1. 课程导入与定点化全景

在 Simulink 模型开发中，定点化并不是一个孤立的“最后一步”，而是一条贯穿需求、建模、仿真、代码生成与验证的数值工程主线。很多团队在浮点模型上完成了算法验证，却在定点化后遇到输出偏差、溢出饱和、极限环振荡甚至控制器失稳。问题的根源往往不是算法本身，而是数值表示方式发生了变化，而验证手段没有同步跟上。本课程的目标，就是让读者掌握从浮点参考模型到定点实现模型的完整转换方法，并建立一套可复现的数值一致性验证流程。

定点化在模型开发中的位置

典型的 Simulink 开发流程可以概括为：需求分析 → 浮点算法建模 → 浮点仿真验证 → 定点化设计 → 定点仿真 → 代码生成 → 硬件在环或处理器在环验证。定点化位于浮点验证之后、代码生成之前，它决定了最终嵌入式代码中每个变量的字长、小数位和运算方式。换句话说，浮点模型回答“算法对不对”，定点模型回答“在有限字长下还能不能对”。

定点化的核心工作包括三件事：为信号选择合适的数据类型（字长与定标）、为运算节点配置舍入与溢出处理方式、以及通过仿真确认定点结果与浮点参考之间的误差在可接受范围内。这三件事相互耦合，任何一项处理不当都会在数值一致性验证中暴露出来。

数值一致性验证的目标

数值一致性验证要回答一个具体问题：定点实现模型的输出，与浮点参考模型相比，偏差是否在允许范围内。这里的“允许范围”不是拍脑袋决定的，而是由系统指标反推得到。例如一个电机控制器的电流环，若要求稳态误差不超过额定电流的 0.5%，那么定点化引入的额外误差应控制在 0.1% 以内，留出余量给传感器噪声和参数摄动。

验证通常采用双路对比结构：同一组输入激励同时送入浮点模型和定点模型，用误差信号 e = y_fixed - y_float 作为观测量。需要关注的指标包括最大绝对误差、均方根误差、误差是否随工况漂移，以及是否出现饱和或回绕。仅看一条曲线“差不多”是不够的，必须用统计量说话。

典型失败模式

定点化过程中最常见的失败模式有五类。第一类是溢出饱和：中间运算结果超出目标字长可表示范围，被钳位到最大值或最小值，表现为波形削顶。第二类是舍入累积：每次运算的量化误差在积分器或反馈回路中逐步累积，导致稳态输出偏离参考值。第三类是极限环振荡：由于量化步长的存在，系统在平衡点附近无法收敛，产生小幅持续振荡。第四类是定标不当：小数位选择过少导致分辨率不足，选择过多则整数位不够，容易溢出。第五类是位增长未处理：乘法或累加后字长增加，若未正确截断或扩展，会发生高位丢失或符号错误。

一个具体的教学示例

假设有一个简单的一阶低通滤波器，浮点实现为 y[k] = 0.9*y[k-1] + 0.1*u[k]，输入 u 的范围是 [-10, 10]。若采用 16 位定点，定标为 Q12（即 1 位符号 + 3 位整数 + 12 位小数），则系数 0.9 和 0.1 需要量化为最接近的 Q12 值。0.9 × 4096 = 3686.4，取整为 3686，实际表示 0.899902；0.1 × 4096 = 409.6，取整为 410，实际表示 0.100098。两个系数都引入了约 0.0001 量级的误差。

在单次运算中，这个误差微不足道。但由于滤波器存在反馈，误差会随迭代累积。假设输入为阶跃信号 10，浮点稳态输出为 10，定点稳态输出会因系数误差偏离约 0.01 左右。若系统对稳态精度要求是 0.05，这个结果可以接受；若要求是 0.005，则需要增加字长或改用 Q14 定标。这个例子说明，定标选择必须结合系统指标和仿真结果共同确定，不能只凭经验。

整体学习路径

本课程按照“先理解表示、再掌握工具、然后配置模型、最后验证闭环”的顺序展开。首先建立定点数的数学表示和定标概念，理解字长、小数位、量化误差和动态范围之间的权衡关系。然后熟悉 Simulink 提供的定点工具，包括 Fixed-Point Designer、数据类型助手和定点转换流程。接着进入实际模型配置，掌握信号数据类型的指定、传播规则、舍入与溢出模式的设置。最后重点落在数值一致性验证上，学习如何搭建双路对比框架、如何统计误差、如何定位溢出点，以及如何用自动化脚本完成回归测试。

整个过程中，读者需要始终带着一个意识：定点化不是把 double 改成 fixdt 就结束了，而是要在有限精度约束下重新审视算法的数值行为。只有把表示、配置和验证三者打通，才能真正做到“浮点能跑，定点也能跑，而且结果一致”。