<p>Att ansluta en digital signalprocessor kräver ett omfattande arbete. Innehållet i denna rapport sammanfattar teoretiska metoder för att integrera den digitala signalprocessorn ADAU1701 i talförstärkaren MMT-4, utvecklad av företaget Xena Medical. Arbetet har till största delen bestått i att finna en lämplig DSP och studera dess datamanual för att anpassa den till talförstärkaren.</p><p>Mycket av rapporten sammanfattar beräkningar av komponentvärden och anpassning av ADAU1701 för MMT-4:s behov. ADAU1701 beskrivs utifrån det så kallade <em>selfboot-</em>läget där processorn kan arbeta som fristående processor.</p> / <p>This thesis describes how to integrate a digital signal processor (DSP) in the speech amplifier MMT-4. This is to improve the sound quality and prevent feedback. Much of the task consisted of selecting a suitable DSP design and components to get it work as a standalone processor in MMT-4. Following this report gives the reader an introduction how to design systems with a DSP and a full description of the DSP ADAU1701.</p>

Att ansluta en digital signalprocessor kräver ett omfattande arbete. Innehållet i denna rapport sammanfattar teoretiska metoder för att integrera den digitala signalprocessorn ADAU1701 i talförstärkaren MMT-4, utvecklad av företaget Xena Medical. Arbetet har till största delen bestått i att finna en lämplig DSP och studera dess datamanual för att anpassa den till talförstärkaren. Mycket av rapporten sammanfattar beräkningar av komponentvärden och anpassning av ADAU1701 för MMT-4:s behov. ADAU1701 beskrivs utifrån det så kallade selfboot-läget där processorn kan arbeta som fristående processor. / This thesis describes how to integrate a digital signal processor (DSP) in the speech amplifier MMT-4. This is to improve the sound quality and prevent feedback. Much of the task consisted of selecting a suitable DSP design and components to get it work as a standalone processor in MMT-4. Following this report gives the reader an introduction how to design systems with a DSP and a full description of the DSP ADAU1701.

This thesis report is about designing a prototype and establishing audio communication between a computer and Digital Signal Processor (DSP) using two preamp circuits using both auxiliary and USB connection. The paper gives the reader an overview on how audio is transmitted from a computer, through the system and to the desired output. The reader should also get a better understanding of how an AD-converter samples the incoming signal to the Discrete plane and how an AUX or phone connector works. This information can be used for designing preamp circuits to communicate between a computer and the DSP. The DSP circuit uses an STM32 processor to control the incoming and outgoing signals with the use of ADC and DAC conversion. The DSP also uses microphones to capture surrounding sound. An addition is to make a prototype on how to use these microphones to  send the signal upstream to the computer. The microphone is then benchmarked with the use of Matlab, calculating Total Harmonic Distortion. Management and optimization of code structure and resources is done in the source files of the project. Using imperative C programing, large functions are broken down into smaller functions to ease readability and control flow. The result is a prototype circuit that can communicate audio signals with both audio jack and USB between computers input and output to the DSP. Using CubeMX in conjunction with CubeIDE to add additional ADC channels to be able to incorporate an automatic source control when the audio jack or USB is connected. / Denna avhandling handlar om att designa en prototyp och etablera ljudkommunikation mellan en dator och en digital signalprocessor (DSP) med hjälp av två förstärkarkretsar genom både aux- och USB-anslutning. Rapporten ger läsaren en översikt över hur ljud skickas från en dator, genom systemet och till önskad utgång. Läsaren bör också få en bättre förståelse för hur en AD-omvandlare fungerar för att sampla den inkommande signalen till tidsdiskreta planet och hur en AUX- eller telekabel fungerar. Målet är att använda denna information för att skapa förstärkare som kan kommunicera mellan en dator och DSP:en. DSP-kretsen använder en STM32-processor för att hantera de inkommande och utgående signalerna med användning av ADC- och DAC-omvandling. DSP:en använder också mikrofoner för att fånga omgivande ljud. Ett tillägg är att skapa en prototyp för hur man kan använda en av mikrofonerna för att skicka signalen till datorn. Mikrofonen jämförs sedan med hjälp av Matlab genom att beräkna total harmonisk distorsion. Hantering och optimering av kodstruktur och resurser görs i projektets källkodsfiler. Genom att använda imperativ C-programmering bryts stora funktioner ned i mindre funktioner för att underlätta läsbarheten och styrningen av flödet. Resultatet är en prototypkrets som kan kommunicera ljudsignaler med både ljuduttag och USB mellan datorns in- och utgång och DSP:en. Genom att använda CubeMX tillsammans med CubeIDE läggs ytterligare ADC-kanaler för att möjliggöra automatisk källkontroll när ljuduttaget eller USB-anslutningen är ansluten.

Machine learning is rapidly being integrated into all areas of society, however, that puts a lot of pressure on resource costraint hardware such as embedded systems. The company Ericsson is gradually integrating machine learning based on neural networks, so-called deep learning, into their radio products. One promising product is their vectorized Digital Signal Processor (DSP) that are based upon the machine learning suitable Single Instruction, Multiple Data (SIMD) paradigm and Very Long Instruction Word (VLIW) architecture. However, despite the suitability of the SIMD paradigm, the embedded system needs to efficiently execute a computation-intensive deep learning algorithm with proper use of its limited resources. Therefore commonly used methods of implementing each layer of the computation-intensive Convolutional Neural Network (CNN), a type of Deep Neural Network (DNN), have been used and evaluated its implementation on the hardware and to assess the vectorized DSP’s deep learning suitability and capabilities. Despite the suitability of the hardware, the implementation utilized less than half of the available resources at all times during the execution. The main limitations were identified to be the limited 16-bit element instructions. To enhance the performance and improve the utilization of the available resources, easy-to-implement hardware instructions have been suggested. This work has made the first steps of implementing an efficiently performing CNN implementation on the examined vectorized DSP. / Integreringen av maskininlärning in i alla samhällsområden sker idag i rusande fart, men det sätter stor press på begränsad hårdvara som inbyggda system. Företaget Ericsson integrerar successivt maskininlärning baserad på neurala nätverk, så kallad djupinlärning, i sina radioprodukter. En lovande produkt är deras vektoriserade DSP som är baserade på maskininlärningspasset SIMD-paradigm och VLIW-arkitektur. Men trots lämpligheten av SIMD-paradigmet, är den största utmaningen att utnyttja de begränsade resurserna i inbyggda systemet för att effektivt exekvera en beräkningsintensiv djupinlärningsalgoritm. Därför har vanligt använda metoder för att implementera varje lager av den beräkningsintensiva CNN, en typ av DNN, använts och utvärderats på hårdvaran för att bedöma den vektoriserade DSP:s djupinlärningslämplighet samt förmågor. Trots hårdvarans lämplighet använde alla implementeringar mindre än hälften av de tillgängliga resurserna vid alla tidpunkter under exekveringen. De huvudsakliga begränsningarna identifierades vara den begränsade tillgången på 16-bitars element instruktioner. För att förbättra prestandan för ett närmare fullt utnyttjande av tillgängliga resurser har hårdvaruinstruktioner som är enkla att implementera föreslagits. Detta arbete har tagit de första stegen för att implementera ett effektivt förformande CNN på den undersökta vekotriserade DSP.