3. 量化失真分析：均匀量化与非线性量化、量化噪声模型、信噪比计算

量化，说白了就是把连续信号变成离散数值的过程。你想想看，ADC 的位数是有限的，它不可能表示无限多个电平。所以，真实值和量化值之间必然存在误差——这个误差，就是我们常说的量化失真。

我刚开始做信号采集时，总觉得量化误差是 ADC 自身的问题，选个好芯片就行了。后来发现，量化策略的选择，对最终信噪比的影响非常大。今天我们就来把这件事彻底讲清楚。

3.1 均匀量化：最直观，但不一定最优

均匀量化，就是把信号的动态范围等分成若干层。每一层的宽度都一样，叫量化步长 Δ。

假设输入信号范围是 [-V, V]，用 N 位 ADC 量化，那么量化层数 M = 2^N，步长 Δ = 2V / M。

举个例子：

V = 5V，N = 8 位
M = 256 层
Δ = 10V / 256 ≈ 39.06 mV

每个采样值都会被就近映射到最近的量化电平上。映射规则很简单：

• 如果输入值落在某个量化区间内，就输出该区间的中心电平
• 最大量化误差为 Δ/2

我在项目中遇到过一个问题：用 12 位 ADC 采集振动信号，信号本身只有满量程的 10%。结果信噪比远低于理论值。原因就是均匀量化对小信号不友好——量化噪声是固定的，信号小了，信噪比自然就差了。

3.2 非线性量化：把资源用在刀刃上

既然均匀量化对小信号不友好，那能不能换个思路？小信号用更小的量化步长，大信号用更大的量化步长。这就是非线性量化的核心思想。

常见的非线性量化策略有两种：

1. 对数量化：输入信号先经过对数压缩，再进行均匀量化。A 律和 μ 律是典型代表，广泛应用于语音通信。
2. 浮点量化：用指数和尾数的方式表示信号，动态范围极大。比如 DSP 中的浮点格式。

为什么语音通信要用对数量化？因为人耳对声音的感知是对数级的。小声音的细微变化我们很敏感，大声音的波动反而没那么在意。对数量化正好匹配了人耳的听觉特性。

3.3 量化噪声模型：数学上怎么描述？

量化误差 e = x - x_q，其中 x 是真实值，x_q 是量化值。在均匀量化且信号足够复杂的情况下，量化误差可以近似为：

• 在 [-Δ/2, Δ/2] 上均匀分布
• 与输入信号不相关
• 功率谱密度平坦（白噪声特性）

量化噪声的功率（方差）为：

σ²_e = Δ² / 12

这个公式怎么来的？均匀分布的概率密度函数是 1/Δ，方差积分一下就出来了。我建议你记住这个结论，后面信噪比计算会反复用到。

3.4 信噪比计算：理论值与实际值的差距

对于满量程正弦信号，均匀量化的理论信噪比公式为：

SNR = 6.02N + 1.76 dB

其中 N 是 ADC 的位数。这个公式是量化信噪比的上限，实际应用中很难达到。

为什么？因为公式假设：

• 信号是满量程的正弦波
• 量化噪声是理想的白噪声
• ADC 没有其他非理想特性（如 INL、DNL、时钟抖动等）

实际信噪比通常会比理论值低 3~6 dB。我做过一个测试：16 位 ADC，理论 SNR 应为 98.08 dB，实测只有 92.3 dB。差了将近 6 dB，主要原因是 ADC 的微分非线性（DNL）和时钟抖动。

对于非满量程信号，信噪比会进一步下降。假设信号幅度只有满量程的 A 倍（0 < A ≤ 1），则：

SNR = 6.02N + 1.76 + 20log₁₀(A) dB

当 A = 0.5 时，信噪比下降 6 dB。所以，尽量让信号接近满量程，是提高信噪比最直接的方法。

3.5 知识体系：量化失真分析框架

下面这张图总结了量化失真分析的核心逻辑，我建议你保存下来，做项目时对照着看。

3.6 实际排查中的常见问题

做量化失真排查时，我总结了几条经验：

现象	可能原因	排查方法
信噪比远低于理论值	信号幅度太小，或 ADC 存在较大 DNL	检查信号幅度，测量 ADC 的 DNL 曲线
量化噪声不是白噪声	信号变化缓慢，或存在周期性成分	观察频谱，看是否有明显的谐波分量
小信号失真明显	均匀量化对小信号不友好	考虑改用非线性量化，或增加信号增益
信噪比随温度变化	ADC 的量化特性受温度影响	做温度循环测试，查看数据手册的温度系数

量化失真分析，说白了就是搞清楚“误差从哪里来，有多大，怎么减小”。均匀量化简单但效率低，非线性量化复杂但效果好。选哪种，取决于你的信号特性和系统要求。记住那个 SNR 公式，做项目时随时可以拿出来估算一下。