Случайные числа

В Verilog системная задача $random(seed) используется для генерации случайных чисел, где seed — это зерно генератора случайных чисел.

Разные значения seed дают разные случайные числа. Если seed одинаков, сгенерированные случайные числа также одинаковы.

Можно присвоить seed начальное значение или опустить параметр seed; начальное значение seed по умолчанию равно 0.

Следующий код показывает, как вызвать $random без использования параметра seed, а также с указанием и изменением seed:

Пример

   // переменная seed
   integer seed ;
   initial begin
      seed = 2 ;
      #30 ;
      seed = 10 ;
   end
   // без seed
   reg [15:0]   randnum_noseed ;
   always@(posedge clk) begin
      randnum_noseed <= $random(); // Без указания seed
   end
   //с seed
   reg [15:0]   randnum_wtseed ;
   always@(posedge clk) begin
      randnum_wtseed <= $random(seed); // Указать seed
   end

Временная диаграмма моделирования выглядит следующим образом.

Независимо от того, присвоено ли начальное значение, каждый раз при генерации случайного числа значение seed изменяется, и случайное число изменяется соответственно.

Каждый раз, когда значение seed изменяется, текущее выходное случайное значение изменяется; однако в следующем состоянии поведение случайного числа возвращается к внутренней случайной последовательности, генерируемой системой.

Например, на диаграмме моделирования в моменты времени t1 и t2 значения seed различны, поэтому сгенерированные случайные числа также различны. Но в других тактовых циклах сгенерированные случайные числа одинаковы.

Рекомендуется не указывать опцию seed при вызове системной задачи $random или использовать переменную для передачи параметра при указании опции seed.

Не рекомендуется записывать константу в параметр seed при вызове $random. В этом случае значение seed фиксировано, и может быть сгенерировано только одно случайное число. Например, следующий стиль кодирования не рекомендуется:

      randnum_wtseed <= $random(2); //不建议将常数项指定给 seed

Можно использовать операцию взятия по модулю, чтобы ограничить случайные числа определённым диапазоном данных. Например:

Пример

   //с диапазоном
   parameter    MAX_NUM = 512;
   parameter    MIN_NUM = 256;
   reg [15:0]   num_range1, num_range2, num_range3 ;
   always@(posedge clk) begin
      // Сгенерированные случайные числа находятся в диапазоне от -511 до 511, ±(MAX_NUM-1)
      num_range1 <= $random() % MAX_NUM;
      // Сгенерированные случайные числа находятся в диапазоне от 0 до 511, (0 ~ MAX_NUM-1)
      num_range2 <= {$random()} % MAX_NUM;
      // Сгенерированные случайные числа находятся в диапазоне от MIN_NUM до MAX_NUM, включая границы
      num_range3 <= MIN_NUM + {$random()} % (MAX_NUM-MIN_NUM+1);
   end

Случайные числа отображаются в знаковом десятичном формате. Первые несколько результатов данных выглядят следующим образом:


Распределения вероятностей

Verilog предоставляет множество системных задач, которые генерируют данные в соответствии с определёнными вероятностными распределениями. Краткое описание таково:

Системная задачаФормат вызоваОписание задачи
Равномерное распределение$dist_uniform(seed, start, end);start и end — это начало и конец данных
Нормальное распределение$dist_normal (seed, mean, std_dev);mean — это математическое ожидание, std_dev — стандартное отклонение
Распределение Пуассона$dist_poisson(seed, mean);mean — это математическое ожидание (равно стандартному отклонению)
Экспоненциальное распределение$dist_exponential(seed , mean);mean — это количество появлений события за единицу времени
Распределение хи-квадрат$dist_chi_square(seed, free_deg);free_deg — это число степеней свободы
t-распределение$dist_t(seed, free_deg);free_deg — это число степеней свободы
Распределение Эрланга$dist_erlang(seed, k_stage, mean);k_stage — это число этапов, mean — это математическое ожидание

Равномерное распределение

У равномерного распределения равные вероятности принимать значения в интервалах одинаковой длины.

Функция плотности вероятности и график распределения вероятностей приведены ниже:

Фактически системная задача $random реализует равномерное распределение.

Код для вызова $dist_uniform для генерации равномерно распределённых данных на интервале (256, 512) выглядит следующим образом:

Пример

   //2.1 равномерное распределение
   reg [15:0]   data_uniform;
   always@(posedge clk) begin // Генерация случайных чисел между MIN_NUM и MAX_NUM
      data_uniform <= $dist_uniform(seed_dis, MIN_NUM, MAX_NUM);
   end

Нормальное распределение

Математическое ожидание нормального распределения равно μ, стандартное отклонение равно σ, обозначается какN (μ, σ²)。

Нормальное распределение с математическим ожиданием 0 и стандартным отклонением 1 называется стандартным нормальным распределением.

Кривая нормального распределения имеет колоколообразную форму, низкая с обеих сторон, высокая в середине и симметричная слева и справа.

Функция плотности вероятности и график распределения нормального распределения выглядят следующим образом:

Код для вызова $dist_normal для генерации данных стандартного нормального распределения с математическим ожиданием 0 и стандартным отклонением 1 выглядит следующим образом:

Пример

   //2.2 нормальное распределение
   reg [15:0]   data_normal;
   always@(posedge clk) begin // Стандартное нормальное распределение с математическим ожиданием 0 и стандартным отклонением 1
      data_normal <= $dist_normal(seed_dis, 0, 1);
   end

Распределение Пуассона

Распределение Пуассона используется для описания вероятности того, что событие произойдет X раз в течение определенного времени или в определенном пространственном диапазоне.

Распределение Пуассона имеет одинаковые математическое ожидание и стандартное отклонение, оба равны λ. Его функция плотности вероятности и график распределения выглядят следующим образом:

Код для вызова $dist_poisson для генерации данных распределения Пуассона с математическим ожиданием 4 выглядит следующим образом:

Пример

   //2.3 распределение Пуассона
   reg [15:0]   data_poisson;
   always@(posedge clk) begin
      data_poisson <= $dist_poisson(seed_dis, 4);
   end

Экспоненциальное распределение

Экспоненциальное распределение используется для описания вероятности временного интервала между наступлениями случайных событий в пуассоновском процессе. Пуассоновский процесс — это процесс, в котором события происходят непрерывно и независимо с постоянной средней интенсивностью. Например, временной интервал между прибытиями двух автобусов во время ожидания на автобусной остановке подчиняется экспоненциальному распределению.

Пусть λ>0 — число появлений события за единицу времени (также называемое параметром интенсивности), а x — временной интервал между появлениями событий. Тогда его функция плотности вероятности и график распределения выглядят следующим образом:

Код для вызова $dist_exponential для генерации данных экспоненциального распределения с параметром интенсивности 1 выглядит следующим образом:

Пример

   //2.4 экспоненциальное распределение
   reg [15:0]   data_exp;
   always@(posedge clk) begin
      data_exp <= $dist_exponential(seed_dis, 1);
   end

Распределение хи-квадрат

Закон распределения новой случайной величины, образованной суммой квадратов n случайных величин, следующих стандартному нормальному распределению, называется распределением хи-квадрат, обозначается как, где n называется числом степеней свободы.

Функция плотности вероятности и график распределения хи-квадрат выглядят следующим образом:

Код для вызова $dist_chi_square для генерации данных распределения хи-квадрат с 6 степенями свободы выглядит следующим образом:

Пример

   //2.5 распределение хи-квадрат
   reg [15:0]   data_chi_sq;
   always@(posedge clk) begin
      data_chi_sq <= $dist_chi_square(seed_dis, 6);
   end

t-распределение

Предположим, X следует стандартному нормальному распределению N(0, 1), а Y следует распределению хи-квадратРаспределение ... называется t-распределением с n степенями свободы, обозначается как Z ~ t(n).

t-распределение используется для оценки среднего генеральной совокупности переменной данных, имеющей нормальное распределение с неизвестной дисперсией, на основе малых выборок. Если объем выборки достаточно велик и дисперсия генеральной совокупности известна, то для оценки среднего генеральной совокупности следует использовать нормальное распределение.

t-распределение — это симметричное колоколообразное распределение, похожее на нормальное распределение, но с более тяжелыми хвостами, что означает более высокую вероятность появления значений, значительно меньших среднего. Его функция плотности вероятности и график распределения выглядят следующим образом:

Код вызова $dist_t для генерации данных t-распределения с 5 степенями свободы выглядит следующим образом:

Пример

   //2.6 t-распределение
   reg [15:0]   data_t;
   always@(posedge clk) begin
      data_t <= $dist_t(seed_dis, 5);
   end

Распределение Эрланга

Пусть V1, V2, ..., Vn взаимно независимы в пуассоновском процессе с параметром λ, и пусть N(t) обозначает число случайных точек в [0, t). Тогда распределение N(t) = V1 + V2 + ... + Vn называется распределением Эрланга.

Распределение Эрланга, как и экспоненциальное распределение, часто используется для представления временного интервала между независимыми случайными событиями. Случайная величина, подчиняющаяся распределению Эрланга, может быть разложена в сумму нескольких случайных величин с экспоненциальным распределением с одним и тем же параметром, что делает распределение Эрланга широко применяемым в теории надежности и теории массового обслуживания.

Функция плотности вероятности и график распределения Эрланга выглядят следующим образом:

Почему такое лицо? Ты действительно используешь такую нелепую идею, чтобы раздуть распределение Эрланга?

Приведенные выше задачи по распределению вероятностей только перечисляют способы вызова, не анализируя и не проверяя данные. Далее рассказывается, как самостоятельно проанализировать характеристики данных, сгенерированных задачей распределения вероятностей $dist_erlang, с помощью инструмента построения графиков Matlab.

Код вызова $dist_erlang для генерации данных распределения Эрланга порядка 3 и математическим ожиданием 6 выглядит следующим образом:

Пример

   //2.7 распределение Эрланга
   reg [15:0]   data_erlang;
   always@(posedge clk) begin
      data_erlang <= $dist_erlang(seed_dis, 3, 6);
   end

Анализ данных

Реальность доказывает, что удобнее анализировать знакомые данные распределения. На некоторых платформах встроенные функции, на которые можно ссылаться и которые связаны с распределением Эрланга, встречаются крайне редко. Хорошо понимая, что любви (Erlang) нет, мы всё равно идём за любовью!

Файлы данных Verilog

Сначала сгенерируйте 4 набора данных, следующих распределению Эрланга, в модели Verilog и выведите их в файл.

Пример

   //генерация файла данных распределения Эрланга
   integer fd1, fd2, fd3, fd30 ;
   initial begin
      fd1 = $fopen("data_erlang1.hex", "w");
      fd2 = $fopen("data_erlang2.hex", "w");
      fd3 = $fopen("data_erlang3.hex", "w");
      fd30 = $fopen("data_erlang30.hex", "w");
      repeat(1000) begin //Взять 1000 данных для анализа
         @(posedge clk) ;
         #1 ;
         $fdisplay(fd1, "%h", data_erlang1);
         $fdisplay(fd2, "%h", data_erlang2);
         $fdisplay(fd3, "%h", data_erlang3);
         $fdisplay(fd30, "%h", data_erlang30);
      end
      $fclose(fd1);
      $fclose(fd2);
      $fclose(fd3);
      $fclose(fd30);
   end

   reg [15:0]   data_erlang1;
   reg [15:0]   data_erlang2;
   reg [15:0]   data_erlang3;
   reg [15:0]   data_erlang30;
   always@(posedge clk) begin
      data_erlang1  <= $dist_erlang(seed_dis, 1, 6);
      data_erlang2  <= $dist_erlang(seed_dis, 2, 6);
      data_erlang3  <= $dist_erlang(seed_dis, 3, 6);
      data_erlang30 <= $dist_erlang(seed_dis, 30, 6);
   end

Анализ данных Verilog

В Matlab функцию гистограммы hist можно напрямую использовать для статистического построения и отображения каждого данного, но для распределения вероятностей фактический эффект построения этой функции не очень хорош (приветствуется предложение лучшего способа построения). Здесь функция Matlab tabulate используется для подсчёта каждого данного, а затем обычная функция plot применяется для отображения его процентной доли.

Код для Matlab для чтения данных, сгенерированных модулем Verilog, и отображения графика их распределения выглядит следующим образом.

Пример

clear all;close all;clc;
%=======================================================
% анализ данных из $dist_erlang в Verilog
%=======================================================

%Считать как строки, затем преобразовать из шестнадцатеричного представления в десятичное.
data_erlang1_hex    = textread('data_erlang1.hex', '%s') ;
data_erlang2_hex    = textread('data_erlang2.hex', '%s') ;
data_erlang3_hex    = textread('data_erlang3.hex', '%s') ;
data_erlang30_hex   = textread('data_erlang30.hex', '%s') ;
data_erlang1        = hex2dec(data_erlang1_hex);
data_erlang2        = hex2dec(data_erlang2_hex);
data_erlang3        = hex2dec(data_erlang3_hex);
data_erlang30       = hex2dec(data_erlang30_hex);

%Подсчитайте статистику и постройте график.
num_erlang1  = tabulate(data_erlang1) ;
num_erlang2  = tabulate(data_erlang2) ;
num_erlang3  = tabulate(data_erlang3) ;
num_erlang30 = tabulate(data_erlang30) ;
figure;  plot(num_erlang1(:,1)/6, num_erlang1(:,3));
hold on; plot(num_erlang2(:,1)/6, num_erlang2(:,3), 'r');
hold on; plot(num_erlang3(:,1)/6, num_erlang3(:,3), 'g');
hold on; plot(num_erlang30(:,1)/6, num_erlang30(:,3), 'y');
legend('n=1', 'n=2', 'n=3', 'n=30');

График распределения данных Эрланга, сгенерированный моделью Verilog, показан ниже.

Математическое ожидание распределения Эрланга

Важно отметить, что параметр λ — это математическое ожидание распределения Пуассона, а не математическое ожидание распределения Эрланга.

В системной задаче Verilog $dist_erlang(seed, k_stage, mean) третий параметр — это математическое ожидание. Если напрямую подставить это математическое ожидание в параметр λ, вы получите неверные результаты распределения.

Ниже приведён простой (ленивый) вывод (для справки) математического ожидания распределения Эрланга.

Прилагается процесс вывода дисперсии распределения Эрланга.

Теоретическое распределение в Matlab

Используя встроенную функцию Matlab random, можно генерировать данные различных типов распределений, но, к сожалению, распределения Эрланга среди них нет.

Далее используйте функцию плотности распределения вероятностей, чтобы сгенерировать данные, следующие распределению Эрланга.

Здесь математическое ожидание в модели Verilog равно 6, поэтому фактический параметр λ = n/6.

Код для генерации данных распределения Эрланга в Matlab выглядит следующим образом.

Пример

clear all;close all;clc;
%=======================================================
% генерация данных распределения Эрланга
%=======================================================
NUM         = 400 ;
EXPECT      = 6 ;
for n=[1, 2, 3, 30]         //Генерация 4 наборов данных
    lamda   = n/EXPECT;     //Преобразование математического ожидания
    t       = (0:NUM-1)*0.1 ;
    pt(n,:) = (lamda).^n *(t).^(n-1)/factorial(n-1) .* exp(-lamda * t) ;
end

figure; plot(t, pt(1,:)*100);
hold on;plot(t, pt(2,:)*100, 'r');
hold on;plot(t, pt(3,:)*100, 'g');
hold on;plot(t, pt(n,:)*100, 'y');
xlabel('t');
ylabel('f(t) / 100%');
legend('n=1', 'n=2', 'n=3', 'n=30');

График распределения данных Эрланга, сгенерированный Matlab, показан ниже.

При сравнении с данными, сгенерированными моделью Verilog, диапазон распределения, вероятность распределения и тенденция кривой распределения у обоих в основном совпадают. Единственное отличие состоит в том, что Verilog генерирует данные с большими временными интервалами, поэтому график распределения не является гладкой кривой.

Скачать исходный код для этой главы

Скачать