doubleから8bitへの浮動小数点量子化

Question

double precision floating pointを8bit floating pointに格納できる値に丸めるにはどうすればよいですか？ 私は数学的にそれをやろうとしていますが、どうするかわかりません。

Iはxdouble番号を持っていると私はnとn*2^bとb整数と[-128,127]にnで表現できる最も近いyを見つけるべきです。しかし、どうすれば最高のnとbを見つけることができますか？

Answer 1

私は、このアルゴリズムを用いて解決しました：

function y = DoubleTo8bit(x) 
s=sign(x); 
x=abs(x); 

if x==0 
    y=0; 
    return; 
end 
b=floor(log2(x)+1)-8+(s>0); 
m=s*round(x/2^b); 

y=m*2^b; 
end