Использование встроенной сборки команд умножения с накоплением в C ++

Я реализую FIR-фильтр на процессоре ARM9 и пытаюсь использовать инструкцию SMLAL.

Первоначально у меня был реализован следующий фильтр, и он работал отлично, за исключением того, что этот метод использует слишком много вычислительной мощности для использования в нашем приложении.

uint32_t DDPDataAcq::filterSample_8k(uint32_t sample)
 {
    // This routine is based on the fir_double_z routine outline by Grant R Griffin
    // - www.dspguru.com/sw/opendsp/alglib.htm 
    int i = 0; 
    int64_t accum = 0; 
    const int32_t *p_h = hCoeff_8K; 
    const int32_t *p_z = zOut_8K + filterState_8K;


    /* Cast the sample to a signed 32 bit int 
     * We need to preserve the signdness of the number, so if the 24 bit
     * sample is negative we need to move the sign bit up to the MSB and pad the number
     * with 1's to preserve 2's compliment. 
     */
    int32_t s = sample; 
    if (s & 0x800000)
        s |= ~0xffffff;

    // store input sample at the beginning of the delay line as well as ntaps more
    zOut_8K[filterState_8K] = zOut_8K[filterState_8K+NTAPS_8K] = s;

    for (i =0; i<NTAPS_8K; ++i)
    {
        accum += (int64_t)(*p_h++) * (int64_t)(*p_z++);
    }

    //convert the 64 bit accumulator back down to 32 bits
    int32_t a = (int32_t)(accum >> 9);


    // decrement state, wrapping if below zero
    if ( --filterState_8K < 0 )
        filterState_8K += NTAPS_8K;

    return a; 
} 

Я пытался заменить многократное накопление на встроенную сборку, так как GCC не использует инструкцию MAC даже при включенной оптимизации. Я заменил цикл for следующим:

uint32_t accum_low = 0; 
int32_t accum_high = 0; 

for (i =0; i<NTAPS_4K; ++i)
{
    __asm__ __volatile__("smlal %0,%1,%2,%3;"
        :"+r"(accum_low),"+r"(accum_high)
        :"r"(*p_h++),"r"(*p_z++)); 
} 

accum = (int64_t)accum_high << 32 | (accum_low); 

Вывод, который я теперь получаю с использованием инструкции SMLAL, не является отфильтрованными данными, которые я ожидал. Я получаю случайные значения, которые, кажется, не имеют паттерна или связи с исходным сигналом или данными, которые я ожидаю.

У меня такое чувство, что я делаю что-то не так, разбивая 64-битный аккумулятор на верхний и нижний регистры для инструкции, или неправильно соединяю их. В любом случае я не уверен, почему я не могу получить правильный вывод, меняя код C на встроенную сборку.