Оптимизация кода для каскадных фильтров Biquad

Question

1У меня есть 3-х ступенчатый биквад-фильтр для фильтрации данных входного сигнала (входной). Во время оптимизации я развернул всю l oop и использовал встроенную нагрузку (vld1_s32), умноженную на накопление (vmlal_s32), полагая, что эта оптимизация сократит время, затрачиваемое процессором на код. Но я не получил лучшие результаты. Можно ли каким-либо другим способом оптимизировать следующий код с помощью ARM NEON Intrinsics (архитектура SIMD)?

Примечание. Значения буфера (x) и коэффициентов (h) являются 32-разрядными целыми числами.

long long int sum;
for(i1=0;i1<100;i1++)
{
    temp = input[i1];//32 bit (int) datatype

    for(i=0;i<3;i++)
    {
       sum = x[1+2*i] * h[1+5*i];
       sum += x[3+2*i] * h[3+5*i];
       sum = sum<<1; //center tapping
       sum += x[2+2*i] * h[2+5*i];
       sum += x[4+2*i] * h[4+5*i];
       sum += temp * h[0+5*i];

       x[2+2*i] = x[1+2*i];
       x[1+2*i] = temp;
       temp = sum>>31; 
    }
    printf("%lld\n",temp);
}

Оптимизированный код: (я считаю, что это только частичная оптимизация)

    int32x2_t x_vec,h_vec;
    int64x2_t result_vec;
    for(i1=0;i1<100;i1++)
    {
       temp =input[i1];

       for (i = 0; i < 3; i++)
       {
          result_vec = vdupq_n_s64(0);

          for (j = 0; j < 2; j++) // 5 coefficients in total for a biquad - 4 used here
          {
            x_vec = vld1_s32(&x[1 + 2 * i + 2 * j]);
            h_vec = vld1_s32(&h[1 + 5 * i + 2 * j]);
            result_vec = vmlal_s32(result_vec, x_vec, h_vec);
          }

          sum = vadd_s64(result_vec[0], result_vec[1]);
          sum = sum + temp * h[0 + 5 * i])  //- remaining one used here
          sum += x[1 + 2 * i] * h[1 + 5 * i]);//adding one more time
          sum += x[3 + 2 * i] * h[3 + 5 * i];//adding one more time

          x[2 + 2 * i] = x[1 + 2 * i];
          x[1 + 2 * i] = temp;
          temp = sum>>31;
       }
       printf("%d\n",temp);
    }