Для позбавлення від поділу можна використовувати логарифми. Для у першому квадранті:(x,y)
z=log2(y)−log2(x)atan2(y,x)=atan(y/x)=atan(2z)
Рисунок 1. Ділянкаatan(2z)
Вам потрібно буде наблизити до діапазону щоб отримати необхідну точність 1E-9. Ви можете скористатися симетрією або альтернативно переконатися, що знаходиться у відомому октанті. Щоб наблизити :atan(2z)−30<z<30atan(2−z)=π2−atan(2z)(x,y)log2(a)
b=floor(log2(a))c=a2blog2(a)=b+log2(c)
bc log 2 ( c ) 1 ≤ c < 2 можна обчислити, знайшовши розташування найбільш значущого нульового біта. можна обчислити за допомогою трохи зрушення. Вам потрібно буде наблизити в діапазоні .clog2(c)1≤c<2
Малюнок 2. Діаграма log2(c)
Для ваших вимог точності, лінійної інтерполяції та рівномірного відбору проб, достатньо 214+1=16385 зразків log2(c) та 30×212+1=122881 зразків atan(2z) для 0<z<30 . Остання таблиця досить велика. З ним похибка внаслідок інтерполяції сильно залежить від z :
Малюнок 3. atan(2z) наближення найбільшої абсолютної похибки для різних діапазонів z (горизонтальна вісь) для різної кількості зразків (32-8192) на одиничний інтервал z . Найбільша абсолютна похибка для 0≤z<1 (опущена) трохи менше, ніж для floor(log2(z))=0 .
atan(2z) таблиця може бути розбита на кілька підтаблиць , які відповідають 0≤z<1 і іншому floor(log2(z)) з z≥1 , який легко обчислити. Довжини таблиці можна вибрати, керуючись рис. 3. Індекс, що підлягає заміні, може бути обчислений за допомогою простої маніпуляції з бітними рядками. Для ваших вимог до точності atan(2z) матимуть загальну кількість 29217 зразків, якщо ви розширите діапазон z до 0≤z<32 для простоти.
Для подальшого ознайомлення, ось незграбний сценарій Python, який я використовував для обчислення помилок наближення:
from numpy import *
from math import *
N = 10
M = 20
x = array(range(N + 1))/double(N) + 1
y = empty(N + 1, double)
for i in range(N + 1):
y[i] = log(x[i], 2)
maxErr = 0
for i in range(N):
for j in range(M):
a = y[i] + (y[i + 1] - y[i])*j/M
if N*M < 1000:
print str((i*M + j)/double(N*M) + 1) + ' ' + str(a)
b = log((i*M + j)/double(N*M) + 1, 2)
err = abs(a - b)
if err > maxErr:
maxErr = err
print maxErr
y2 = empty(N + 1, double)
for i in range(1, N):
y2[i] = -1.0/16.0*y[i-1] + 9.0/8.0*y[i] - 1.0/16.0*y[i+1]
y2[0] = -1.0/16.0*log(-1.0/N + 1, 2) + 9.0/8.0*y[0] - 1.0/16.0*y[1]
y2[N] = -1.0/16.0*y[N-1] + 9.0/8.0*y[N] - 1.0/16.0*log((N+1.0)/N + 1, 2)
maxErr = 0
for i in range(N):
for j in range(M):
a = y2[i] + (y2[i + 1] - y2[i])*j/M
b = log((i*M + j)/double(N*M) + 1, 2)
if N*M < 1000:
print a
err = abs(a - b)
if err > maxErr:
maxErr = err
print maxErr
y2[0] = 15.0/16.0*y[0] + 1.0/8.0*y[1] - 1.0/16.0*y[2]
y2[N] = -1.0/16.0*y[N - 2] + 1.0/8.0*y[N - 1] + 15.0/16.0*y[N]
maxErr = 0
for i in range(N):
for j in range(M):
a = y2[i] + (y2[i + 1] - y2[i])*j/M
b = log((i*M + j)/double(N*M) + 1, 2)
if N*M < 1000:
print str(a) + ' ' + str(b)
err = abs(a - b)
if err > maxErr:
maxErr = err
print maxErr
P = 32
NN = 13
M = 8
for k in range(NN):
N = 2**k
x = array(range(N*P + 1))/double(N)
y = empty((N*P + 1, NN), double)
maxErr = zeros(P)
for i in range(N*P + 1):
y[i] = atan(2**x[i])
for i in range(N*P):
for j in range(M):
a = y[i] + (y[i + 1] - y[i])*j/M
b = atan(2**((i*M + j)/double(N*M)))
err = abs(a - b)
if (i*M + j > 0 and err > maxErr[int(i/N)]):
maxErr[int(i/N)] = err
print N
for i in range(P):
print str(i) + " " + str(maxErr[i])
Локальна помилка максимум з апроксимуючої функції f(x) шляхом лінійної інтерполяції п ( х ) з зразків F ( х ) , взятий з рівномірною дискретизації вибірки інтервалу Δ х , може бути апроксимована аналітично:f^(x)f(x)Δx
fˆ(x)−f(x)≈(Δx)2limΔx→0f(x)+f(x+Δx)2−f(x+Δx2)(Δx)2=(Δx)2f′′(x)8,
де є другою похідною і знаходиться на локальному максимумі абсолютної похибки. З урахуванням сказаного ми отримуємо наближення:f′′(x)f(x)x
atanˆ(2z)−atan(2z)≈(Δz)22z(1−4z)ln(2)28(4z+1)2,log2ˆ(a)−log2(a)≈−(Δa)28a2ln(2).
Оскільки функції увігнуті і зразки відповідають функції, помилка завжди в одному напрямку. Локальна максимальна абсолютна помилка може бути зменшена вдвічі, якби знак помилки був змінений вперед і назад один раз на кожному інтервалі вибірки. При лінійній інтерполяції близькі до оптимальних результатів можна досягти, попередньо фільтруючи кожну таблицю:
y[k]=⎧⎩⎨⎪⎪b2x[k−2]c1x[k−1]+b1x[k−1]b0x[k]+c0x[k]+b0x[k]+b1x[k+1]+c1x[k+1]+b2x[k+2]if k=0,if 0<k<N,if k=N,
де і - оригінал і відфільтрована таблиця, що охоплює а ваги . Кінцеве кондиціонування (перший і останній рядок у наведеному вище рівнянні) зменшує помилку на кінцях таблиці порівняно з використанням зразків функції поза таблицею, тому що перший і останній зразок не потрібно коригувати для зменшення помилки від інтерполяції між нею та зразком безпосередньо за столом. Підрозділи з різними інтервалами вибірки попередньо фільтруються. Значення ваг були знайдені мінімізацією послідовно для збільшення показникаxy0≤k≤Nc0=98,c1=−116,b0=1516,b1=18,b2=−116c0,c1N максимальне абсолютне значення приблизної помилки:
(Δx)NlimΔx→0(c1f(x−Δx)+c0f(x)+c1f(x+Δx))(1−a)+(c1f(x)+c0f(x+Δx)+c1f(x+2Δx))a−f(x+aΔx)(Δx)N=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪(c0+2c1−1)f(x)01+a−a2−c02(Δx)2f′′(x)if N=0,∣∣∣c1=1−c02if N=1,if N=2,∣∣∣c0=98
для міжпробних інтерполяційних позицій , з увігнутою або опуклою функцією (наприклад, ). При вирішенні цих ваг значення кінцевих вагових умов були знайдені шляхом мінімізації аналогічно максимального абсолютного значення:0≤a<1f(x)f(x)=exb0,b1,b2
(Δx)NlimΔx→0(b0f(x)+b1f(x+Δx)+b2f(x+2Δx))(1−a)+(c1f(x)+c0f(x+Δx)+c1f(x+2Δx))a−f(x+aΔx)(Δx)N=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪(b0+b1+b2−1+a(1−b0−b1−b2))f(x)(a−1)(2b0+b1−2)Δxf′(x)(−12a2+(2316−b0)a+b0−1)(Δx)2f′′(x)if N=0,∣∣∣b2=1−b0−b1if N=1,∣∣∣b1=2−2b0if N=2,∣∣∣b0=1516
при . Використання попереднього фільтра про половину помилки наближення і зробити це простіше, ніж повна оптимізація таблиць.0≤a<1
Малюнок 4. Похибка апроксимації з 11 зразків, з попереднім та без і з кінцевим кондиціонуванням. Без завершення кондиціонування попередній фільтр має доступ до значень функції безпосередньо за межами таблиці.log2(a)
У цій статті, мабуть, представлений дуже схожий алгоритм: Р. Гутьєррес, В. Торрес та Дж. Валлс, “ FPGA-реалізація атана (Y / X) на основі логарифмічної трансформації та методів на основі LUT ”, Journal of System Architecture , vol . 56, 2010. У рефераті сказано, що їх реалізація перемагає попередні алгоритми на основі CORDIC у швидкості та алгоритми на основі LUT у розмірі сліду.