【libm】 7 双精度正弦函数 (k_sin.rs)

一、源码

这段代码实现了一个高精度的正弦函数计算核心(kernel sin function),用于计算在区间约[-π/4, π/4]内的正弦值。

// origin: FreeBSD /usr/src/lib/msun/src/k_sin.c
//
// ====================================================
// Copyright (C) 1993 by Sun Microsystems, Inc. All rights reserved.
//
// Developed at SunSoft, a Sun Microsystems, Inc. business.
// Permission to use, copy, modify, and distribute this
// software is freely granted, provided that this notice
// is preserved.
// ====================================================const S1: f64 = -1.66666666666666324348e-01; /* 0xBFC55555, 0x55555549 */
const S2: f64 = 8.33333333332248946124e-03; /* 0x3F811111, 0x1110F8A6 */
const S3: f64 = -1.98412698298579493134e-04; /* 0xBF2A01A0, 0x19C161D5 */
const S4: f64 = 2.75573137070700676789e-06; /* 0x3EC71DE3, 0x57B1FE7D */
const S5: f64 = -2.50507602534068634195e-08; /* 0xBE5AE5E6, 0x8A2B9CEB */
const S6: f64 = 1.58969099521155010221e-10; /* 0x3DE5D93A, 0x5ACFD57C */// kernel sin function on ~[-pi/4, pi/4] (except on -0), pi/4 ~ 0.7854
// Input x is assumed to be bounded by ~pi/4 in magnitude.
// Input y is the tail of x.
// Input iy indicates whether y is 0. (if iy=0, y assume to be 0).
//
// Algorithm
//      1. Since sin(-x) = -sin(x), we need only to consider positive x.
//      2. Callers must return sin(-0) = -0 without calling here since our
//         odd polynomial is not evaluated in a way that preserves -0.
//         Callers may do the optimization sin(x) ~ x for tiny x.
//      3. sin(x) is approximated by a polynomial of degree 13 on
//         [0,pi/4]
//                               3            13
//              sin(x) ~ x + S1*x + ... + S6*x
//         where
//
//      |sin(x)         2     4     6     8     10     12  |     -58
//      |----- - (1+S1*x +S2*x +S3*x +S4*x +S5*x  +S6*x   )| <= 2
//      |  x                                               |
//
//      4. sin(x+y) = sin(x) + sin'(x')*y
//                  ~ sin(x) + (1-x*x/2)*y
//         For better accuracy, let
//                   3      2      2      2      2
//              r = x *(S2+x *(S3+x *(S4+x *(S5+x *S6))))
//         then                   3    2
//              sin(x) = x + (S1*x + (x *(r-y/2)+y))
#[cfg_attr(all(test, assert_no_panic), no_panic::no_panic)]
pub(crate) fn k_sin(x: f64, y: f64, iy: i32) -> f64 {let z = x * x;let w = z * z;let r = S2 + z * (S3 + z * S4) + z * w * (S5 + z * S6);let v = z * x;if iy == 0 { x + v * (S1 + z * r) } else { x - ((z * (0.5 * y - v * r) - y) - v * S1) }
}

二、源码分析

常量定义

代码开头定义了一系列常量S1到S6,这些是泰勒级数展开的系数,用于多项式近似计算正弦函数。每个常量后面都有十六进制表示,这是IEEE 754浮点数的二进制表示。
函数参数

  • x: 输入值,假定其绝对值小于约π/4

  • y: x的尾部(即x的高精度表示中,除去主要部分后的剩余部分)

  • iy: 标志位,指示y是否为0

算法说明
  1. 对称性处理:利用sin(-x) = -sin(x)的性质,只需处理正数x的情况。

  2. 特殊值处理:调用者需要自己处理sin(-0) = -0的情况,以及非常小的x(sin(x) ≈ x)。

  3. 多项式近似:在[0, π/4]区间内,使用13次多项式近似sin(x),形式为:

sin(x) ≈ x + S1*x³ + ... + S6*x¹³
近似精度非常高,误差不超过2⁻⁵⁸。
  1. 尾部修正:当y非零时,使用sin(x+y) ≈ sin(x) + (1 - x²/2)*y进行修正,但为了更高精度,使用了更复杂的修正公式。
代码实现
  1. 计算z = x²和w = z²(即x⁴)。

  2. 计算多项式r,这是高阶项的组合

r = S2 + z*(S3 + z*S4) + z*w*(S5 + z*S6)
  1. 计算v = z*x(即x³)。

  2. 根据iy的值选择不同的计算路径:

    • 如果iy == 0(y为零),则计算:
x + v*(S1 + z*r)

这对应于多项式近似的主要部分。

  • 如果iy != 0(y非零),则计算更复杂的表达式,包括对y的修正:
x - ((z*(0.5*y - v*r) - y) - v*S1)
精度保证

这个实现使用了高度优化的多项式近似,保证了在目标区间内极高的计算精度(误差不超过2⁻⁵⁸),同时保持了良好的性能。

注意事项
  • 调用者需要确保输入x在[-π/4, π/4]范围内。

  • 特殊值(如-0.0)需要由调用者处理。

  • 对于非常小的x,调用者可以直接使用x近似sin(x)。

这段代码是数学库中的底层函数,通常不会被直接调用,而是由更上层的正弦函数封装后提供给用户。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.pswp.cn/diannao/89565.shtml
繁体地址,请注明出处:http://hk.pswp.cn/diannao/89565.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

c++ 的标准库 --- std::

在 C 的标准库&#xff08;std&#xff09;里&#xff0c;除了 std::string&#xff0c;还有很多常用的类型和工具。下面列举一些最常用的&#xff1a; 常用的 std:: 标准库类型 1. 容器类&#xff08;用来存放一组数据&#xff09; std::vector  // 动态数组&#xff0c;类…

用 PyTorch 构建液态神经网络(LNN):下一代动态深度学习模型

引言 在深度学习领域&#xff0c;研究人员不断探索更接近生物神经系统工作方式的模型。液态神经网络(Liquid Neural Networks, LNN)正是这样一种受生物神经元动态特性启发的创新架构。本文将带你了解LNN的核心概念&#xff0c;并展示如何使用PyTorch实现这种前沿模型。 一、什…

取消latex Beamer 中,右下角的导航按钮

取消 Beamer 右下角的导航按钮 在 Beamer 中,右下角的导航按钮(如上一页、下一页、目录等)是由主题(如 Boadilla)自动添加的。要移除它们,可以通过以下方法实现: 方法 1:使用 \setbeamertemplate{navigation symbols}{}(推荐) 在导言区(\begin{document} 之前)添…

LLaMA-Factory 单卡后训练微调Qwen3完整脚本

LLaMA-Factory 单卡后训练微调Qwen3完整脚本 flyfish 使用说明 将下面代码保存为 train_single_gpu.sh 修改脚本中的以下参数&#xff1a; MODEL_PATH&#xff1a;模型路径 DS_CONFIG_PATH&#xff1a;DeepSpeed配置文件路径 OUTPUT_PATH&#xff1a;输出目录路径 --dataset…

AI自动化神器-DroidRun使用体验

引言 DroidRun 是一个强大的框架&#xff0c;用于通过 LLM 代理控制 Android 设备。它允许您使用自然语言命令自动化 Android 设备交互。 特点 使用自然语言命令控制 Android 设备 支持多个 LLM 提供商(OpenAI、Anthropic、Gemini) 易于使用的 CLI 用于自定义自动化的可扩…

免费文件管理 智能转换GC-Prevue:PDF 转 Word 多种格式 一键完成

前言 在现代办公环境中&#xff0c;高效的数据处理和文档管理是提高工作效率的关键。GC-Prevue是一款专为Windows系统设计的办公辅助软件&#xff0c;软件下载地址安装包 它通过一系列实用的功能&#xff0c;帮助用户更高效地处理和管理文档&#xff0c;提升整体办公效率。 软…

Java SE--运算符和逻辑控制

大多数和c语言一样 新增补充&#xff1a; 一.运算符 1.左移&#xff08;<<&#xff09; 结果公式&#xff1a; n*2^x (n代表所要位移的数&#xff0c;x代表位移几位) 2.右移&#xff08;>>&#xff09; 结果公式&#xff1a; n/2*x (n代表所要位移的数&a…

如何配置core dump生成

文章目录 **一、临时配置&#xff08;当前会话有效&#xff09;**1. **设置core文件大小限制**2. **设置core文件命名格式&#xff08;可选&#xff09;** **二、永久配置&#xff08;所有会话生效&#xff09;**1. **修改系统限制配置**2. **修改内核参数** **三、高级配置选项…

小程序包上传大小超限制处理

背景。想要进行真机测试&#xff0c;体验版。但是单机上传操作之后。提示超大晓限制。上传操作 完成填写后上传 上传后超过限制。能看到图片下方有错误提示。可以根据提示处理包大小问题。 解决方案&#xff1a;待续

JS | 动态生成函数 和 保存局部变量

动态生成函数 和 保存局部变量&#xff0c;适用于 闭包 和 高阶函数&#xff0c;存在于异步编程、事件处理、回调函数以及函数式编程中。 动态生成函数&#xff1a;运行时创建函数。 闭包&#xff1a;创建一个可以访问外部作用域变量的函数。 Function 构造函数&#xff1a;使…

设计模式(七)

迭代器模式&#xff08;Iterator Pattern&#xff09;详解 一、核心概念 迭代器模式提供一种方法来顺序访问一个聚合对象中的各个元素&#xff0c;而又不暴露该对象的内部表示。该模式将遍历逻辑封装在迭代器对象中&#xff0c;使聚合对象和遍历逻辑分离。 核心组件&#xf…

24年OPPO秋季笔试题

257. 小欧过河 链接&#xff1a;https://kamacoder.com/problempage.php?pid1337 思路&#xff1a;这道题的实际需要求的就是在两个11之间&#xff0c;最多能有多少个0。可以记录在遍历序列的时候&#xff0c;记录有最多个0的1的两个下标&#xff0c;最后再返回其差值。要注…

处理Lombok的一个小BUG

对于Lombok报错的修改 一、问题描述 在使用IDEA创建spring boot项目时如果你勾选了Lombok&#xff0c;生成的Lombok会随着maven的刷新而改变处理器的扫描路径&#xff0c;从项目类变到自定义的处理器路径 二、原因与解决方法 原因就是这里写了Lombok的路径才会导致你每次刷新都…

【Java入门到精通】(一)Java发展历程与环境搭建指南

一、Java的发展 Java是在1991年由SUN公司的James Gosling&#xff08;Java之父&#xff09;及其团队所研发的一种编程语言&#xff0c;第一个版本耗时18个月&#xff0c;最开始命名为Oak&#xff08;一种橡树&#xff09;。Java现在广泛应用于各种大型互联网应用&#xff0c;其…

【RK3568+PG2L50H开发板实验例程】Linux部分/UAR读写案例

本原创文章由深圳市小眼睛科技有限公司创作&#xff0c;版权归本公司所有&#xff0c;如需转载&#xff0c;需授权并注明出处&#xff08;www.meyesemi.com) 1.1. 案例简介 本案例旨在介绍如何测试开发板上的 UART 串口通信功能。 开发板支持的串口及其对应的设备节点如下表所…

Webpack 中的 Loader 和 Plugin 全面详解

&#x1f3af; Webpack 中的 Loader 和 Plugin 全面详解 &#x1f4cc; 整理不易&#xff0c;记得收藏、点赞再加关注&#xff0c;后续还会更新更多实战文档&#xff01; Webpack 是现代前端构建体系的核心工具&#xff0c;其中 Loader 和 Plugin 是其功能扩展的两大支柱。它们…

主流分布式中间件及其选型

分布式架构中的中间件技术 在互联网公司的分布式架构中&#xff0c;中间件是支撑系统高可用、高并发、可扩展的核心组件。这些中间件针对分布式环境下的共性问题&#xff08;如通信、数据一致性、资源调度等&#xff09;提供标准化解决方案&#xff0c;极大降低了分布式系统的…

设备需求极致紧凑的空间体验,我们该如何解决?

在自动化集成过程&#xff0c;往往会碰到设备对控制系统体积有极致要求的情况&#xff0c;面对这样的挑战&#xff0c;如何解决&#xff1f; 项目背景与需求分析 在自动化集成过程&#xff0c;往往会碰到设备对控制系统体积有极致要求的情况&#xff0c;面对这样的挑战&#x…

Kotlin扩展函数与属性

扩展函数和属性是Kotlin中最具特色的功能之一&#xff0c;它们允许我们在不修改原有类的情况下为类添加新功能。这种设计既保持了类的封装性&#xff0c;又提供了强大的扩展能力。 一、扩展函数&#xff1a;为现有类添加新行为 1.1 基础扩展函数 扩展函数允许我们为任何类&am…

厨师上门做饭小程序源码php方案

厨师上门做饭小程序源码&#xff0c;开发语言后端php&#xff0c;前端uniapp。可二开定制 三个端&#xff1a;用户端师傅端小程序&#xff0c;pc管理后台。 一 用户端 1.单点大厨&#xff1a;选择厨师预约下单&#xff0c;查看厨师评价、厨师的套餐。 2.点套餐&#xff1a;选择…