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

如何快速部署WebDAV服务器：面向普通用户的完整配置指南

如何快速部署WebDAV服务器：面向普通用户的完整配置指南 【免费下载链接】webdavSimple Go WebDAV server. 项目地址: https://gitcode.com/gh_mirrors/we/webdav WebDAV（Web分布式创作和版本控制）是一个基于HTTP协议的扩展，它让用户能够在远程服务器上创建、修改和移动文档。这个简单而独立的Go语言WebDAV服务器项目为个人用户和团队提供了一个高效的文件管理解决方案。无论你是需要在多设备间同步文件，还是希望建立一个安全的文件共享平台，这个WebDAV服务器都能满足你的需求。 🚀 快速启动你的WebDAV服务 想要立即体验WebDAV的强大功能吗？你可以通过几种简单的方式快速启动服务： 一键安装方法： * 使用Homebrew：brew install webdav * 使用Go工具链：`go install github.com/hacdias/webdav/v5@latest * 从源码构建：克隆仓库后执行go build Docker快速部署： docker run -p 606
【沧海拾昧】绿联NAS配置WebDAV公网访问并使用RaiDrive挂载到本地

【沧海拾昧】绿联NAS配置WebDAV公网访问并使用RaiDrive挂载到本地

#C0601 沧海茫茫千钟粟，且拾吾昧一微尘 ——《沧海拾昧集》@CuPhoenix 【阅前敬告】沧海拾昧集仅做个人学习笔记之用，所述内容不专业不严谨不成体系【如有问题必是本集记录有谬，切勿深究】 目录 * 前言 * 一、配置步骤 * 1、确认网络设备支持 IPv6 * 2、购买域名 * 3、配置访问凭证 * 2、NAS 配置 WebDAV 服务 * 3、NAS 配置 DDNS 支持 * 4、配置反向代理 * 5、在 RaiDrive 中挂载 * 6、设置防火墙 * 二、最终结果 前言 将 NAS 的磁盘空间通过 RaiDrive 等软件挂载到本地使用是一种十分便捷的方法，但是 RaiDrive 中只有针对群晖（

ctfshow-web257【保姆级wp】

写在最前：我发现现在网络上好多wp都是直接讲题目是怎么做的，可能对知道关于这道题中所讲的方法的一些前置知识人来说确实既是一个节约时间又能提供一个具体思路的好的writeup，但是对于我这样啥都不懂的人来说反而找不到真正适合的题解，要花大量的时间去找，去了解关于这道题目的前置知识，这对于一个自学者来说是最艰难也是最折磨的地方。因此，我希望我写的wp不仅仅是说这道题该怎么做，更是让一个完全没有基础的人也能看懂，而不是去反复的问AI这是啥意思，既是个人对零散知识的整合梳理，也是作为真正的萌新向wp。  【如果想详细了解可参阅php手册类与对象】 一：前置知识 1.三种修饰符 修饰符类内部子类类外public✅✅✅protected✅✅❌private✅❌❌ 这里打勾代表能访问，这么看着其实有点一头雾水，还是举个栗子： class A { private $x = 1; } $a = new A(); echo $a->x; // ❌ 报错：不能从外部访问 private *  外部不能访问 * 子类不能访问 * 只有 A 类内部 能访问 在 PHP 里，不同
前端流程图框架11个：开发组态图、思维导图、拓扑图必备，收藏这篇就够了

前端流程图框架11个：开发组态图、思维导图、拓扑图必备，收藏这篇就够了

一、流程图的前端开发都是如何实现的 在前端开发中，实现流程图通常涉及以下几个方面： 1. HTML 结构：使用 HTML 标签来定义流程图的结构，如使用元素表示节点，使用元素表示连接线等。 2. CSS 样式：使用 CSS 样式来定义流程图的外观，包括节点的样式、连接线的样式、文本的样式等。可以使用 CSS 属性来设置颜色、大小、边框等样式属性。 3. JavaScript 交互：使用 JavaScript 来实现流程图的交互功能，如节点的拖拽、连接线的绘制、文字编辑等。可以使用原生 JavaScript 或者流程图框架提供的 API 来实现这些功能。 1. **数据绑定：**将流程图的数据与界面进行绑定，可以使用 JavaScript 对象或者 JSON 格式来表示流程图的数据结构，并通过 JavaScript