3、信号采样与量化：奈奎斯特定理、量化噪声、ADC/DAC实战
各位同学，今天我们来聊聊信号处理里最基础、也最容易被忽视的一环——采样与量化。说实话，我见过太多工程师在算法上算得飞起，结果一上硬件就翻车，十有八九是栽在这两个坑里。
你想想看，现实世界里的信号都是连续的，比如声音、电压、温度。但我们的计算机、DSP芯片只能处理离散的数字。怎么把连续的模拟信号变成离散的数字信号？这就是ADC（模数转换器）干的事。反过来，DAC（数模转换器）把数字变回模拟。
整个过程分两步：采样和量化。采样决定时间轴上的离散化，量化决定幅度轴上的离散化。咱们一个一个说。
3.1 奈奎斯特定理：别让你的信号“打架”
奈奎斯特定理，说白了就一句话：采样频率必须大于信号最高频率的两倍。用公式表达就是：
fs > 2 * f_max其中fs是采样率，f_max是信号中的最高频率分量。这个2倍频率，我们叫它奈奎斯特频率。
为什么会这样？我打个比方。你拍一个旋转的风扇，如果快门速度太慢，风扇看起来像在倒转。这就是混叠——高频信号被采样成了低频的假信号。
核心要点：不满足奈奎斯特定理，高频成分会“伪装”成低频成分，混入你的信号里。一旦混进去，神仙也分不开。
我在项目中遇到过一件事。有次做音频采集，麦克风能拾取20kHz的超声波，但我ADC采样率只设了44.1kHz。结果呢？20kHz的信号被采样后变成了4.1kHz的假信号，混在音频里，听起来像一种持续的“嘶嘶”声。排查了两天才找到原因——就是采样率不够。
我的习惯：实际工程中，我一般取3~5倍的最高频率，而不是刚好2倍。因为抗混叠滤波器不是理想砖墙，留点余量心里踏实。
3.2 量化噪声：精度与代价的博弈
采样把时间离散化了，量化则把幅度离散化。ADC的位数决定了你能把幅度分成多少级。比如8位ADC，能分256级；16位ADC，能分65536级。
量化过程必然引入误差，这个误差就是量化噪声。它的功率可以用一个简单公式估算：
量化噪声功率 = (LSB)^2 / 12其中LSB（Least Significant Bit）是最低有效位对应的电压值。如果ADC满量程是V_ref，位数为N，那么：
LSB = V_ref / (2^N)你看，位数每增加1位，LSB减半，量化噪声功率降到原来的1/4。这就是为什么高位数ADC更贵——它在用硬件成本换信噪比。
| ADC位数 | 量化级数 | 理想信噪比(dB) | 典型应用 |
|---|---|---|---|
| 8 | 256 | 49.9 | 早期声卡、简单传感器 |
| 12 | 4096 | 74.0 | 工业控制、中频采集 |
| 16 | 65536 | 98.1 | 音频、高精度测量 |
| 24 | 16777216 | 146.2 | 专业音频、地震监测 |
嗯，这里要注意：表格里的信噪比是理想值，只考虑量化噪声。实际ADC还有热噪声、时钟抖动、非线性失真，信噪比通常比理论值低5~10dB。
我曾经踩过的坑：有次做振动监测，选了12位ADC，算下来信噪比够用。结果现场信号幅度只有满量程的1/10，相当于有效位数损失了3位多，信噪比直接崩了。后来我学乖了——一定要让信号幅度尽量接近ADC满量程，否则高位ADC也白搭。
3.3 ADC/DAC实战：从理论到代码
光说不练假把式。咱们用Python模拟一下采样和量化的全过程。这段代码我经常在项目预研阶段用，快速验证算法可行性。
import numpy as np
import matplotlib.pyplot as plt
# 参数设置
fs = 1000 # 采样率 1kHz
f_signal = 50 # 信号频率 50Hz
duration = 0.1 # 时长 0.1秒
N_bits = 8 # ADC位数
V_ref = 3.3 # 参考电压 3.3V
# 生成连续信号（用高采样率模拟）
t_cont = np.linspace(0, duration, 10000)
signal_cont = 1.5 * np.sin(2 * np.pi * f_signal * t_cont) + 0.5
# 采样
t_sample = np.arange(0, duration, 1/fs)
signal_sample = 1.5 * np.sin(2 * np.pi * f_signal * t_sample) + 0.5
# 量化
LSB = V_ref / (2**N_bits)
signal_quant = np.round(signal_sample / LSB) * LSB
# 计算量化误差
quant_error = signal_quant - signal_sample
noise_power = np.var(quant_error)
theoretical_noise = LSB**2 / 12
print(f"实际量化噪声功率: {noise_power:.6f}")
print(f"理论量化噪声功率: {theoretical_noise:.6f}")
# 绘制结果
plt.figure(figsize=(12, 8))
plt.subplot(3,1,1)
plt.plot(t_cont, signal_cont, 'b-', label='原始信号')
plt.stem(t_sample, signal_sample, 'r-', label='采样点')
plt.legend()
plt.title('采样过程')
plt.subplot(3,1,2)
plt.step(t_sample, signal_quant, 'g-', where='post')
plt.title(f'{N_bits}位量化结果')
plt.subplot(3,1,3)
plt.plot(t_sample, quant_error, 'm-')
plt.title('量化误差')
plt.tight_layout()
plt.show()运行这段代码，你会看到三张图：原始信号与采样点、量化后的阶梯波形、量化误差的分布。你会发现量化误差基本在±0.5 LSB范围内均匀分布——这就是为什么量化噪声功率是LSB²/12。
小技巧：实际调试时，我经常用这段代码改改参数，看看不同位数、不同信号幅度对量化噪声的影响。比直接上硬件调快多了。
3.4 知识体系总览
为了让你对本章内容有个整体把握，我画了张图。这张图把采样、量化、以及它们在实际系统里的位置串起来了。
这张图把整个流程串起来了。从模拟信号出发，经过采样（注意频率条件）和量化（注意位数和噪声），最终得到数字信号。下面三个框是我在实际项目中反复踩过的坑，你记一下，以后能省不少调试时间。
好了，关于采样与量化，核心就是这些。记住两句话：采样看频率，量化看位数。下次你拿到一个ADC芯片的datasheet，先看这两项指标，心里就有数了。
公众号:蓝海资料掘金营，微信deep3321