码为： 0；10000101；01001001000000000000000 表示为十六进制代码为：42A48000H

浮点数在计算机中的存储方式

C语言和C#语言中，对于浮点类型的数据采用单精度类型（float）和双精度类型(double)来存储，float数据占用32bit,double数据占用64bit,我们在声明一个变量float f= 2.25f的时候，是如何分配内存的呢？如果胡乱分配，那世界岂不是乱套了么，其实不论是float还是double在存储方式上都是遵从IEEE 的规范的，float遵从的是IEEE R32.24 ,而double 遵从的是R64.53。 无论是单精度还是双精度在存储中都分为三个部分： 1.符号位(Sign) : 0代表正，1代表为负 2.指数位（Exponent）:用于存储科学计数法中的指数数据，并且采用移 位存储 3.尾数部分（Mantissa）：尾数部分 其中float的存储方式如下图所示： 而双精度的存储方式为: R32.24和R64.53的存储方式都是用科学计数法来存储数据的，比如8.25 用十进制的科学计数法表示就为:8.25*,而120.5可以表示 为:1.205*,这些小学的知识就不用多说了吧。而我们傻蛋计算机根本不认 识十进制的数据，他只认识0，1，所以在计算机存储中，首先要将上面的数更改为二进制的科学计数法表示，8.25用二进制表示可表示为1000.01,我靠，不会连这都不会转换吧?那我估计要没辙了。120.5用二进制表示为：1110110.1用二进制的科学计数法表示1000.01可以表示为

1.0001*,1110110.1可以表示为1.1101101*,任何一个数都的科学计 数法表示都为1.xxx*,尾数部分就可以表示为xxxx,第一位都是1嘛，干嘛还要表示呀？可以将小数点前面的1省略，所以23bit的尾数部分，可以表示的精度却变成了24bit，道理就是在这里，那24bit能精确到小数点后几位呢，我们知道9的二进制表示为1001，所以4bit能精确十进制中的1位小数点，24bit就能使float能精确到小数点后6位，而对于指数部分，因为指数可正可负，8位的指数位能表示的指数范围就应该为:-127-128了，所以指数部分的存储采用移位存储，存储的数据为元数据+127，下面就看看8.25和120.5在内存中真正的存储方式。 首先看下8.25，用二进制的科学计数法表示为:1.00001* 按照上面的存储方式，符号位为:0，表示为正，指数位为:3+127=130 ,位数部分为,故8.25的存储方式如下图所示: 而单精度浮点数120.5的存储方式如下图所示:

浮点运算

STM32-F4属于Cortex-M4构架，与M0、M3的最大不同就是有硬件浮点运算FPU，数学计算速度相比普通cpu运算快上几十倍。想要使用FPU首先包含#include “arm_math.h”，还有在keil的target选项中勾选use single precision。 1.1 简单的FPU运算性能测试 测试条件是开启一个100ms定时器，定时串口打印计算次数，优化级别是0，main函数中运行的代码如下： float a=1.1,b=1.2,c=1.3,d=1.4; 1、FPU运算474566次，CPU运算64688次，除法速度快了7.3倍多。 c = b / d; 2、FPU运算722169次，CPU运算244271次，乘法运算快了3倍。FPU的乘法运算比除法运算快1.5倍。 c = b * d; 3、FPU运算19398次，CPU运算19628次，FPU的双精度除法运算没有优势，比单精度运算慢了24.5倍 c = b / 1.4; 4、FPU运算503321次，CPU运算65450次，单精度常数和变量的运算差不多，单精度常数的除法快6%左右，这根编译器的关系比较大。 c = b / 1.4f; 5、FPU运算519073次，跟下面比较说明整形常数和单精度常数的除法运算速度几乎一样。

c = b / 3; 6、FPU运算519057次 c = b / 3.0f; 7、FPU运算263643次 c = arm_cos_f32(1.3f); 8、FPU运算3949次，说明IT给的DSP库运算速度还是很给力的，速度快了67倍 c = cos(1.3f); 1.2 代码设置 旧版本的keil设置如下，但是发现我使用的keil5包含的新固件库已经不需要这一步了。 如果没有启动FPU而使用数学函数运算时，CPU执行时认为遇到非法指令而跳转到HardFault_Handler()中断函数中死循环。因此，需要在系统初始化时开启FPU。在system_stm32f4xx.c中的SystemInit()函数中添加如下代码： /* FPU settings ------------------------------------------------------------*/ #if (__FPU_PRESENT == 1) && (__FPU_USED == 1) SCB->CPACR |= ((3UL << 10*2)|(3UL << 11*2)); /* set CP10 and CP11 Full Access */ #endif 当__FPU_PRESENT=1且__FPU_USED=1时，编译时就加入了启动FPU的代码，CPU也就能正确高效的使用FPU进行简单的加减乘除。需要使用固件库自带的arm_math.h而非编译器自带的math.h，这个文件根据编译控制项（__FPU_USED ==1）来决定是使用哪一种函数方法：如果没有使用FPU，那就调用keil的标准math.h头文件中定义的函数；如果使用了FPU，那就是用固件库自带的优化函数来解决问题。

浮点数的加减法运算

计算机组成与结构 之 浮点数的加减法运算 学生组所在学院：燕山大学信息学院 学生组所在班级：2014级计算机1 班 学生组姓名：陈朝俊张海傅晓欣曲佳彤

地址：中国河北省秦皇岛市河北大街438号邮编：066004 电话： 传真： 网址：

浮点数加减法运算简介 大型计算机和高档微型机中，浮点加减法运算是由硬件完成的。低档的微型机浮点加减法运算是由软件完成的，但不论用硬件实现还是软件实现，基本原理是一致的。 浮点加减法运算要经过对阶、尾数加减运算、结果规格化、舍入处理、溢出判断五步操作。其中尾数运算与定点加减法运算相同，而对阶、规格化、舍入和溢出判断，则是浮点加减法运算和定点加减法运算不同的操作之处。 在补码浮点运算中，阶码与尾数可以都用补码表示。在硬件实现的运算中，阶码和数符常采用双符号位。 浮点数的表示形式 浮点数的表示形式(假设以2为底)： N=M·2E 其中，M为浮点数的尾数，一般为绝对值小于1的规格化二进制小数，用原码或补码形式表示；E为浮点数的阶码，一般是用移码或补码表示的整数。 阶码的底除了2以外，还有用8或16表示的，这里暂且只以2为底进行讨论。

浮点数加减法运算的步骤 设两浮点数X、Y进行加减运算，其中：X=M X·2EX，Y=M Y·2EY 一般由以下五个步骤完成：

规 格 化 浮 点 数 加 减 运 算 流 程 一、对阶 1.对阶是指将两个进行运算的浮点数的阶码对齐的操作。对阶的目

的是为了使两个浮点数的尾数能够进行加减运算。因为，当进行MX·2EX 与MY·2EY加减运算时，只有使两浮点数的指数值部分相同，才能将相同的指数值作为公因数提出来，然后进行尾数的加减运算。 2.对阶的具体方法是：首先求出两浮点数阶码的差，即ΔE＝Ex-Ey，将小阶码加上ΔE，使之与大阶码相等，同时将小阶码对应的浮点数的尾数右移ΔE位，以保证该浮点数的值不变。 3.几点注意： （1）对阶的原则是小阶对大阶，因为若大阶对小阶，则尾数的数值部分的高位需移出，而小阶对大阶移出的是尾数的数值部分的低位，这样损失的精度更小。 （2）若ΔE＝0，说明两浮点数的阶码已相同，无需再做对阶操作。（3）尾数右移时，对原码表示的尾数，符号位不参加移位，尾数数值部分的高位补0；对补码表示的尾数，符号位参加右移，并保持原符号位不变。 （4）由于尾数右移时是将最低位移出，会损失一定的精度，为减少误差，可先保留若干移出的位，供以后舍入处理用。 二、尾数的加减运算

浮点运算

简介 当我们用不同的电脑计算圆周率时，会发现一台电脑的计算较另一台来讲结果更加精确。或者我们在进行枪战游戏的时候，当一粒子弹击中墙壁时，墙上剥落下一块墙皮，同样的场面在一台电脑上的表现可能会非常的呆板、做作；而在另外一台电脑上就会非常生动形象，甚至与我们在现实中看到的所差无几。这都是浮点运算能力的差异导致的。 定点与浮点 大学计算机基础中已经了解过计算机的实数表示方法可分为两种即定点与浮点 1、定点数： 定点数指小数点在数中的位置是固定不变的，通常有定点整数和定点小数。在对小数点位置作出选择之后，运算中的所有数均应统一为定点整数或定点小数，在运算中不再考虑小数问题。 （1）定义：数据中小数点位置固定不变的数 （2）种类：定点整数 （3）小数点在符号位与有效位之间。 注：定点数受字长的限制，超出范围会有溢出。 2、浮点数： 浮点数的表示形式有点像科学计数法（*.*****×10^***），它的表示形式是0.*****×10^***，在计算机中的形式为 .***** e ±***），其中前面的星号代表定点小数，也就是整数部分为0的纯小数，后面的指数部分是定点整数。利用这样的形式就能表示出任意一个整数和小数，例如1024就能表示成0.1024×10^4，也就是 .1024e+004，3.1415926就能表示成0.31415926×10^1，也就是 .31415926e+001，这就是浮点数。浮点数进行的运算就是浮点运算。 注：其浮点数的精度由尾数决定，数的表示范围由阶码决定。 浮点数，这个复杂点，有三种格式 单精度：_31_30________23_22___________0 符号指数有效数 双精度：_63_62__________52_51__________________0 符号指数有效数 扩展精度数： _79_78____________64_63___________________0 符号指数有效数 3、定点数与浮点数区别 定点表示法运算直观，但数的表示范围较小，不同的数运算时要考虑比例因子的选取，以防止溢出。浮点表示法运算时可以不考虑溢出，但浮点运算，编程较难。要掌握定、浮点数的

实数计算的常见类型及方法(1)

实数计算的常见类型及方法 【精练】计算 3-2÷3+（-）0-3-1+（-3）2-32 解：原式=3-+1-+9-9=3 在算3-2÷3时易算成1÷3=，另外（-3）2与-32是有区别的． 【知识规律串讲】 一、实数的运算 (1)加法 同号两数相加，取原来的符号，并把绝对值相加； 异号两数相加。取绝对值较大的数的符号，并用较大的绝对值减去较小的绝对值； 任何数与零相加等于原数。 (2)减法 a-b=a+(-b) (3)乘法 两数相乘，同号得正，异号得负，并把绝对值相乘；零乘以任何数都得零．即 (4)除法 (5)乘方 (6)开方如果x2＝a且x≥0，那么＝x；如果x3=a，那么 在同一个式于里，先乘方、开方，然后乘、除，最后加、减．有括号时，先算括号里面．3．实数的运算律 (1)加法交换律 a+b＝b+a (2)加法结合律 (a+b)+c=a+(b+c) (3)乘法交换律 ab＝ba． (4)乘法结合律 (ab)c=a(bc) (5)分配律 a(b+c)=ab+ac 其中a、b、c表示任意实数．运用运算律有时可使运算简便． 一、加法运算中的方法与技巧 例1 计算： （1）5－［２＋（－４.８）－（－４）］

（２）｜（－）－（－）＋（－）｜ 分析：（１）题的关键是确定运算顺序，有括号的还应先计算括号内的； （2）题的关键是求出绝对值符号中式子的值，进而求出整个式子的值．进行有理数的混合计算时,小学学过的确定运算顺序的方法仍然适用 解（1）5－［２＋（－４.８）－（－４）］ =5－［２－４.８+４］ =5－［7－4.8］ =5－2.2=3 (2) ｜（－）－（－）＋（－）｜ =｜－+－｜ =｜－－+｜ =|－|= 【小结】巧用加法的交换律与结合律，以达到简化的目的，同时注意交换加数位置时，一定要连同前面的符号一起移动. 实数加法运算中通常有以下规律：互为相反数的两个数先相加—“相反数结合法”；符号相同的数先相加—“同号结合法”；分母相同的数先相加—“同分母结合法”；几个数相加得到整数先相加—“凑整法”；整数与整数，小数与小数相加—“同形结合法”. 二、乘、除运算中的方法与技巧 例2：计算： （1）4－－÷；（２）－－３××（－１）÷（－１）．

浮点数运算

浮点数的表示和基本运算 [收藏此页] [打印] 【IT168知识库】 1 浮点数的表示 通常，我们可以用下面的格式来表示浮点数 S P M 其中S是符号位，P是阶码，M是尾数 对于IBM-PC而言，单精度浮点数是32位（即4字节）的，双精度浮点数是64位（即8字节）的。两者的S，P，M所占的位数以及表示方法由下表可知 S P M 表示公式偏移量 1 8 23 (-1)S*2(P-127)*1.M 127 1 11 5 2 (-1)S*2(P-1023)*1.M 1023 以单精度浮点数为例，可以得到其二进制的表示格式如下 S(第31位) P(30位到23 位) M(22位到0 位) 其中S是符号位，只有0和1，分别表示正负；P是阶码，通常使用移码表示（移码和补码只有符号位相反，其余都一样。对于正数而言，原码，反码和补码都一样；对于负数而言，补码就是其绝对值的原码全部取反，然后加1.） 为了简单起见，本文都只讨论单精度浮点数，双精度浮点数也是用一样的方式存储和表示的。 2 浮点数的表示约定 单精度浮点数和双精度浮点数都是用IEEE754标准定义的，其中有一些特殊约定。 （1）当P = 0, M = 0时，表示0。 （2）当P = 255, M = 0时，表示无穷大，用符号位来确定是正无穷大还是负无穷大。 （3）当P = 255, M != 0时，表示NaN（Not a Number，不是一个数）。 当我们使用.Net Framework的时候，我们通常会用到下面三个常量

Console.WriteLine(float.MaxValue); // 3.402823E+38 Console.WriteLine(float.MinValue); //-3.402823E+38 Console.WriteLine(float.Epsilon); // 1.401298E-45 //如果我们把它们转换成双精度类型，它们的值如下 Console.WriteLine(Convert.ToDouble(float.MaxValue)); // 3.40282346638529E+38 Console.WriteLine(Convert.ToDouble(float.MinValue)); //-3.40282346638529E+38 Console.WriteLine(Convert.ToDouble(float.Epsilon)); // 1.40129846432482E-45 那么这些值是如何求出来的呢？ 根据上面的约定，我们可以知道阶码P的最大值是11111110（这个值是254，因为255用于特殊的约定，那么对于可以精确表示的数来说，254就是最大的阶码了）。尾数的最大值是11111111111111111111111。 那么这个最大值就是：0 11111110 11111111111111111111111。 也就是2(254-127)* (1.11111111111111111111111)2= 2127* (1+1-2-23) = 3.40282346638529E+38 从上面的双精度表示可以看出，两者是一致的。最小的数自然就是-3.40282346638529E+38。 对于最接近于0的数，根据IEEE754的约定，为了扩大对0值附近数据的表示能力，取阶码P = -126，尾数M = (0.00000000000000000000001)2。此时该数的二进制表示为：0 00000000 00000000000000000000001 也就是2-126* 2-23= 2-149 = 1.40129846432482E-45。这个数字和上面的Epsilon是一致的。 如果我们要精确表示最接近于0的数字，它应该是0 00000001 00000000000000000000000 也就是：2-126* (1+0) = 1.17549435082229E-38。 3 浮点数的精度问题 浮点数以有限的32bit长度来反映无限的实数集合，因此大多数情况下都是一个近似值。同时，对于浮点数的运算还同时伴有误差扩散现象。特定精度下看似相等的两个浮点数可能并不相等，因为它们的最小有效位数不同。 由于浮点数可能无法精确近似于十进制数，如果使用十进制数，则使用浮点数的数学或比较运算可能不会产生相同的结果。 如果涉及浮点数，值可能不往返。值的往返是指，某个运算将原始浮点数转换为另一种格式，而反向运算又将转换后的格式转换回浮点数，且最终浮点数与原始浮点数相等。由于一个或多个最低有效位可能在转换中丢失或更改，往返可能会失败。 4 将浮点数表示为二进制

关于浮点数的详细讲解

目录 1. 什么是浮点数 2. IEEE 浮点数 3. 实数和浮点数之间的变换 4. 特殊值 4.1. NaN 4.2. 无穷 4.3. 有符号的零 4.4. 非规范化数 5. 参考资料 1. 什么是浮点数 在计算机系统的发展过程中，曾经提出过多种方法表达实数。典型的比如相对于浮点数的定点数（Fixed Point Number）。在这种表达方式中，小数点固定的位于实数所有数字中间的某个位置。货币的表达就可以使用这种方式，比如 99.00 或者 00.99 可以用于表达具有四位精度（Precision），小数点后有两位的货币值。由于小数点位置固定，所以可以直接用四位数值来表达相应的数值。SQL 中的 NUMBER 数据类型就是利用定点数来定义的。还有一种提议的表达方式为有理数表达方式，即用两个整数的比值来表达实数。 定点数表达法的缺点在于其形式过于僵硬，固定的小数点位置决定了固定位数的整数部分和小数部分，不利于同时表达特别大的数或者特别小的数。最终，绝大多数现代的计算机系统采纳了所谓的浮点数表达方式。这种表达方式利用科学计数法来表达实数，即用一个尾数（M antissa ），一个基数（Base），一个指数（Exponent）以及一个表示正负的符号来表达实数。比如 123.45 用十进制科学计数法可以表达为 1.2345 × 102，其中 1.2345 为尾数，10 为基数，2 为指数。浮点数利用指数达到了浮动小数点的效果，从而可以灵活地表达更大范围的实数。 提示: 尾数有时也称为有效数字（Significand）。尾数实际上是有效数字的非正式说法。 同样的数值可以有多种浮点数表达方式，比如上面例子中的 123.45 可以表达为 12.345 × 101，0.12345 × 103或者 1.2345 × 102。因为这种多样性，有必要对其加以规范化以达到统一表达的目标。规范的（Normalized）浮点数表达方式具有如下形式： ±d.dd...d × βe, (0 ≤d i< β) 其中 d.dd...d即尾数，β为基数，e为指数。尾数中数字的个数称为精度，在本文中用p 来表示。每个数字d介于 0 和基数之间，包括0。小数点左侧的数字不为0。 基于规范表达的浮点数对应的具体值可由下面的表达式计算而得： ±(d0 + d1β-1 + ... + d p-1β-(p-1))βe, (0 ≤d i< β) 对于十进制的浮点数，即基数β等于 10 的浮点数而言，上面的表达式非常容易理解，也很直白。计算机内部的数值表达是基于二进制的。从上面的表达式，我们可以知道，二进制

定点与浮点运算的比较

定点与浮点运算DSP的比较 定点运算DSP在应用中已取得了极大的成功，而且仍然是DSP应用的主体。然而，随着对DSP处理速度与精度、存储器容量、编程的灵活性和方便性要求的不断提高、自80年代中后期以来，各DSP生产厂家陆续推出了各自的32bit 浮点运算DSP。 和定点运算DSP相比，浮点运算DSP具有许多优越性： 浮点运算DSP比定点运算DSP的动态范围要大很多。定点DSP的字长每增加1bit,动态范围扩大6dB。16bit字长的动态范围为96dB。程序员必须时刻关注溢出的发生。例如，在作图像处理时，图像作旋转、移动等，就很容易产生溢出。这时，要么不断地移位定标，要么作截尾。前者要耗费大量的程序空间和执行时间，后者则很快带来图像质量的劣化。总之，是使整个系统的性能下降。在处理低信噪比信号的场合，例如进行语音识别、雷达和声纳信号处理时，也会发生类似的问题。而32bit浮点运算DSP的动态范围可以作到1536dB，这不仅大大扩大了动态范围，提高了运算精度，还大大节省了运算时间和存储空间，因为大大减少了定标，移位和溢出检查。 由于浮点DSP的浮点运算用硬件来实现，可以在单周期内完成，因而其处理速度大大高于定点DSP。这一优点在实现高精度复杂算法时尤为突出，为复杂算法的实时处理提供了保证。 32bit浮点DSP的总线宽度较定点DSP宽得多，因而寻址空间也要大得多。这一方面为大型复杂算法提供了可能、因为省的DSP目标子程序已使用到几十MB存储器或更多；另一方面也为高级语言编译器、DSP操作系统等高级工具软件的应用提供了条件。 DSP的进一步发展，必然是多处理器的应用。新型的浮点DSP已开始在通信口的设置和强化、资源共享等方面有所响应。

浮点数的加减运算一般由以下五个步骤完成

浮点数的加减运算一般由以下五个步骤完成： 对阶 ↓ 尾数运算 ↓ 结果规格化 ↓ 舍入处理 ↓ 溢出判断 设两浮点数X、Y进行加减运算，其中 X＝M x·2Ex，Y＝M y·2Ey 1. 对阶 所谓对阶是指将两个进行运算的浮点数的阶码对齐的操作。对阶的目的是为使两个浮点数的尾数能够进行加减运算。因为，当进行M x·2Ex与M y·2Ey加减运算时，只有使两浮点数的指数值部分相同，才能将相同的指数值作为公因数提出来，然后进行尾数的加减运算。 对阶的具体方法是：首先求出两浮点数阶码的差，即⊿E＝E x-E y，将小阶码加上⊿E，使之与大阶码相等，同时将小阶码对应的浮点数的尾数右移相应位数，以保证该浮点数的值不变。几点注意： （1）对阶的原则是小阶对大阶，之所以这样做是因为若大阶对小阶，则尾数的数值部分的高位需移出，而小阶对大阶移出的是尾数的数值部分的低位，这样损失的精度更小。 （2）若⊿E＝0，说明两浮点数的阶码已经相同，无需再做对阶操作了。 （3）采用补码表示的尾数右移时，符号位保持不变。 （4）由于尾数右移时是将最低位移出，会损失一定的精度，为减少误差，可先保留若干移出的位，供以后舍入处理用。 2. 尾数运算 尾数运算就是进行完成对阶后的尾数相加减。这里采用的就是我们前面讲过的纯小数的定点数加减运算。 3. 结果规格化 在机器中，为保证浮点数表示的唯一性，浮点数在机器中都是以规格化形式存储的。对于IEEE754标准的浮点数来说，就是尾数必须是1.M的形式。由于在进行上述两个定点小数的尾数相加减运算后，尾数有可能是非规格化形式，为此必须进行规格化操作。 规格化操作包括左规和右规两种情况。 左规操作：将尾数左移，同时阶码减值，直至尾数成为1.M的形式。例如，浮点数0.0011·25是非规格化的形式，需进行左规操作，将其尾数左移3位，同时阶码减3，就变成1.1100·22规格化形式了。 右规操作：将尾数右移1位，同时阶码增1，便成为规格化的形式了。要注意的是，右规操作只需将尾数右移一位即可，这种情况出现在尾数的最高位（小数点前一位）运算时出现了进位，使尾数成为10.xxxx或11.xxxx的形式。例如，10.0011·25右规一位后便成为1.00011·26的规格化形式了。 4. 舍入处理