CN115495868A - 一种自回归模型参数的确定方法、计算设备和电子设备 - Google Patents

一种自回归模型参数的确定方法、计算设备和电子设备 Download PDF

Info

Publication number
CN115495868A
CN115495868A CN202110680893.9A CN202110680893A CN115495868A CN 115495868 A CN115495868 A CN 115495868A CN 202110680893 A CN202110680893 A CN 202110680893A CN 115495868 A CN115495868 A CN 115495868A
Authority
CN
China
Prior art keywords
parameters
autocorrelation
autoregressive model
parameter
input data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110680893.9A
Other languages
English (en)
Inventor
郭鸣晗
张�浩
赵坤
杨亚光
龙飞
陈立平
柏伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Microelectronics of CAS
Original Assignee
Institute of Microelectronics of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Microelectronics of CAS filed Critical Institute of Microelectronics of CAS
Priority to CN202110680893.9A priority Critical patent/CN115495868A/zh
Publication of CN115495868A publication Critical patent/CN115495868A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
    • G06F9/38—Concurrent instruction execution, e.g. pipeline or look ahead

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开一种自回归模型参数的确定方法、计算设备和电子设备，涉及信号处理领域。自回归模型参数的确定方法，包括：对输入数据进行并行自相关计算处理，得到自相关计算结果；基于所述自相关计算结果和所述输入数据确定自回归模型在当前阶数的参数和阈值；在所述阈值未达到阈值最小值的情况下，更新所述自回归模型的当前阶数，基于所述自回归模型在当前阶数的参数和阈值，更新自回归模型在下一阶的参数和阈值；在所述阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数。可以实现对自回归模型参数的自适应定阶，降低了运行耗时时长，提高了自回归模型参数的计算的可靠性和稳定性。

Description

一种自回归模型参数的确定方法、计算设备和电子设备
技术领域
本发明涉及信号处理领域，尤其涉及一种自回归模型参数的确定方法、计算设备和电子设备。
背景技术
信号的频谱分析时研究信号特性的重要手段之一，通常是求其功率谱来进行频谱分析。功率谱反映了随机信号各频率成分功率能量的分布情况，功率谱估计指的是根据有限长的时域信号估计原信号的真是功率谱。
功率谱估计包括参数模型法估计，也即是现代功率谱估计，其中，现代功率谱估计使用有限长的数据序列来估计假设模型的自回归模型参数，再将参数模型带入功率谱密度公式中，从而获得较好的功率谱估计结果。其中，包括基于自回归模型的Burg算法，该算法在处理短数据时具有较高的频率分辨率，但是该算法反射系数的计算量较大，对于较高的实时性要求场景时，难以满足需求，因此，可以通过快速伯格(Burg)算法进行功率谱估计，该快速Burg算法通过一系列矩阵变换降低了反射系数求解时的计算量。
但是，现有的快速Burg算法不能自适应的确定自回归模型的阶数，并且由于该算法采用串行运算，导致运行耗时较长，降低了快速Burg算法的可靠性和稳定性。
发明内容
本发明的目的在于提供一种自回归模型参数的确定方法、计算设备和电子设备，以解决现有的快速Burg算法不能自适应的确定自回归模型的阶数导致运行耗时较长的问题。
第一方面，本发明提供一种自回归模型参数的确定方法，包括：
对输入数据进行并行自相关计算处理，得到自相关计算结果；
基于所述自相关计算结果和所述输入数据确定自回归模型在当前阶数的参数和阈值；
在所述阈值未达到阈值最小值的情况下，更新所述自回归模型的当前阶数，基于所述自回归模型在当前阶数的参数和阈值，更新自回归模型在下一阶的参数和阈值；
在所述阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数。
采用上述技术方案的情况下，本发明提供的自回归模型参数的确定方法，通过存储器存储输入数据，自相关参数计算单元对所述输入数据进行自相关计算处理，得到自相关计算结果，自回归参数和阈值计算单元基于所述自相关计算结果和所述输入数据确定自回归模型在当前阶数的参数和阈值，自适应定阶控制器在所述阈值未达到阈值最小值的情况下，更新所述自回归模型的当前阶数，基于所述自回归模型在当前阶数的参数和阈值，更新自回归模型在下一阶的参数和阈值；在所述阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数，实现对自回归模型参数的自适应定阶，解决现有快速Burg算法不能自适应的确定自回归模型的阶数的情况下，运行耗时较长的问题，从而降低运行耗时时长，提高了自回归模型参数的计算的可靠性和稳定性。
在一种可能的实现方式中，所述输入数据包括第一输入数据和第二输入数据，所述自相关运算结果包括所述第一输入数据对应的第一自相关运算结果和所述第二输入数据对应的第二自相关运算结果。
在一种可能的实现方式中，所述对输入数据进行并行自相关计算处理，得到自相关计算结果，包括：
对所述第一输入数据进行乘累加运算，得到所述第一自相关运算结果；
对所述第二输入数据进行延时处理，再进行乘累加运算，得到所述第二自相关运算结果。
在一种可能的实现方式中，所述基于所述自相关计算结果和所述输入数据确定所述自回归模型在当前阶数的参数和阈值，包括：
基于所述输入数据中的部分选取数据和所述自相关计算结果确定预备参数；
基于所述预备参数确定反射系数；
基于所述反射系数确定所述自回归模型在当前阶数的参数；
基于所述自相关计算结果中的自相关初始值和所述反射系数确定所述阈值。
在一种可能的实现方式中，所述基于所述反射系数确定所述自回归模型在当前阶数的参数，包括：
获取上一阶数对应的所述自回归模型的参数；
基于所述反射系数和所述上一阶数对应的所述自回归模型的参数，进行乘加运算，确定所述自回归模型在当前阶数的参数。
在一种可能的实现方式中，所述自相关模型的阶数范围为大于或者等于0，达到16。
第二方面，本发明还提供一种自回归模型参数的计算设备，包括：存储器、自相关参数计算单元、自回归参数和阈值计算单元、自适应定阶控制器；
其中，所述存储器和所述自相关参数计算单元电连接；所述自相关参数计算单元和所述自回归参数和阈值计算单元电连接；所述自适应定阶控制器和所述自回归参数和阈值计算单元电连接；
所述存储器用于存储输入数据；
所述自相关参数计算单元用于对所述输入数据进行自相关计算处理，得到自相关计算结果；
所述自回归参数和阈值计算单元用于基于所述自相关计算结果和所述输入数据确定自回归模型在当前阶数的参数和阈值；
所述自适应定阶控制器用于在所述阈值未达到阈值最小值的情况下，更新所述自回归模型的当前阶数，基于所述自回归模型在当前阶数的参数和阈值，更新自回归模型在下一阶的参数和阈值；
在所述阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数。
在一种可能的实现方式中，所述计算设备还包括读地址产生单元，所述读地址产生单元和所述存储器电连接，所述读地址产生单元和所述自适应定阶控制器电连接；
所述读地址产生单元用于读取所述自适应定阶控制器发送的地址，并将所述地址对应的数据保存至所述存储器。
在一种可能的实现方式中，所述计算设备还包括：数据选通单元；所述数据选通单元分别和所述自相关参数计算单元、所述自回归参数和阈值计算单元以及所述自适应定阶控制器电连接；
所述数据选通单元用于对所述自相关计算结果进行选择输出。
第二方面提供的自回归模型参数的计算设备的有益效果与第一方面或第一方面任一可能的实现方式描述的自回归模型参数的确定方法的有益效果相同，此处不做赘述。
第三方面，本发明还提供一种电子设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述装置执行第一方面任一可能的实现方式描述的自回归模型参数的确定方法。
第三方面提供的电子设备的有益效果与第二方面或第二方面任一可能的实现方式描述的自回归模型参数的确定方法的有益效果相同，此处不做赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了本申请实施例提供的一种自回归模型参数的计算设备；
图2示出了本申请实施例提供的另一种自回归模型参数的计算设备；
图3示出了本申请实施例提供的一种并行的二级流水线结构的示意图；
图4示出了本申请实施例提供的一种快速伯格算法控制单元状态机的工作流程图；
图5示出了本申请实施例提供的一种自相关参数计算单元的示意图；
图6示出了本申请实施例提供的一种自回归参数和阈值计算单元的示意图；
图7示出了本申请实施例提供的一种第一列向量计算的电路示意图；
图8示出了本申请实施例提供的一种中间变量矩阵和第二列向量的计算的电路示意图；
图9示出了本申请实施例提供的一种反射系数和自回归参数计算模块的电路结构图；
图10示出了本申请实施例提供的一种最小预测误差与阈值计算模块的电路示意图；
图11示出了本申请实施例提供的一种自回归模型参数的确定方法的流程示意图；
图12示出了本申请实施例提供的另一种自回归模型参数的确定方法的流程示意图；
图13为本发明实施例提供的一种电子设备的硬件结构示意图；
图14为本发明实施例提供的芯片的结构示意图。
具体实施方式
为了便于清楚描述本发明实施例的技术方案，在本发明的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一阈值和第二阈值仅仅是为了区分不同的阈值，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是，本发明中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，a和b的结合，a和c的结合，b和c的结合，或a、b和c的结合，其中a，b，c可以是单个，也可以是多个。
图1示出了本申请实施例提供的一种自回归模型参数的计算设备，如图1所示，该自回归模型参数的计算设备包括存储器01、自相关参数计算单元02、自回归参数和阈值计算单元03以及自适应定阶控制器04。
其中，所述存储器01和所述自相关参数计算单元02电连接；所述自相关参数计算单元02和所述自回归参数和阈值计算单元03电连接；所述自适应定阶控制器04和所述自回归参数和阈值计算单元03电连接。
所述存储器01用于存储输入数据。
所述自相关参数计算单元02用于对所述输入数据进行自相关计算处理，得到自相关计算结果。
所述自回归参数和阈值计算单元03用于基于所述自相关计算结果和所述输入数据确定自回归模型在当前阶数的参数和阈值。
所述自适应定阶控制器04用于在所述阈值未达到阈值最小值的情况下，更新所述自回归模型的当前阶数，基于所述自回归模型在当前阶数的参数和阈值，更新自回归模型在下一阶的参数和阈值；在所述阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数。
本申请实施例提供的自回归模型参数的计算设备，通过存储器存储输入数据，自相关参数计算单元对所述输入数据进行自相关计算处理，得到自相关计算结果，自回归参数和阈值计算单元基于所述自相关计算结果和所述输入数据确定自回归模型在当前阶数的参数和阈值，自适应定阶控制器在所述阈值未达到阈值最小值的情况下，更新所述自回归模型的当前阶数，基于所述自回归模型在当前阶数的参数和阈值，更新自回归模型在下一阶的参数和阈值；在所述阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数，实现对自回归模型参数的自适应定阶，解决了现有的快速Burg算法不能自适应的确定自回归模型的阶数导致的运行耗时较长的问题，也即是，降低了运行耗时时长，提高了自回归模型参数的计算的可靠性和稳定性。
图2示出了本申请实施例提供的另一种自回归模型参数的计算设备，如图2所示，该自回归模型参数的计算设备包括存储器01、自相关参数计算单元02、自回归参数和阈值计算单元03以及自适应定阶控制器04，其中，所述存储器01和所述自相关参数计算单元02电连接；所述自相关参数计算单元02和所述自回归参数和阈值计算单元03电连接；所述自适应定阶控制器04和所述自回归参数和阈值计算单元03电连接。
可选的，参见图2，所述计算设备还包括读地址产生单元05，所述读地址产生单元05和所述存储器01电连接，所述读地址产生单元05和所述自适应定阶控制器04电连接；
所述读地址产生单元05用于读取所述自适应定阶控制器发送的地址，并将所述地址对应的数据保存至所述存储器。
可选的，参见图2，所述计算设备还包括：数据选通单元06；所述数据选通单元06分别和所述自相关参数计算单元02、所述自回归参数和阈值计算单元03以及所述自适应定阶控制器04电连接；所述数据选通单元06用于对所述自相关计算结果进行选择输出。
可选的，数据选通单元完成将自相关参数选择一个传给自回归参数和阈值计算单元，选通规则为待计算ARi时，将Ci的结果选通传给下一级，未选通时则用寄存器寄存。
可选的，参见图2，将所述输入数据Xn按照输入顺序划分为第一输入数据Xb和第二输入数据Xf，对所述第二输入数据输入至延迟器h进行延时处理。
可选的，可以从第二输入数据Xf中获取部分输入数据，用于自回归参数的计算，也即是图2所示的用于自回归参数计算的Xn。
在本申请中，用于自回归参数计算的Xn可以是从输入数据Xn中任意选取的部分数据，本申请实施例对此不作具体限定，可以根据实际应用场景做标定调整。
可选的，参见图2，计算设备还包括自回归参数存储单元07，自回归参数存储单元07和自回归参数和阈值计算单元03连接，自回归参数和阈值计算单元03用于存储自回归参数和相关中间变量。
在本申请中，自适应定阶控制器可以完成对自适应定阶的快速伯格(Burg)算法的执行流程控制以及并行的二级流水线结构的开启和关闭的控制。其中，伯格算法一种直接由已知的时间信号序列计算功率谱估计值的递推算法。
在本申请中，使用并行的流水线结构可以完成算法的硬件加速实现，也即是，使用并行的流水线结构可以完成本申请中的自回归模型参数的确定方法的硬件加速实现。自相关参数(Ci)的计算只和输入数据(Xn)有关而与自回归模型(AR)参数的计算无关，AR参数的计算则需要利用每阶下自相关参数的计算结果。因此，在本申请中，采用并行的二级流水线结构，将计算单元划分为自相关参数计算单元02、自回归参数和阈值计算单元03，其中，自相关参数计算单元02用于进行自相关参数(Ci)的计算，自回归参数和阈值计算单元03用于计算AR参数和阈值。
自相关参数计算单元和自回归参数和阈值计算单元相比，自相关参数计算单元的计算较长，图3示出了本申请实施例提供的一种并行的二级流水线结构的示意图，如图3所示，当输入数据的长度为128，最终阶数为6阶的场景下，计算自相关参数的时间t1为128-4+3＝127个时钟周期，而第五阶自回归参数(AR4)和第六阶自回归参数(AR5)和两次阈值判断的时间t2为(4i+16)+3+(4(i+1)+16)+3，代入i＝4，可知t2为72个时钟周期(T)，自相关的九三时间大于两倍的AR参数和阈值的计算时间，采用图2所示的并行的二级流水线结构，可以同时计算第一阶自相关参数(C0)和第二阶自相关参数(C1)，并在计算出第一阶自相关参数(C0)和第二阶自相关参数(C1)之后，基于C0确定第一阶自回归参数(AR0)、第二阶自回归参数(AR1)以及阈值1，同时进行计算第三阶自相关参数(C2)和第四阶自相关参数(C3)，同理，进行第三阶自回归参数(AR2)、第四阶自回归参数(AR3)以及阈值2阈值3、第五阶自相关参数(C4)和第六阶自相关参数(C5)；以及第五阶自回归参数(AR4)、第六阶自回归参数(AR5)以及阈值4和阈值5、第七阶自相关参数(C6)和第八阶自相关参数(C7)的并行运算。
采用并行的二级流水线结构可以更加灵活高效的完成自相关参数和自回归参数以及阈值的运算，其中，流水线的时钟周期不是固定的N+5(N为输入数据总量)个系统时钟周期，本申请中的流水线的时钟周期和自相关参数的计算长度有关，可以根据输入数据的阶数改变，具体的，可以是N-i+2，可以提高流水线的利用效率，并且，在所述阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数，自相关参数的计算由自适应定阶控制器控制终止，使得最后一个周期的计算时间得到压缩，提高参数计算效率。
在本申请中，自适应定阶控制器可以基于最小最终预报误差准则(Fi-nalPredietion Error，FPE)准则与快速伯格算法结合，并采用硬件实现快速伯格算法自适应定阶。通过自适应定阶控制器来控制自相关参数计算单元和自回归参数和阈值计算单元，在在所述阈值未达到阈值最小值的情况下，更新所述自回归模型的当前阶数，基于所述自回归模型在当前阶数的参数和阈值，更新自回归模型在下一阶的参数和阈值；在所述阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数，其中，所述自相关模型的阶数范围为大于或者等于0，小于或者等于16。
需要说明的是，自适应定阶控制器的输入信号为外部输入的算法使能信号与自相关参数计算单元和自回归参数和阈值计算单元的结束状态标识信号，输出为自相关参数计算单元和自回归参数和阈值计算单元的使能控制信号。其中，各阶下的AR参数和阈值存储于RAM中。
可选的，自适应定阶控制器包括快速伯格算法控制单元状态机，图4示出了本申请实施例提供的一种快速伯格算法控制单元状态机的工作流程图，如图4所示，控制单元状态机包括六个状态，分别是第一状态S1、第二状态S2、第三状态S3、第四状态S4、第五状态S5和第六状态S6。首先，当算法的启动使能(fast-burg-start)有效时，快速伯格(fast-burg)算法开始执行，此时阶数为1，迭代次数i＝0，进入S1状态启动自相关C0和C1的并行计算，当自相关计算完成后，跳转值S2，启动并行的自相关Ci和Ci+1计算，启动第i+1阶AR模型参数和阈值计算，AR参数计算完成之后，如果阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数，也即是输出is-ok＝1，并跳转至S5状态结束运算，最终定阶为i+1阶，RAM(存储器)中AR参数也即是最终结果；否则跳转至S3，启动第i+2阶AR参数和阈值计算。AR参数计算完成后，如果阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数，也即是输出is-ok＝1，并跳转至S5状态结束运算，最终定阶为i+2阶，RAM(存储器)中AR参数也即是最终结果；否则跳转至S4状态，等待当前的自相关计算结束之后再一次进入S2开始进行下一轮的迭代，直至阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数，此时迭代结束，最后一次迭代运算所得的AR参数也即是所求参数。
图5示出了本申请实施例提供的一种自相关参数计算单元的示意图，自相关参数计算单元主要包括两个乘累加计算单元，用于分别计算Ci和Ci+1，
参见图5，将所述输入数据X按照输入顺序划分为第一输入数据Xb和第二输入数据Xf，分别将Xb和Xf输入至乘法器u和加法器j，对所述第一输入数据进行乘累加运算，得到所述第一自相关运算结果；对所述第二输入数据输入至延迟器h进行延时处理，再进行乘累加运算，得到所述第二自相关运算结果。
自相关参数的计算可以按照公式：
Figure BDA0003122775730000101
参见图5，读地址产生单元05用于读取所述自适应定阶控制器发送的地址，并将所述地址对应的数据保存至所述存储器。
可选的，图6示出了本申请实施例提供的一种自回归参数和阈值计算单元的示意图，如图6所示，自回归参数和阈值计算单元03包括预备参数计算模块031以及依次和预备参数计算模块031连接的预备参数存储模块032、反射系数K和自回归参数a计算模块033、最小预测误差与阈值计算模块034和阈值比较定阶模块035。首先，基于所述输入数据中的部分选取数据和所述自相关计算结果确定预备参数，基于所述预备参数确定反射系数；获取上一阶数对应的所述自回归模型的参数；基于所述反射系数和所述上一阶数对应的所述自回归模型的参数，进行乘加运算，确定所述自回归模型在当前阶数的参数，基于所述自相关计算结果中的自相关初始值和所述反射系数确定所述阈值，在阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数。
可选的，预备参数包括第一列向量(r)、中间变量矩阵(ΔR)和第二列向量(g)，在本申请中，将各个预备参数的计算步骤进行拆分为乘加单元，将中间变量矩阵按行拆分，并与第二列向量进行重组，采用流水线结构来实现运算功能。输入所需的部分输入数据Xn序列后，可以依次求出第一列向量和中间变量矩阵的行值最终得到第二列向量。
具体的，第一列向量(r)的计算公式为：
Figure BDA0003122775730000111
可选的，图7示出了本申请实施例提供的一种第一列向量计算的电路示意图，如图7所示，输入数据分为第一输入数据(X(0)，X(1)，...，X(i))和第二输入数据(X(N)，X(N-2)，...，X(N-i-1))，第一拍锁存第一个乘数Xi和XN-i-1，并将读入的第一输入数据写入Xf缓存单元(Xf-buffer)，将读入的第二输入数据写入Xb缓存单元(Xb-buffer)，第二拍并行完成两次乘加运算，第三拍做选通输出2Ci+1或者乘加值，并采用倒序的方式输出第一列向量的行值，其中，H表示寄存器。
在本申请中，中间变量矩阵(ΔR)和第二列向量(g)的计算公式包括：
Figure BDA0003122775730000112
Figure BDA0003122775730000121
其中，J为转置方阵。
可选的，中间变量矩阵和第二列向量的计算的电路可以该电流采用流水线的方式，将中间变量矩阵(ΔR)和第二列向量(g)的计算进行并行化处理，一拍完成中间变量矩阵(ΔR)的计算后，将计算结果直接送入第二列向量(g)的计算单元，使得计算时间可以从i2个时钟周期降低至i个时钟周期，在提高数据处理速度的同时还保证了二级流水线结构的稳定。
图8示出了本申请实施例提供的一种中间变量矩阵和第二列向量的计算的电路示意图，如图8所示，中间变量矩阵和第二列向量的四级流水线电路，第一拍从Xf缓存单元(Xf-buffer)和Xb缓存单元(Xb-buffer)中一次读出一个x值送入乘法器(u)，第二拍做乘加运算，得到中间变量矩阵(ΔR)的一行值ΔR0～ΔRi，第三排ΔR的行值分别与上一阶求得的AR参数一次相乘并求和，第四拍选通输出第二列向量(g)的行值。其中，H表示寄存器，Q表示除法器。
图9示出了本申请实施例提供的一种反射系数和自回归参数计算模块的电路结构图，如图9所示，从存储模块032中读入上一次迭代运算中计算出的AR参数(a)，并输入预备参数计算模块计算的第二列向量(g)，然后按照以下公式计算反射系数K和自回归参数a。h表示延迟器，H表示寄存器，Q表示除法器。
其中，公式包括：
Figure BDA0003122775730000122
Figure BDA0003122775730000123
其中，J为转置方阵。
参见图9，在计算反射系数时，首先计算上一阶的自回归参数和第二列向量的乘累加结果，然后做除法计算，计算出反射系数，按照自回归参数公式完成反射系数与上一阶的自回归参数的乘加结果，将新计算的自回归参数重新写入自回归参数存储单元。
最小预测误差与阈值计算模块的计算按照FPE准则进行计算，通过阈值(TH)是否达到最小值，来自适应的确定最优的阶数。该阈值TH也就是每次迭代中的FPE(i)值，具体的：
Figure BDA0003122775730000131
其中，N为输入数据序列的长度，i+1为当前AR的阶数，P为预测误差功率，阈值(TH)将在某个阶数(i+1阶)下达到最小值，此时的i+1即为最终阶数，此时迭代停止。
具体的，最小预测误差又被描述为如下计算公式：
Figure BDA0003122775730000132
pmin(i)＝pmin(i-1)*(1-|k|2)
N为输入数据序列的长度，i+1为当前AR的阶数，P为预测误差功率，阈值(TH)将在某个阶数(i+1阶)下达到最小值，此时的i+1即为最终阶数，此时迭代停止。
可选的，图10示出了本申请实施例提供的一种最小预测误差与阈值计算模块的电路示意图，由于N的值是2的幂，最小预测误差的初始值计算时仅需将自相关值右移幂的值的位数即可，当阶数大于1时，其值为反射系数与1的差值和上次迭代计算出的最小预测误差的乘积。阈值的计算涉及一个除法，N值固定，商值只和i有关，故此除法器可以通过查找表来实现，在本申请中，查找表的输入为i，输出为预存的商值。当阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数，其中，参数包括最小预测误差功率和模型参数。
图11示出了本申请实施例提供的一种自回归模型参数的确定方法的流程示意图，如图11所示，该自回归模型参数的确定方法包括：
步骤101：对输入数据进行并行自相关计算处理，得到自相关计算结果。
步骤102：基于所述自相关计算结果和所述输入数据确定自回归模型在当前阶数的参数和阈值。
步骤103：在所述阈值未达到阈值最小值的情况下，更新所述自回归模型的当前阶数，基于所述自回归模型在当前阶数的参数和阈值，更新自回归模型在下一阶的参数和阈值。
步骤104：在所述阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数。
本发明实施例提供的自回归模型参数的确定方法，通过存储器存储输入数据，自相关参数计算单元对所述输入数据进行自相关计算处理，得到自相关计算结果，自回归参数和阈值计算单元基于所述自相关计算结果和所述输入数据确定自回归模型在当前阶数的参数和阈值，自适应定阶控制器在所述阈值未达到阈值最小值的情况下，更新所述自回归模型的当前阶数，基于所述自回归模型在当前阶数的参数和阈值，更新自回归模型在下一阶的参数和阈值；在所述阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数，实现对自回归模型参数的自适应定阶，解决了现有的快速Burg算法不能自适应的确定自回归模型的阶数导致的运行耗时较长的问题，也即是，降低了运行耗时时长，提高了自回归模型参数的计算的可靠性和稳定性。
可选的，图12示出了本申请实施例提供的另一种自回归模型参数的确定方法的流程示意图，参见图12，该自回归模型参数的确定方法包括：
步骤201：将所述输入数据按照输入顺序划分为第一输入数据和第二输入数据。
步骤202：同时对所述第一输入数据和所述第二输入数据进行自相关运算，得到自相关运算结果；
其中，所述自相关运算结果包括所述第一输入数据对应的第一自相关运算结果和所述第二输入数据对应的第二自相关运算结果。
具体的，上述步骤202可以包括：对所述第一输入数据进行乘累加运算，得到所述第一自相关运算结果；对所述第二输入数据进行延时处理，再进行乘累加运算，得到所述第二自相关运算结果。
步骤203：基于所述自相关计算结果和所述输入数据确定自回归模型在当前阶数的参数和阈值。
可选的，上述步骤203可以包括：基于所述输入数据中的部分选取数据和所述自相关计算结果确定预备参数；基于所述预备参数确定反射系数；基于所述反射系数确定所述自回归模型在当前阶数的参数；基于所述自相关计算结果中的自相关初始值和所述反射系数确定所述阈值。
其中，所述基于所述反射系数确定所述自回归模型在当前阶数的参数，包括：获取上一阶数对应的所述自回归模型的参数；基于所述反射系数和所述上一阶数对应的所述自回归模型的参数，进行乘加运算，确定所述自回归模型在当前阶数的参数。
可选的，所述自相关模型的阶数范围为大于或者等于0，达到16。
步骤204：在所述阈值未达到阈值最小值的情况下，更新所述自回归模型的当前阶数，基于所述自回归模型在当前阶数的参数和阈值，更新自回归模型在下一阶的参数和阈值。
步骤205：在所述阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数。
本发明实施例提供的自回归模型参数的确定方法，通过存储器存储输入数据，自相关参数计算单元对所述输入数据进行自相关计算处理，得到自相关计算结果，自回归参数和阈值计算单元基于所述自相关计算结果和所述输入数据确定自回归模型在当前阶数的参数和阈值，自适应定阶控制器在所述阈值未达到阈值最小值的情况下，更新所述自回归模型的当前阶数，基于所述自回归模型在当前阶数的参数和阈值，更新自回归模型在下一阶的参数和阈值；在所述阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数，实现对自回归模型参数的自适应定阶，解决了现有的快速Burg算法不能自适应的确定自回归模型的阶数导致的运行耗时较长的问题，也即是，降低了运行耗时时长，提高了自回归模型参数的计算的可靠性和稳定性。
本发明提供的一种自回归模型参数的确定方法，应用于包括控制器以及与控制器电连接的至少一个如图1至图10任一所示的自回归模型参数的计算设备，为避免重复，这里不再赘述。
本发明实施例中的电子设备可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personaldigital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(NetworkAttached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本发明实施例不作具体限定。
本发明实施例中的电子设备可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本发明实施例不作具体限定。
图13示出了本发明实施例提供的一种电子设备的硬件结构示意图。如图13所示，该电子设备300包括处理器310。
如图13所示，上述处理器310可以是一个通用中央处理器(central processingunit，CPU)，微处理器，专用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制本发明方案程序执行的集成电路。
如图13所示，上述电子设备300还可以包括通信线路340。通信线路340可包括一通路，在上述组件之间传送信息。
可选的，如图13所示，上述电子设备还可以包括通信接口320。通信接口320可以为一个或多个。通信接口320可使用任何收发器一类的装置，用于与其他设备或通信网络通信。
可选的，如图13所示，该电子设备还可以包括存储器330。存储器330用于存储执行本发明方案的计算机执行指令，并由处理器来控制执行。处理器用于执行存储器中存储的计算机执行指令，从而实现本发明实施例提供的方法。
如图13所示，存储器330可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器330可以是独立存在，通过通信线路340与处理器310相连接。存储器330也可以和处理器310集成在一起。
可选的，本发明实施例中的计算机执行指令也可以称之为应用程序代码，本发明实施例对此不作具体限定。
在具体实现中，作为一种实施例，如图13所示，处理器310可以包括一个或多个CPU，如图13中的CPU0和CPU1。
在具体实现中，作为一种实施例，如图13所示，终端设备可以包括多个处理器，如图13中的第一处理器3101和第二处理器3102。这些处理器中的每一个可以是一个单核处理器，也可以是一个多核处理器。
图14是本发明实施例提供的芯片的结构示意图。如图14所示，该芯片400包括一个或两个以上(包括两个)处理器310。
可选的，如图14所示，该芯片还包括通信接口320和存储器330，存储器330可以包括只读存储器和随机存取存储器，并向处理器提供操作指令和数据。存储器的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory，NVRAM)。
在一些实施方式中，如图14所示，存储器330存储了如下的元素，执行模块或者数据结构，或者他们的子集，或者他们的扩展集。
在本发明实施例中，如图14所示，通过调用存储器存储的操作指令(该操作指令可存储在操作系统中)，执行相应的操作。
如图14所示，处理器310控制终端设备中任一个的处理操作，处理器310还可以称为中央处理单元(central processing unit，CPU)。
如图14所示，存储器330可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器330的一部分还可以包括NVRAM。例如应用中存储器、通信接口以及存储器通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图14中将各种总线都标为总线系统440。
如图14所示，上述本发明实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digital signal processing，DSP)、ASIC、现成可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
一方面，提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令被运行时，实现上述实施例中由终端设备执行的功能。
一方面，提供一种芯片，该芯片应用于终端设备中，芯片包括至少一个处理器和通信接口，通信接口和至少一个处理器耦合，处理器用于运行指令，以实现上述实施例中由自回归模型参数的确定方法执行的功能。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时，全部或部分地执行本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，例如，软盘、硬盘、磁带；也可以是光介质，例如，数字视频光盘(digital video disc，DVD)；还可以是半导体介质，例如，固态硬盘(solid state drive，SSD)。
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种自回归模型参数的确定方法，其特征在于，包括：
对输入数据进行并行自相关计算处理，得到自相关计算结果；
基于所述自相关计算结果和所述输入数据确定自回归模型在当前阶数的参数和阈值；
在所述阈值未达到阈值最小值的情况下，更新所述自回归模型的当前阶数，基于所述自回归模型在当前阶数的参数和阈值，更新自回归模型在下一阶的参数和阈值；
在所述阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数。
2.根据权利要求1所述的方法，其特征在于，所述输入数据包括第一输入数据和第二输入数据，所述自相关运算结果包括所述第一输入数据对应的第一自相关运算结果和所述第二输入数据对应的第二自相关运算结果。
3.根据权利要求2所述的方法，其特征在于，所述对输入数据进行并行自相关计算处理，得到自相关计算结果，包括：
对所述第一输入数据进行乘累加运算，得到所述第一自相关运算结果；
对所述第二输入数据进行延时处理，再进行乘累加运算，得到所述第二自相关运算结果。
4.根据权利要求1所述的方法，其特征在于，所述基于所述自相关计算结果和所述输入数据确定所述自回归模型在当前阶数的参数和阈值，包括：
基于所述输入数据中的部分选取数据和所述自相关计算结果确定预备参数；
基于所述预备参数确定反射系数；
基于所述反射系数确定所述自回归模型在当前阶数的参数；
基于所述自相关计算结果中的自相关初始值和所述反射系数确定所述阈值。
5.根据权利要求4所述的方法，其特征在于，所述基于所述反射系数确定所述自回归模型在当前阶数的参数，包括：
获取上一阶数对应的所述自回归模型的参数；
基于所述反射系数和所述上一阶数对应的所述自回归模型的参数，进行乘加运算，确定所述自回归模型在当前阶数的参数。
6.根据权利要求1-5任一所述的方法，其特征在于，所述自相关模型的阶数范围为大于或者等于0，小于或者等于16。
7.一种自回归模型参数的计算设备，其特征在于，包括：存储器、自相关参数计算单元、自回归参数和阈值计算单元、自适应定阶控制器；
其中，所述存储器和所述自相关参数计算单元电连接；所述自相关参数计算单元和所述自回归参数和阈值计算单元电连接；所述自适应定阶控制器和所述自回归参数和阈值计算单元电连接；
所述存储器用于存储输入数据；
所述自相关参数计算单元用于对所述输入数据进行自相关计算处理，得到自相关计算结果；
所述自回归参数和阈值计算单元用于基于所述自相关计算结果和所述输入数据确定自回归模型在当前阶数的参数和阈值；
所述自适应定阶控制器用于在所述阈值未达到阈值最小值的情况下，更新所述自回归模型的当前阶数，基于所述自回归模型在当前阶数的参数和阈值，更新自回归模型在下一阶的参数和阈值；
在所述阈值达到所述阈值最小值的情况下，输出所述自回归模型在当前阶数的参数。
8.根据权利要求7所述的自回归模型参数的计算设备，其特征在于，所述计算设备还包括读地址产生单元，所述读地址产生单元和所述存储器电连接，所述读地址产生单元和所述自适应定阶控制器电连接；
所述读地址产生单元用于读取所述自适应定阶控制器发送的地址，并将所述地址对应的数据保存至所述存储器。
9.根据权利要求7所述的自回归模型参数的计算设备，其特征在于，所述计算设备还包括：数据选通单元；所述数据选通单元分别和所述自相关参数计算单元、所述自回归参数和阈值计算单元以及所述自适应定阶控制器电连接；
所述数据选通单元用于对所述自相关计算结果进行选择输出。
10.一种电子设备，其特征在于，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得可以执行权利要求1至6任一所述的自回归模型参数的确定方法。
CN202110680893.9A 2021-06-18 2021-06-18 一种自回归模型参数的确定方法、计算设备和电子设备 Pending CN115495868A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110680893.9A CN115495868A (zh) 2021-06-18 2021-06-18 一种自回归模型参数的确定方法、计算设备和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110680893.9A CN115495868A (zh) 2021-06-18 2021-06-18 一种自回归模型参数的确定方法、计算设备和电子设备

Publications (1)

Publication Number Publication Date
CN115495868A true CN115495868A (zh) 2022-12-20

Family

ID=84464992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110680893.9A Pending CN115495868A (zh) 2021-06-18 2021-06-18 一种自回归模型参数的确定方法、计算设备和电子设备

Country Status (1)

Country Link
CN (1) CN115495868A (zh)

Similar Documents

Publication Publication Date Title
CN113743599B (zh) 一种卷积神经网络的运算装置及服务器
CN109144469A (zh) 流水线结构神经网络矩阵运算架构及方法
JP4452722B2 (ja) カウンタを用いて遅延を生成するための方法および装置
CN115129297B (zh) 多点乘运算系统、方法、图形处理器、电子装置及设备
CN115495868A (zh) 一种自回归模型参数的确定方法、计算设备和电子设备
JP2002108958A (ja) 回路設計システム、回路設計方法および回路設計プログラムを格納したコンピュータ読取り可能な記録媒体
US9244727B2 (en) Method and apparatus for implementing task-process-table based hardware control
RU2684190C1 (ru) Многоскоростной цифровой экстраполятор
CN112667241B (zh) 机器学习指令的转换方法及装置、板卡、主板、电子设备
CN104598199B (zh) 一种用于智能卡的Montgomery模乘器的数据处理方法及系统
KR100382018B1 (ko) 프로세서 장치
CN109274460B (zh) 一种多比特并行结构串行抵消译码方法和装置
JP2675010B2 (ja) 情報処理装置
RU2446461C2 (ru) Цифровое прогнозирующее устройство
CN106569778B (zh) 一种数据处理的方法及电子设备
CN111061675A (zh) 一种系统传递函数辨识算法的硬件实现方法及运行该方法的计算机设备与可读存储介质
CN113391787B (zh) 一种除法器及除法处理方法
CN114706557B (zh) 一种asic芯片及蒙哥马利模乘的实现方法和装置
KR100878765B1 (ko) Ｆｆｔ 연산 회로
Li et al. Design of speech recognition co-processor with fast Gaussian likelihood computation
CN116415621A (zh) 神经网络的切片方法、装置及电子设备
US20150019604A1 (en) Function accelerator
CN116248088A (zh) 数据延时方法、装置、电路、电子设备及可读存储介质
CN105049062B (zh) 钱式搜索装置、存储装置以及钱式搜索方法
CN117971163A (zh) 基于蝶形单元的计算架构、计算方法以及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination