老城区有家裁缝铺，白师傅的绝活是量体裁衣。顾客往那儿一站，白师傅的软尺从肩头滑到脚跟，任何一个褶皱、一处驼背都会被软尺忠实贴住——这软尺上每一毫米都可能恰好落在——这就像真实世界的“模拟信号”，连续不断、处处取值。 可白师傅的订单本不是这么记的。他从不写“肩宽 42.863 公分”，而是把软尺上的读数凑到离它最近的整毫米刻度，再在订单栏里写一个编号：“左肩 3 号档”。这个“凑刻度”的动作，就是量化；把刻度编号写进订单，就是编码。一台电脑没法直接吞下一段连续的山峦曲线，它只能像白师傅的订单本一样，用有限的台阶去逼近无限连续的真实。这篇内容，就把这套“量身高、凑刻度、写编号”的流程拆开给你看：采样是什么、量化是怎么把连续变离散的、误差从哪里来、PCM 编码怎么把电平变成 0 和 1，以及为什么 16 bit 高保真音频能稳坐发烧友的神坛。

岗位关联

对 AI 从业者来说，懂量化与编码，就懂数据的第一口井长什么样：任何模型吃进去的数字，都来自 ADC 对真实世界的“打折记录”。理解这一层，你才能判断数据噪声的来源、位深对训练精度的影响，以及怎样为语音、图像、传感器数据选择正确的数字化方案。

目录
  1. 可视化演示
  2. 模拟与数字
  3. 量化原理
  4. 量化误差
  5. 量化信噪比
  6. 非均匀量化
  7. PCM编码
  8. 位深与动态
  9. ADC与采样
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

动态演示量化与编码的核心机制，通过基础/核心/应用/扩展四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

量化与编码：均匀量化 均匀量化的电平划分与原理 量化误差与量化信噪比 核心机制可视化 量化与编码整体架构与关键组件

模拟与数字

白师傅的软尺是皱巴巴的一条布带，贴着顾客脊背的每一处凹凸。它能量出 41.382 厘米这种“无限精确”的数——软尺上的任意一个位置都是合法的。这就是模拟信号的本质：时间连续、幅度连续，取之不尽。可计算机的订单本没法写小数，它只有一排排整数格子。数字信号，就是被关进一排固定格子的值：不是 3.14，而是 3；不是 163.278 厘米，而是 163 厘米。从软尺到格子，中间需要一位“翻译官”，这就是模数转换器（ADC）。

把模拟变数字不是一步到位的，而是三步流水线：采样、量化、编码。采样像白师傅每隔五秒给顾客量一次“动态捕捉”——只记关键时刻的身高；量化像把软尺读数凑到最近的整毫米；编码则像在订单本上给每个刻度写编号。三步合起来，一条连续的身高曲线，就变成了一串能存进计算机的数字。

第一步决定软尺的度量范围，第二步决定台阶的粗细。均匀量化是最直接的方案：把从最小到最大（满量程）的整个范围，均匀切成 \( M \) 份，每一份的宽度就是量化阶距：

回到裁缝铺：你把软尺绷得越直、刻度越密，记下来的数字就越接近真实体型。但刻度再密，它也是“一根根印上去的线”，永远无法像软尺本身那样丝滑——这就是数字化必须接受的温柔妥协。

Δ=Vmax⁡−Vmin⁡M\displaystyle \Delta = \frac{V_{\max} - V_{\min}}{M}
这是“白师傅把 0 到 200 厘米的身高范围均匀地切成 200 格，每格 1 厘米”的数学写法。量化阶距，就是台阶的高度。
  1. 满量程范围测身高的起点 \( V_{\min} \) 到终点 \( V_{\max} \) 的总跨度。
    Vmax⁡−Vmin⁡V_{\max} - V_{\min}
  2. 量化级数把跨度切成 \( M \) 份台阶，\( M \) 越大台阶越细。
    MM
  3. 阶距计算总跨度除以份数，得到每一格的高度。
    Δ=Vmax⁡−Vmin⁡M\Delta = \frac{V_{\max} - V_{\min}}{M}

量化原理

白师傅的软尺上印着一道道刻度。量到 42.3 厘米，订单上只能填 42 厘米或 43 厘米——哪个近填哪个。在信号处理里，量化器干的就是这件“就近落格”的事：给定一个模拟输入 \( x \)，它先看 \( x \) 落在哪个决策区间，然后把整个区间折算成一个唯一的代表值——量化电平 \( Q(x) \)。输入值越靠近哪个量化电平，就落到哪一级台阶。

均匀量化的决策边界像等宽的房间隔断：每个 \( \Delta \) 宽度的区间配一个位于区间中心的量化电平（比如 0.5Δ, 1.5Δ, 2.5Δ…）。输入落在 0.8Δ 到 1.2Δ 之间？统统记成 1.0Δ。这种“按格子就近取整”的做法，让数字信号变成一串均匀的阶梯波，就像你在可视化演示里看到的绿色台阶。

量化动作本身会丢信息：输入是 0.81Δ，输出却是 1.0Δ，多出来的 0.19Δ 哪去了？被台阶吃掉了。这个被吃掉的零头，就是量化误差。它的上限，正好是半个台阶高：

裁缝铺里，顾客并不在乎差半格。但在高保真录音棚里，半格误差会变成背景“嘶嘶”声——台阶越粗，嘶声越大。所以，量化的艺术，就是选对台阶粗细。

eq=x−Q(x),−Δ2≤eq≤Δ2\displaystyle e_q = x - Q(x),\qquad -\frac{\Delta}{2} \le e_q \le \frac{\Delta}{2}
好比量体师傅把 42.3 厘米记成 42 厘米，误差只有 0.3 厘米；无论怎么凑，最坏也只差半格刻度——0.5 厘米。这就是“四舍五入”永远逃不掉的半格宿命。
  1. 量化误差定义原始值减去量化代表值，就是被台阶丢掉的零头。
    eq=x−Q(x)e_q = x - Q(x)
  2. 误差上界因为每次都投到最近刻度，偏差最多是半格。
    eq≤Δ2e_q \le \frac{\Delta}{2}
  3. 误差下界同理，最负也不会超过负半格。
    −Δ2≤eq-\frac{\Delta}{2} \le e_q

量化误差

把 42.3 厘米写成 42 厘米，丢掉的 0.3 厘米是每次都一样的吗？白师傅发现，如果顾客身高在 41 厘米到 43 厘米之间来回变，那么凑整误差就像掷骰子一样，一会儿丢 0.4，一会儿赚 0.2，几乎在 \(-\Delta/2\) 到 \(\Delta/2\) 之间均匀分布。数学上，量化误差常被建模成一个零均值、均匀分布的随机变量——虽然在底层它其实是确定的舍入，但在复杂信号眼里它“看起来”就像噪声。

既然是随机噪声，就能统计它。均匀分布的标准结论：方差是区间宽度的平方除以 12。把区间宽度 \( \Delta \) 代进去，量化噪声的功率就是：

想减小这个“零头噪声”，办法有两个：要么把台阶做细（加大 \( M \)、加深位深），要么让台阶不再均匀（非均匀量化）。裁缝铺的进阶心法是：敏感部位用细刻度，普通部位用粗刻度——这就是下一节的压扩思想。

σq2=∫−Δ/2Δ/2e2⋅1Δ de=Δ212\displaystyle \sigma_q^2 = \int_{-\Delta/2}^{\Delta/2} e^2 \cdot \frac{1}{\Delta} \, de = \frac{\Delta^2}{12}
这像在说：白师傅每次凑整丢的零头，平均功率恒等于“台阶高度的平方再除以 12”。台阶越细，噪声功率越小。
  1. 误差概率密度误差在半个阶距内均匀分布，密度是 \( 1/\Delta \)。
    1Δ,−Δ2≤e≤Δ2\frac{1}{\Delta}, \quad -\frac{\Delta}{2} \le e \le \frac{\Delta}{2}
  2. 二阶矩积分噪声功率定义为误差平方的统计平均。
    ∫−Δ/2Δ/2e2⋅1Δ de\int_{-\Delta/2}^{\Delta/2} e^2 \cdot \frac{1}{\Delta} \, de
  3. 方差结果积分算出经典结果 \( \Delta^2/12 \)。
    σq2=Δ212\sigma_q^2 = \frac{\Delta^2}{12}

量化信噪比

一锅汤好不好喝，看料多还是水多；一个数字信号好不好，看有效信号功率比噪声功率大多少。量化信噪比（SNR）就是这锅汤的“料水比”：信号功率 \( P_s \) 除以量化噪声功率 \( \sigma_q^2 \)。均匀量化时，如果输入是满量程正弦波，把信号功率 \( A^2/2 \) 和噪声功率 \( \Delta^2/12 \) 代入，再取 10 倍对数，能得到一个极漂亮的工程公式：

实战中，信号很少顶着满量程走。唱一首轻柔的歌，音频电平只有满幅的十分之一，SNR 就会缩水约 20 dB。这解释了为什么录音师总爱“响一点录”——数字系统的信噪比奖励那些把信号推近满量程的用法，但推过头又会削波。

SNRq=6.02 n+1.76  (dB)\displaystyle \text{SNR}_q = 6.02 \, n + 1.76 \;(\text{dB})
这是数字音频业界最著名的“6 分贝法则”：位深 \( n \) 每增加 1 bit，量化信噪比就多赚约 6 dB——相当于台阶减半、噪声功率砍到四分之一。
  1. 位数变量\( n \) 是量化位数，即码字比特数。
    nn
  2. 6.02 斜率每多 1 bit，电平数翻倍，信噪比抬升 \( 20\lg 2 \approx 6.02 \) dB。
    6.02 n6.02 \, n
  3. 1.76 补偿满幅正弦信号功率相对量化噪声功率的常数偏移。
    +1.76+1.76
  4. 整式含义\( 6.02n + 1.76 \) 共同构成满幅正弦下的理论最佳 SNR。
    SNRq=6.02n+1.76\text{SNR}_q = 6.02n + 1.76

非均匀量化

白师傅给腰围量体时发现，细腰和粗腰同样重要，但均匀刻度对细腰太粗暴：腰围 60 厘米和 61 厘米差别巨大，而 100 厘米和 101 厘米几乎无所谓。均匀量化一视同仁地给所有区域分配同样的台阶宽度，对小信号是巨大的浪费——小信号相对误差大，听感上就是轻音乐被噪声淹没。非均匀量化，就是“腰围加密刻度”：小信号区域分配细台阶，大信号区域分配粗台阶。

实现上不直接做不均匀台阶，而是先对输入做非线性压缩，把小幅值拉伸、大幅值压缩，量化完再反变换扩展。这招叫“压扩”。电话通信里的 μ 律压扩，用 μ=255 的对数曲线把 13 bit 的动态范围塞进 8 bit，小信号精度几乎不损：

欧美的 μ 律、中国的 A 律（13 折线近似）本质上都是同一把“非均匀软尺”。它们让语音这种能量集中在小幅值的信号，用 8 bit 就能保持可懂度——这就是全球电话网几十年不换的秘密。

y=sgn⁡(x)⋅ln⁡(1+μ∣x∣)ln⁡(1+μ),μ=255\displaystyle y = \operatorname{sgn}(x) \cdot \frac{\ln(1 + \mu |x|)}{\ln(1 + \mu)}, \qquad \mu = 255
这是白师傅的加密软尺：贴在腰上的前半段刻度极密，越往后越疏。对数值小的地方，对数函数斜率高，所以同样一段输入被映射成更多量化级，小信号台阶自然变细。
  1. 符号保留\( \operatorname{sgn}(x) \) 让压缩曲线关于原点对称。
    sgn⁡(x)\operatorname{sgn}(x)
  2. 对数压缩对信号绝对值取 \( \ln(1+\mu|x|) \)，小输入被放大、大输入被压缩。
    ln⁡(1+μ∣x∣)\ln(1 + \mu |x|)
  3. 归一化分母除以 \( \ln(1+\mu) \) 把输出限制在 \([-1,1]\)。
    1ln⁡(1+μ)\frac{1}{\ln(1+\mu)}
  4. 标准 μ 值PCM 电话标准取 \( \mu = 255 \)，8 bit 获得近似 12-13 bit 的动态范围。
    μ=255\mu = 255

PCM编码

白师傅量完所有尺寸，还要把数据写进订单。PCM（脉冲编码调制）就是这套“量体规范”：第一步采样，把连续时间变成离散时间点；第二步量化，把连续幅度变成有限电平；第三步编码，把每个电平变成一个二进制码字。三步走完，一根连续信号曲线，变成一串纯粹的 0 和 1。

量化电平数和码字位数直接挂钩：\( n \) 位二进制能表达 \( 2^n \) 个不同电平，反过来，N 个量化电平需要 \( \lceil \log_2 N \rceil \) 位。CD 音质的 16 bit 意味着每个采样点有 65536 个台阶可选。编码方式常用自然二进制：电平 0 记作 000...0，电平 255 记作 111...1，中间按编号顺序排列。比特率则是采样率和位深的乘积：

CD 单声道码率是 44.1 kHz × 16 bit ≈ 705.6 kbit/s，立体声翻倍到 1.41 Mbit/s。你终于明白为什么一分钟 CD 无损音频要占 10 MB——那都是“白师傅订单”用 0 和 1 写满的体重档案。

M=2n,R=fs⋅n\displaystyle M = 2^n, \qquad R = f_s \cdot n
好比订单本规定：每位顾客记 16 个数字，身高档位写 6 位编号、腰围档位写 5 位编号。采样率决定每秒量几次，位深决定每次记多细，两者相乘就是每秒要写的数字总量——码率。
  1. 电平数与位数\( M = 2^n \) 表示 n 位二进制最多能编出多少档。
    M=2nM = 2^n
  2. 每秒样本数\( f_s \) 是采样率，即每秒量多少次身高。
    fsf_s
  3. 每样本位数\( n \) 是每个样本的比特数。
    nn
  4. 总码率每秒样本数乘以每样本位数，就是数据流的比特率。
    R=fs⋅nR = f_s \cdot n

位深与动态

位深这个词，就是“订单编号最多有几位”。3 位编号只能写 0~7 共 8 个档位，16 位编号能写 0~65535。位深越大，台阶越细，能同时记录的“最轻呢喃”和“最强鼓点”之间的比例就越大——这个可接受范围，叫动态范围。它衡量数字系统能装下多大的强弱对比。

用一个满幅正弦作为参照，动态范围就是最大可表示电平与最小可分辨台阶之比，正好等于量化信噪比的理论上限：

过载是另一个极端：输入振幅超过满量程，台阶到头了，波形被硬生生削平——这就是削波失真。白师傅的尺子只有 200 厘米，来了个 220 厘米的顾客，只能记 200 厘米，肩膀和背的曲线全丢了。录音时的红区爆音，就是软尺到头后疯狂削平的结果。

DR=20lg⁡(2B)≈6.02 B    (dB)\displaystyle \text{DR} = 20 \lg(2^B) \approx 6.02 \, B \;\; (\text{dB})
白师傅的订单如果只有 3 位编号，最多标 8 档，量程变化范围只有约 18 dB；换成 16 位订单，能标 65536 档，动态范围冲到约 96 dB——从针落地的声音到摇滚现场都能记下。
  1. 位深 B编码位数，决定台阶总数 \( 2^B \)。
    2B2^B
  2. 电压比转分贝动态范围是最大电平与最小量化台阶之比的对数。
    20lg⁡(2B)20\lg(2^B)
  3. 化简系数\( 20\lg2 \approx 6.02 \)，所以每 1 bit 贡献约 6 dB。
    ≈6.02 B\approx 6.02 \, B

ADC与采样

AD 转换器，就是白师傅的“自动量体机器人”。它内部先有一个采样保持电路：像用相机抓拍一样，在某一瞬间“冻结”连续信号的值，留出时间给后面的量化器慢慢处理；量化器把这个保持住的电压凑到最近台阶；编码器再把台阶编号翻译成二进制流输出。三个模块完成一次转换，周期反复，就产出了数字码流。

采样不是随便拍的，拍太慢会漏掉波形的峰谷，高频成分会伪装成低频信号混进来（混叠）。奈奎斯特定理给出底线：采样率至少要达到信号最高频率的两倍：

工程实践给定理留足了余量：人耳可听上限 20 kHz，CD 采样率取 44.1 kHz（留约 10% 保护带）；语音电话先低通到 4 kHz，再用 8 kHz 采样。图像传感器也走同样的逻辑：每个像素的电荷先被“采样保持”，再经 ADC 量化成 8-12 bit 灰度。整个数字世界的入口，都是这台自动量体机器人在把关。

fs≥2fmax⁡\displaystyle f_s \ge 2 f_{\max}
这像量体裁衣的动态摄影：顾客挥手速度最快每秒 5 次，那相机每秒至少拍 10 帧，才能还原出手部运动而不至于把挥手拍成鬼影。
  1. 采样率\( f_s \) 是每秒采样的次数。
    fsf_s
  2. 最高频率\( f_{\max} \) 是信号中存在的最高频率分量。
    fmax⁡f_{\max}
  3. 两倍条件采样率至少要达到最高频率的 2 倍，才能无混叠重建。
    fs≥2fmax⁡f_s \ge 2 f_{\max}

AI 应用场景

语音通话中的 G.711 压扩编码

阶段：数据采集与预处理

解决的问题：VoIP 语音若直接用 16 bit 均匀量化，带宽消耗大且静音段噪声明显。G.711 标准用 A 律/μ 律非均匀量化，把每个采样压到 8 bit，用小信号细台阶保住语音可懂度，码率降到 64 kbit/s。AI 语音助手的前端采集芯片，正是靠这套压扩机制保证远场拾音质量。

具体案例：智能音箱的麦克风阵列把模拟语音送进 ADC，ADC 内部完成 A 律压扩，输出 8 bit PCM 码流；云端语音识别模型再接码流做特征提取。实测相同码率下，压扩编码比均匀量化字错误率降低约 30%。

图像传感器量化与 RAW 格式

阶段：数据生成与标注

解决的问题：手机摄像头 CMOS 传感器输出模拟电荷，需经 ADC 量化为数字像素。传统 8 bit JPEG 在暗光下出现明显色带，改用 12 bit RAW 量化后，暗部台阶细化 16 倍，后处理有更大调色空间。

具体案例：某自动驾驶视觉方案用 10 bit RAW 图像训练目标检测模型；对比 8 bit 训练集，夜间行人检测的平均准确率提升 5.8 个百分点——这正是位深与动态范围理论在真实数据上的直接收益。

ADC 选型与信噪比评估

阶段：模型部署与硬件优化

解决的问题：物联网边缘设备采集振动/电流信号做异常检测，传统工程师只关心采样率，忽略量化信噪比，导致微弱故障特征被量化噪声淹没。懂得 6.02n + 1.76 法则后，可根据信号幅度动态选择 12/16 bit ADC，在功耗与精度间取平衡。

具体案例：工业预测性维护项目里，电机振动信号满量程利用率仅 20%，用 16 bit ADC 比 12 bit 的量化 SNR 高约 24 dB，轴承早期故障的 F1 分数从 0.72 提升到 0.91。

Python 演示

python36 行
import numpy as np def uniform_quantize(x, bits):    n_levels = 2 ** bits    x_clip = np.clip(x, -1.0, 1.0)    index = np.round((x_clip + 1.0) / 2.0 * (n_levels - 1)).astype(int)    quant = index / (n_levels - 1) * 2.0 - 1.0    return quant, index def pcm_encode(index, bits):    codes = []    for i in index:        s = ''        for b in range(bits - 1, -1, -1):            s += '1' if (i >> b) & 1 else '0'        codes.append(s)    return codes def main():    fs = 8000    duration = 20.0 / fs    t = np.linspace(0, duration, int(fs * duration), endpoint=False)    x = 0.9 * np.sin(2 * np.pi * 440 * t)    bits = 8    quant, index = uniform_quantize(x, bits)    codes = pcm_encode(index, bits)    power_signal = np.mean(x ** 2)    power_noise = np.mean((x - quant) ** 2)    snr_db = 10 * np.log10(power_signal / power_noise)    print('input samples:', np.round(x[:5], 4))    print('quantized    :', np.round(quant[:5], 4))    print('PCM codes    :', codes[:5])    print('bits =', bits, ', SNR = %.2f dB' % snr_db) if __name__ == '__main__':    main()
目的：对一个 440 Hz 正弦波做 8 bit 均匀量化，输出量化结果、PCM 二进制码流，并实测量化信噪比，验证 6.02n+1.76 的理论公式。
  1. x_clip = np.clip(x, -1.0, 1.0)先做限幅，防止过载削波污染统计结果。
  2. index = np.round((x_clip + 1.0) / 2.0 * (n_levels - 1)).astype(int)把 [-1,1] 映射到 [0,255] 整数档位，这就是量化器核心。
  3. quant = index / (n_levels - 1) * 2.0 - 1.0把档位编号还原成量化电平，即解码过程。
  4. for b in range(bits - 1, -1, -1)从最高位到最低位逐位提取 0/1，生成自然二进制码字。
  5. power_noise = np.mean((x - quant) ** 2)计算量化误差功率 \( \Delta^2/12 \) 的统计近似。
  6. snr_db = 10 * np.log10(power_signal / power_noise)实测信噪比，接近 \( 6.02 \times 8 + 1.76 \approx 49.9 \) dB（因幅度 0.9 略有折扣）。

常见误区

误区我觉得量化误差既然是“噪声”，那它一定是随机的，跟输入信号没关系，直接当成白噪声处理就行。

正解量化误差本质是确定性舍入——同一个输入值，误差永远一样。只有在信号复杂多变、跨越大量台阶时，误差才“看起来像”均匀分布的白噪声。对直流或慢变信号，量化误差会变成固定偏差甚至周期性伪影（如音频中的谐波失真），不能简单用 SNR 公式一概而论。

为何常见：因为教科书把量化噪声建模为均匀分布随机变量，初学者误把模型当真实，忽略了“均匀分布”只是在复杂信号下的统计近似。

误区量化误差是因为采样点太少，我把采样率从 44.1 kHz 提到 192 kHz，量化噪声就应该小很多吧？

正解采样率管的是时间方向，量化误差管的是幅度方向。提高采样率只改善时间分辨率，每一点仍然会被凑到同样的台阶上，误差幅度不变。真正减小量化误差的方法是减小阶距 \(\Delta\)，即增加位深或采用非均匀量化。

为何常见：混叠和量化错误都是“数字化损失”，容易混淆；加上厂商宣传“高采样率=高音质”，让这个错误认知更顽固。

误区16 bit 就是“16 个 8dB”，所以动态范围 128 dB？反正位数越大越厉害嘛。

正解动态范围是 \( 20\lg(2^B) = 6.02B \) dB，16 bit 满幅正弦的理论值约 96 dB，不是 128 dB。128 dB 对应约 21 bit。注意这是满幅理想信号，实际音频留 12 dB 峰值余量后，有效动态范围往往只有 84 dB 左右。

为何常见：混淆“二进制状态数增长”（每 bit 翻倍）与“分贝对数关系”（每 bit 加 6 dB），凭直觉把 \(16 \times 8\) 当成结论。

误区非均匀量化把 13 bit 压成 8 bit，这肯定是压缩算法，就像 ZIP 那样把数据变小。

正解压扩不是压缩，它没有去除任何冗余，而是重新分配量化台阶——用小信号细台阶换大信号粗台阶，均匀量化下被浪费的码字被挪给了更重要的区域。它是“保精度换范围”的固定映射，解码端扩展后信息总量不变，与有损 JPEG 或无损 ZIP 有本质区别。

为何常见：听到“压缩”二字就联想到文件压缩，忽略了这是幅度域的非线性映射，而非数据域的可逆编码。

误区选 ADC 只看位数，24 bit 就是比 16 bit 好，直接上最高的准没错。

正解ADC 有效位数受前端噪声、电源纹波、参考电压抖动限制。24 bit 器件若前级模拟噪声已经大于 16 bit 台阶，多出的位数只是量化空气。工程上应看 ENOB（有效位数），并匹配信号动态范围和成本功耗。

为何常见：厂商宣传突出“高位数卖点”，而初学者尚未建立“系统噪声链”的概念。

面试题

Q1. 均匀量化时，量化误差的绝对值最大不超过多少？

单选题 · easy

  • A.一个量化阶距 \( \Delta \)
  • B.半个量化阶距 \( \Delta/2 \)← 正确答案
  • C.四分之一个量化阶距 \( \Delta/4 \)
  • D.量化阶距的十二分之一 \( \Delta/12 \)

答案：B。量化采用就近取整，输入落在哪个区间就投到最近的代表值，最大偏差只可能是区间一半。就像身高 42.3 厘米记成 42 厘米，误差 0.3 小于半格 0.5；如果记成 43 厘米则误差更大，所以理想量化器误差上限是 \( \Delta/2 \)。

Q2. 一个信号的最高频率为 1 kHz，要无混叠地数字化，采样率至少应为多少？

单选题 · easy

  • A.500 Hz
  • B.1 kHz
  • C.2 kHz← 正确答案
  • D.4 kHz

答案：C。奈奎斯特定理要求采样率不低于最高频率的两倍，即 \( f_s \ge 2 \times 1\text{kHz} = 2\text{kHz} \)。采样率不足时高频会伪装成低频混叠，这是 ADC 工程中必须守住的底线。

Q3. 量化位数每增加 1 bit，满幅正弦信号的量化信噪比大约提升多少？

单选题 · mid

  • A.3 dB
  • B.6 dB← 正确答案
  • C.12 dB
  • D.20 dB

答案：B。\( \text{SNR}_q = 6.02n + 1.76 \) dB，每多 1 bit，电平数翻倍、量化阶距减半、噪声功率降为四分之一，信噪比提升 \( 10\lg 4 \approx 6 \) dB。这像白师傅把软尺刻度加密一倍，凑整零头的平均功率立刻降四倍。

Q4. 以下关于 PCM 编码的说法，正确的有哪些？

多选题 · mid

  • A.PCM 包含采样、量化、编码三个步骤← 正确答案
  • B.量化电平数 \( M = 2^n \)，n 为位深← 正确答案
  • C.码率只与位深有关，与采样率无关
  • D.量化误差可以通过增加位深完全消除

答案：AB。PCM 是脉冲编码调制，核心三步就是采样、量化、编码。n 位二进制能表示 \( 2^n \) 个电平，所以 A、B 正确。码率 \( R = f_s \cdot n \) 同时依赖采样率，C 错。位深增加只能减小量化误差，只要台阶非零误差就存在，D 错。

Q5. 16 bit 音频的理论动态范围约为多少？

单选题 · mid

  • A.48 dB
  • B.96 dB← 正确答案
  • C.128 dB
  • D.192 dB

答案：B。动态范围 \( \text{DR} = 6.02B \) dB，代入 \( B=16 \) 得约 96 dB。这是从“最小可分辨台阶”到“满量程”的比值。128 dB 是常见的错误估算，因为把 16 直接乘了 8，忽略了分贝的对数关系。

Q6. 采用 A 律或 μ 律非均匀量化的根本原因是什么？

单选题 · hard

  • A.减少存储容量
  • B.提高大信号的绝对精度
  • C.提高小信号的相对精度← 正确答案
  • D.加快编码速度

答案：C。语音等信号能量集中于小幅值，均匀量化对小信号相对误差大、听感噪声明显。压扩给小信号分配细台阶，本质是提高小信号的信噪比。它不减少信息量也不加速编码，所以 A、D 错；大信号反而被分配粗台阶，B 错。

Q7. 关于量化噪声的统计特性，正确的有？

多选题 · mid

  • A.建模为 \((-\Delta/2, \Delta/2)\) 上的均匀分布← 正确答案
  • B.方差为 \( \Delta^2/12 \)← 正确答案
  • C.均值约为 0← 正确答案
  • D.增加采样率可以降低量化噪声功率

答案：ABC。复杂信号下量化误差近似均匀分布、零均值、方差 \( \Delta^2/12 \)。噪声功率只取决于阶距 \( \Delta \)，与采样率无关，所以 D 错。只有加大位深或改用非均匀量化才能直接压缩噪声功率。

Q8. 8 bit 量化对一个满量程正弦信号的理想 SNR 约为多少？

单选题 · hard

  • A.37.9 dB
  • B.49.9 dB← 正确答案
  • C.61.9 dB
  • D.6.02 dB

答案：B。代入公式 \( 6.02 \times 8 + 1.76 = 49.92 \) dB，选 49.9 dB。37.9 dB 对应 6 bit，61.9 dB 对应 10 bit。公式里的 1.76 dB 来自满幅正弦的波峰因数，是常数补偿项。

Q9. 对满幅正弦做均匀量化，信号平均功率 \( P_s \) 与量化噪声功率 \( \Delta^2/12 \) 之比化简后，SNR 表达式中系数 6.02 是怎么来的？

单选题 · extreme

  • A.\( 20\lg 2 \)← 正确答案
  • B.\( 10\lg 2 \)
  • C.\( 10\lg 12 \)
  • D.\( 20\lg 3 \)

答案：A。位深增加 1 bit 时电平数翻倍、阶距减半，噪声功率变为原来的 1/4，信噪比提升 \( 10\lg 4 = 20\lg 2 \approx 6.02 \) dB。本质是功率比取 \( 10\lg \) 时电压翻倍带来的 6 dB 收益。

Q10. 一个 ADC 器件通常包含哪些模块？

多选题 · hard

  • A.采样保持电路← 正确答案
  • B.量化器← 正确答案
  • C.编码器← 正确答案
  • D.混频器

答案：ABC。ADC 内部流水是采样保持 → 量化 → 编码，对应 A、B、C。混频器是射频接收机里的频谱搬移器件，不属于 ADC 核心结构。白师傅的“自动量体机器人”也只有抓拍、凑格、写单三件套。