1. 利用DSP做信號處理演算法的學習方法
5000和6000系列了,比較高檔的,學DSP,根據自己的選的方向,選擇一款合適自己的DSP,然後的事情是最痛苦的,把DATASHEET看幾遍,大概有些印象的用法,然後對DSP的每個功能自己寫程序驅動實現,最後找一些個好的項目想法整合各個功能來做,當然前提你要對演算法,語言已經比較熟悉了
2. 人工智慧演算法能夠移植到dsp中嗎
可以 我們玩的有些大型游戲和大型棋類游戲已經是哪一種演算法了，指紋識別和人臉識別都是在一定的演算法下完成的。
3. 如何獲得DSP專用演算法
專用演算法需要花錢買的，國外有公司做這個的，ti也提供相關DSP演算法
4. 怎樣實現DSP演算法
不是高手, 但可以說下自己的對這個的想法. 以前也有過同樣的疑惑.
後來發現一些想法: DSP它的主要作用就是用來運算.大量的運算,如矩陣乘法之類的.主要用處多媒體的處理等.
既然這樣的話,DSP追求的就是高速,高效.所以在運算數據的時候都通過硬體來實現.如乘法運算在普通CPU中是很耗時鍾周期的,所以DSP中加入硬體乘法器.
定點DSP也可以實現浮點數, 但要消耗更多的CPU寄存器和時鍾周期,為了進一步提前效率,所以設計了專門的浮點運算DSP. 但對應用來說,除了慢了一點.基本上沒什麼區別.
另外,演算法一般也都是TI或IC廠商提供.也可單獨去買或自己設計.一般也用C.編程來說不用考慮太多DSP內部處理的情況, 不過要多研究下編譯原理,這樣才會寫出更高效精練的代碼.
5. dsp的演算法指的是計算機演算法嗎
通常意義來說，DSP是指Digital Signal Processing，還可以指Digital Signal Processor。
前者是數字信號處理的意思，後者是用於數字信號處理的數字信號處理器。《演算法導論》一書還是有必要看一看的，因為無論你將來要從事軟體還是硬體的研發，這門課程都會起到良好的基礎作用。當然，這門課是「軟」的。此書沒有直接的東西，但是會滲透出一種軟體設計的邏輯思想，一些常用的演算法的理論。
要是將來想從事DSP的相關工作，可以再看一門《數字信號處理》的書，兩者雖然不是直接耦合，就如你自己所說，多儲備一些總是好的。
還有，進一步的深入研究可以研究FPGA，這是數字信號處理的利器。要是用專用處理器的話，可以看德州儀器的相應資料，它是DSP器件領域的老大。
祝學業順利。
6. DSP的演算法移植問題，希望詳細說說
1、晶元不一樣，需要修改（例如int的長度，浮點定點轉換）。
2、軟體平台不一樣，需要修改。
3、實際應用不一樣（比如代碼長度，高質量or低質量）。
4、函數介面要改（例如你喜歡用指針傳遞）。
5、我還沒做過，以上僅僅是吹的。
7. DSP技術的特點
考慮一個數字信號處理的實例，比如有限沖擊響應濾波器（FIR）。用數學語言來說，FIR濾波器是做一系列的點積。取一個輸入量和一個序數向量，在系數和輸入樣本的滑動窗口間作乘法，然後將所有的乘積加起來，形成一個輸出樣本。
類似的運算在數字信號處理過程中大量地重復發生，使得為此設計的器件必須提供專門的支持，促成了了DSP器件與通用處理器（GPP）的分流： GPP不是設計來做密集乘法任務的，即使是一些現代的GPP，也要求多個指令周期來做一次乘法。而DSP處理器使用專門的硬體來實現單周期乘法。DSP處理器還增加了累加器寄存器來處理多個乘積的和。累加器寄存器通常比其他寄存器寬，增加稱為結果bits的額外bits來避免溢出。
同時，為了充分體現專門的乘法-累加硬體的好處，幾乎所有的DSP的指令集都包含有顯式的MAC指令。 傳統上，GPP使用馮.諾依曼存儲器結構。這種結構中，只有一個存儲器空間通過一組匯流排（一個地址匯流排和一個數據匯流排）連接到處理器核。通常，做一次乘法會發生4次存儲器訪問，用掉至少四個指令周期。
大多數DSP採用了哈佛結構，將存儲器空間劃分成兩個，分別存儲程序和數據。它們有兩組匯流排連接到處理器核，允許同時對它們進行訪問。這種安排將處理器存貯器的帶寬加倍，更重要的是同時為處理器核提供數據與指令。在這種布局下，DSP得以實現單周期的MAC指令。
還有一個問題，即現在典型的高性能GPP實際上已包含兩個片內高速緩存，一個是數據，一個是指令，它們直接連接到處理器核，以加快運行時的訪問速度。從物理上說，這種片內的雙存儲器和匯流排的結構幾乎與哈佛結構的一樣了。然而從邏輯上說，兩者還是有重要的區別。
GPP使用控制邏輯來決定哪些數據和指令字存儲在片內的高速緩存里，其程序員並不加以指定（也可能根本不知道）。與此相反，DSP使用多個片內存儲器和多組匯流排來保證每個指令周期內存儲器的多次訪問。在使用DSP時，程序員要明確地控制哪些數據和指令要存儲在片內存儲器中。程序員在寫程序時，必須保證處理器能夠有效地使用其雙匯流排。
此外，DSP處理器幾乎都不具備數據高速緩存。這是因為DSP的典型數據是數據流。也就是說，DSP處理器對每個數據樣本做計算後，就丟棄了，幾乎不再重復使用。 如果了解到DSP演算法的一個共同的特點，即大多數的處理時間是花在執行較小的循環上，也就容易理解，為什麼大多數的DSP都有專門的硬體，用於零開銷循環。所謂零開銷循環是指處理器在執行循環時，不用花時間去檢查循環計數器的值、條件轉移到循環的頂部、將循環計數器減1。
與此相反，GPP的循環使用軟體來實現。某些高性能的GPP使用轉移預報硬體，幾乎達到與硬體支持的零開銷循環同樣的效果。 大多數的DSP應用（如蜂窩電話和數據機）都是嚴格的實時應用，所有的處理必須在指定的時間內完成。這就要求程序員准確地確定每個樣本需要多少處理時間，或者，至少要知道，在最壞的情況下，需要多少時間。
如果打算用低成本的GPP去完成實時信號處理的任務，執行時間的預測大概不會成為什麼問題，應為低成本GPP具有相對直接的結構，比較容易預測執行時間。然而，大多數實時DSP應用所要求的處理能力是低成本GPP所不能提供的。
這時候，DSP對高性能GPP的優勢在於，即便是使用了高速緩存的DSP，哪些指令會放進去也是由程序員（而不是處理器）來決定的，因此很容易判斷指令是從高速緩存還是從存儲器中讀取。DSP一般不使用動態特性，如轉移預測和推理執行等。因此，由一段給定的代碼來預測所要求的執行時間是完全直截了當的。從而使程序員得以確定晶元的性能限制。 定點DSP指令集是按兩個目標來設計的：
·使處理器能夠在每個指令周期內完成多個操作，從而提高每個指令周期的計算效率。
·將存貯DSP程序的存儲器空間減到最小（由於存儲器對整個系統的成本影響甚大，該問題在對成本敏感的DSP應用中尤為重要）。
為了實現這些目標，DSP處理器的指令集通常都允許程序員在一個指令內說明若干個並行的操作。例如，在一條指令包含了MAC操作，即同時的一個或兩個數據移動。在典型的例子里，一條指令就包含了計算FIR濾波器的一節所需要的所有操作。這種高效率付出的代價是，其指令集既不直觀，也不容易使用（與GPP的指令集相比）。
GPP的程序通常並不在意處理器的指令集是否容易使用，因為他們一般使用象C或C++等高級語言。而對於DSP的程序員來說，不幸的是主要的DSP應用程序都是用匯編語言寫的（至少部分是匯編語言優化的）。這里有兩個理由：首先，大多數廣泛使用的高級語言，例如C，並不適合於描述典型的DSP演算法。其次，DSP結構的復雜性，如多存儲器空間、多匯流排、不規則的指令集、高度專門化的硬體等，使得難於為其編寫高效率的編譯器。
即便用編譯器將C源代碼編譯成為DSP的匯編代碼，優化的任務仍然很重。典型的DSP應用都具有大量計算的要求，並有嚴格的開銷限制，使得程序的優化必不可少（至少是對程序的最關鍵部分）。因此，考慮選用DSP的一個關鍵因素是，是否存在足夠的能夠較好地適應DSP處理器指令集的程序員。 因為DSP應用要求高度優化的代碼，大多數DSP廠商都提供一些開發工具，以幫助程序員完成其優化工作。例如，大多數廠商都提供處理器的模擬工具，以准確地模擬每個指令周期內處理器的活動。無論對於確保實時操作還是代碼的優化，這些都是很有用的工具。
GPP廠商通常並不提供這樣的工具，主要是因為GPP程序員通常並不需要詳細到這一層的信息。GPP缺乏精確到指令周期的模擬工具，是DSP應用開發者所面臨的的大問題：由於幾乎不可能預測高性能GPP對於給定任務所需要的周期數，從而無法說明如何去改善代碼的性能。
8. 關於評估DSP一個演算法優劣的指標有些什麼呢
這個綜合說起來就很多了：
1.dsp的mips其實也就是等價於主頻高低，現在低端的150mhz，高端的有1000mhz及以上的。
這個主要就是看你實現某種演算法的時間
2.功耗，這個在某些移動應用中也是要考慮的。
3.ram，flash大小。看看片內的存儲空間大小，還有片內存儲器讀取的時間。
片外的存儲讀取時間要長於片內的。
4。你是測試一種演算法的，應該看一看，這個演算法在多長時間內實現，利用了多少資源。
有沒有為你的下一步應用預留下資源。因為你的這一演算法後期還可能加進去其他的演算法，應用介面。為了擴展性，預留資源。
當然還要考慮，pcb製作的難易程度，像6000以上的板子都不自己做的。還有片子價格，供應情況，像前一段時間，2812的片子供貨緊張，80元的炒到幾百元。
就說這么多了。也不是高手，你就看看吧。
9. DSP功放的AE智能演算法是什麼意思，有什麼用
AE演算法音是伯樂獨家集成的，可以讓DSP功放通過T-BOSS低音處理系統和DF聲音清晰度提升系統，將聲音放置到到5.1聲道的立體環繞音場之中，最後通過智能動態升壓處理輸出高保真的動態音質，然後結合音伯樂的調音模式，把眾口難調的音樂做到有口皆碑。
10. DSP的演算法怎麼學
可以不知道一些復雜的演算法，但你得了解那些簡單的演算法，和數據結構。dsp是需要編程的
