accelchip 公司（最近已被赛灵思公司收购）最近所做的一次调查显示，53% 的回答者认为浮点定点转换是在fpga 上实现算法时最困难的地方（图 1）。

　　虽然 matlab 是一种强大的运算开发工具，但其许多优点却在浮点定点转换过程中被降低了。例如，由于定点算术中精度较低，新的数学误差被引入算法。您必须重写代码，使用能够反映实际硬件宏架构的低级模型来替换高级函数和运算符。而仿真运行时间将可能长达 50 倍之久。基于这些原因，matlab，这一算法开发的优势选择，却经常遭到遗弃，转而使用 c/c++ 进行定点建模。

　　生成定点模型

　　如果未将高级函数和运算符替换为硬件精确的宏架构，浮点 matlab 算法的定点表示将不会真正反映最终硬件的响应（图 2）。

图 3 对此进行了突出显示，该图使用一组量化为 8 位有符号二进制补码的随机输入矢量，对 matlab 除法运算符与工具硬件 cordic 除法算法的定点响应进行了比较。

　　 根据数据数值，计算输出之间将存在巨大分歧。

　　在定点生成过程中，acceldsp™ synthesis 综合工具的 ip explorer™ 技术将自动使用硬件精确的表达式替换高级 matlab 函数和运算符（图 4）。此步骤是透明的，且不需要对 matlab 代码进行修改。您可以使用综合指示来重新定义初始宏架构和微架构选择。

　　一旦这些运算符替换为硬件精确的宏架构，量化过程就将开始。

　　图形辅助式自动量化

　　与定点 dsp 处理器不同, fpga 结构允许使用可变定点字长。通过解除对变量的固定 16 位或 24 位边界限制，您可以执行需要位数增长的算术计算而不会引起额外的数值误差。

　　这对于像雷达、导航和制导系统等要求较高数值精度的应用来说是一个巨大的优点。

　　在大多数情况下，位增长率定律 (bit growth rules) 是简单直接和易于理解的。例如，一次加法的结果增长一位，而一次乘法的结果则增长到等于输入字长度的总长度（图 5）。然而，要在实际设计中确定变量的这些属性，将是一个高度反复的过程。允许未检查的位数增长现象发生，在硬件中代价是昂贵的，通常也是不必要的。如果您技术功底深厚，您可以采用各种技巧来尽可能地减小字长而同时保持数值精度。

确定变量的初始量化值和随后对该值的细化改进的过程，非常适合自动化。acceldsp synthesis 综合工具包括自动化浮点定点转换，该功能将在仿真过程中对浮点 matlab 模型进行分析，以确定输入数据和常量的动态范围要求。这些值提供了自动量化过程的起点，然后该过程将利用从 6,000 多个设计中获得的大量内置经验，确定下游变量的最佳字长。

　　通过自动量化而获得的初始定点模型提供了一个良好的起点，但一般需要对该模型进行细化改进。

　　matlab 提供了一种开发算法数学模型的高效环境，这种算法通常只需使用一组较少的仿真矢量就可完成。

　　该过程高度反复，且紧密耦合至数据作用 (data effect) 的分析。为了最大程度地缩短这一反复循环时间，acceldsp synthesis 综合工具提供了一种加速定点仿真流程。

　　分析定点数据作用

　　matlab 提供了一种开发算法数学模型的高效环境，这种算法通常只需使用一组较少的仿真矢量就可完成。但是，当把该算法应用到定点硬件时，您将需要增加数据集，以精确地确定真实世界的环境响应。matlab 是一种解释型仿真器，可能无法为这些较大的、cpu 强度较高的定点仿真提供必需的性能。因此，开发者常常转向 c/c++。

　　加速定点仿真

　　acceldsp synthesis 综合工具的 m2c-accelerator 自动生成一个硬件精确的定点 c++ 模型和测试基准，以加快定点仿真。

　　消除手动记录步骤节省了开发时间，大程度地减小了误