4、基础数据类型与格式：Q7、Q15、Q31、F32、F64的表示、范围、精度与转换

在CMSIS-DSP库中，所有统计特征计算（均值、方差、RMS、峰值等）都建立在特定数据格式的向量运算之上。与通用C语言编程不同，嵌入式DSP领域广泛采用定点数（Q格式）与单/双精度浮点数（F32/F64）来平衡资源消耗与动态范围。本章将系统梳理这五种基础数据类型的位宽定义、数值表示方法、动态范围与精度特性，并给出相互转换的工程准则与典型陷阱。

上图展示了CMSIS-DSP中五种基础数据类型的整体分类与转换关系。定点数（Q7、Q15、Q31）与浮点数（F32、F64）在存储位宽、数值范围和精度特性上存在本质差异，理解这些差异是正确选择数据类型、避免溢出与精度损失的前提。

4.1 定点数Q格式的表示原理与范围

核心原理：Q格式是一种固定小数点位置的二进制定点表示法，记作Qm.n，其中m为整数位（含符号位），n为小数位，总位宽为m+n。CMSIS-DSP中常用的Q7、Q15、Q31均采用补码表示，且约定小数点紧跟在符号位之后，即Q1.7、Q1.15、Q1.31格式。这种设计的核心优势在于：整数乘法不会产生进位溢出到符号位，且乘法结果仍保持相同的小数点位置，便于级联运算。

以Q15为例，其数值范围为[-1, 1-2⁻¹⁵]，最小分辨率为2⁻¹⁵≈3.052×10⁻⁵。Q7的范围为[-1, 1-2⁻⁷]，分辨率约7.8125×10⁻³；Q31的范围为[-1, 1-2⁻³¹]，分辨率约4.657×10⁻¹⁰。值得注意的是，Q格式能表示的绝对值最大为1.0（对应整数位全1的情况），因此所有Q格式数据都隐含归一化到[-1,1)区间的要求。

判断方法：在CMSIS-DSP函数命名中，后缀直接标识数据类型，例如arm_mean_q15接收Q15格式的输入向量，arm_rms_f32接收F32格式。选择定点格式时，需先估算信号的动态范围：若信号峰值接近1.0且需要较高信噪比，优先Q31；若信号幅度较小（如麦克风信号），Q15足够；Q7仅用于存储或低精度预处理。

4.2 浮点数F32与F64的表示与精度特性

核心原理：F32（单精度）与F64（双精度）遵循IEEE 754标准，采用符号位、指数位和尾数位的科学计数法表示。F32的位分配为1位符号+8位指数+23位尾数，有效精度约7位十进制数字；F64为1位符号+11位指数+52位尾数，有效精度约15-16位十进制数字。浮点数的动态范围远大于定点数：F32可表示约±3.4×10³⁸，F64可达±1.8×10³⁰⁸。

然而，浮点数的精度并非均匀分布。在接近零的区域，F32的最小正规格化数约为1.18×10⁻³⁸，但精度随数值增大而降低。例如，当数值达到16777216（2²⁴）时，F32无法表示奇数，只能表示偶数。这种“大数吞小数”现象在统计计算中尤为危险——当累加大量小数值时，总和可能因舍入误差而停滞不前。

判断方法：CMSIS-DSP提供arm_float_to_q31、arm_q31_to_float等转换函数。选择F32还是F64取决于目标平台：Cortex-M4/M7/M33等带FPU的处理器对F32运算有硬件加速，F64则完全依赖软件模拟，速度慢10-20倍。在统计特征计算中，若数据动态范围超过100dB或需要累积超过10⁶个样本，建议使用F64中间累加，最终结果再转换回F32。

4.3 数据类型转换的工程实现与精度控制

操作流程：CMSIS-DSP提供完整的转换函数族，命名规则为arm_<源类型>_to_<目标类型>。转换过程包含三个关键步骤：

1. 定点→浮点：直接除以2^(n)即可，例如Q15转F32：float_val = (float32_t)q15_val / 32768.0f;。此转换无精度损失（Q31转F64时，由于F64尾数52位大于31位，完全精确）。
2. 浮点→定点：需先乘以2^n，再进行饱和与舍入。CMSIS-DSP默认采用截断舍入，但可通过arm_float_to_q31的变体选择舍入模式。饱和处理防止溢出：当浮点值超出[-1,1)时，结果被钳位到边界值。
3. 定点间转换：Q7→Q15需左移8位（乘以256），Q31→Q15需右移16位（除以65536）。此过程可能引入截断误差，建议先转换为浮点再转换，或使用arm_q31_to_q15函数自动处理。

// 示例：将F32缓冲区转换为Q15，并检查饱和
float32_t float_buf[256] = {0.5f, -0.25f, 0.999f, /* ... */};
q15_t q15_buf[256];
arm_float_to_q15(float_buf, q15_buf, 256);
// 若float_buf中存在大于0.999969的数值，q15_buf对应位置将饱和为0x7FFF

案例拆解：某振动监测系统采集加速度计数据，原始信号为±2g，经归一化后映射到[-0.8, 0.8]区间。系统需计算512点RMS值并上传结果。设计者最初直接使用F32计算，但发现Cortex-M0+（无FPU）上耗时达3.2ms，超出2ms的实时预算。改用Q15定点后，arm_rms_q15仅耗时0.8ms，但RMS精度从0.001g降至0.005g，满足0.01g的指标要求。关键操作：先将F32数据批量转换为Q15（耗时0.3ms），计算RMS后转换回F32上传。整体耗时1.1ms，达标且精度满足。

4.4 常见误区与选择策略

误区一：认为F32一定比Q15“更好”。实际上，在无FPU的Cortex-M0/M0+上，F32运算需软件模拟，速度慢且代码体积大。Q15运算可充分利用SIMD指令，性能提升5-10倍。

误区二：忽视定点数的溢出风险。Q15乘法结果需左移一位，若两个0.9相乘得0.81，左移后仍正常；但两个-1.0相乘得1.0，左移后溢出为-1.0。CMSIS-DSP的arm_mult_q15已内置饱和处理，但自定义代码需自行防护。

误区三：在统计累加中混用数据类型。例如，使用arm_mean_f32计算均值时，内部累加器为F32，若输入数据为Q15转换而来，累加精度可能不足。建议使用arm_mean_q31或先转换为F64累加。

选择策略总结：首先评估目标平台的硬件能力（是否有FPU、SIMD），其次分析信号的动态范围与精度需求，最后考虑存储与带宽约束。在统计特征计算中，建议采用“输入Q15/Q31、中间累加F64、输出F32”的混合策略，兼顾速度与精度。CMSIS-DSP的arm_scale_*和arm_offset_*函数可辅助完成数据预处理，确保进入统计函数前数据格式统一。