5.3 采样量化与估计检测

5.3 采样量化与估计检测

数字信号处理的世界是离散的、有限精度的，先把连续信号采样量化带来的两道坎讲透（混叠与量化噪声），再落到底层的"拿主意"工具：匹配滤波与相关检测是最优检测，LS/MMSE/ML 是最常用的估计器。这两半合在一起，正好封住前面所有链路加工的底层原理。

观测台上先搭从连续到离散的桥

前面两节把滤波、频谱这两个最常用的工具拎到手上，可这两个都是"处理"，源头在哪呢？源头是"从连续物理世界采样本放进数字机"——这一步要踩两道坎：一是时间上的采样，二是幅度上的量化。踩错了，后面再好的滤波再准的频谱也拿不回本来信息；踩对了，给后续算法铺好地基。我们把这两道坎踏稳之后，再说说"从一堆噪声里把正确答案捞出来"的底层估计与检测方法——这些工具其实之前章节已经在用，现在给它摘帽子说清楚。

学习目标

阅读完本节，你应当能够：

1. 用采样定理判断一个信号改怎么采才不混叠，说清混叠的成因与补救。
2. 计算量化噪声的功率与信噪比（约 6.02·N dB 的语义），解释动态范围靠比特数。
3. 说明匹配滤波为何是最大信噪比的检测器，且与相关检测等价。
4. 对比 LS/MMSE/ML 三种估计器的适用场景与各自代价。

一、采样：把连续世界搬进离散的一瞬间

采样的规矩就一条——奈奎斯特/香农采样定理：采样率必须超过信号最高频率的两倍，否则高频成分会被"折返"成低频假象，这叫混叠。它的后果是致命的：混叠进来的假频率不像噪声那样只污染一点，它会完整伪装成那个位置的真信号，再无还原机会。

import numpy as np
fs = 100.0                       # 采样率 100 Hz → 奈奎斯特 50 Hz
t_hi = np.arange(0, 1, 1/8000.0)
hi = np.sin(2*np.pi*80*t_hi)     # 一段 80 Hz 的信号，高于奈奎斯特
t_s = np.arange(0, 1, 1/fs)
sampled = np.sin(2*np.pi*80*t_s) # 直接采 80 Hz → 发生混叠
# 用两倍率以上的 fs 才不混叠；低于则由 80 折回 20 Hz 的假象
print("80Hz 用 100Hz 采样后，折回观感频率 =", abs(80 - fs))
​

这段算出 80 Hz 被 100 Hz 采样后折成 20 Hz 的"假分子"——用频谱看你会看到一个 20 Hz 的大包，怎么像真信号，其实全是骗局。工程补救有三：采样率设得富余、采样前加抗混叠低通（5.1 那只滤波器就在这上岗）、过采样再数字低通。

二、量化：有限位数带来的噪

采样的下一步是量化——把连续幅度掰到有限档位。档位间隔的一半是量化误差，误差总体近似一个均匀分布噪声，其功率约等于 Δ²/12。由此得到动态范围的经典公式：信噪比 ≈ 6.02·N + 1.76 dB（N 为量化比特数）。一句口诀：每多 1 个量化比特，动态范围约增长 6 dB。

这个数几乎直接决定 ADC 的选型：要压住近百 dB 邻近的干扰峰、又保底层的微弱导频，就得上 16~18 位 ADC，代价是采样率与成本；反之只要信道干净、工况稳定，14 位就够。身后的 ADC 选型，一半是在"动态范围–采样率–功耗"上找平衡，兜底的是这句 6 dB/bit。

三、匹配滤波与相关检测：最优的那个起手式

在 AWGN 里检测一个已知波形，最优的做法是把接收信号与"已知波形的时间反转、共轭"做卷积或相关——称为匹配滤波，它能给出最大输出信噪比。关键洞察：匹配滤波就是相关检测。因为相关就是"把接收信号和模板逐点相乘累加"，和匹配滤波的卷积只差一个时间反向，本是一回事。

这个"对齐模板比一比像不像"的招，是无线里最强通用零件：它是导频同步的引擎、解调星座判定的原理、也是 CDMA 解扩与雷达回波检测的底牌。下述代码演示匹配滤波对一张已知脉冲的最优响应：

import numpy as np
N = 200
t = np.arange(N)/100.0
pulse = np.exp(-t*0.5) * np.cos(2*np.pi*3*t)        # 已知模板
r = pulse + 0.3*np.random.randn(N)                   # 收到的含噪信号
# 匹配滤波：与模板相关
y = np.convolve(r, pulse[::-1])[N-1:N+9]
print("相关输出尖峰位置附近的幅度：", np.round(y, 3))
# 尖峰出现在对齐时刻，这就是"检测到了"的证据
​

在噪声大出很多倍的环境里，相关输出仍能在对齐处冒一根尖峰——匹配滤波的信噪比增益就是这么来的。它的价值，在于把"看不见"的信号从噪声里救回要看的"对齐证据"。

四、估计器三兄弟：LS 对 MMSE 对 ML

把"从观测猜测参数"这件事，越答越深：

• LS（最小二乘）：找让残差平方和最小的参数，无统计先验也适用，等价于高斯噪声下的最大似然。4.2 的信道估计起点就是它。
• MMSE（最小均方误差）：在"让参数估计的均方误差最小"的目标下，把观测噪声的统计量也考虑进去，通常限偏小、更稳，但要估噪声功率，复杂几分。MMSE 在 4.2 的均衡里是大赢家。
• ML（最大似然）：选让观测最可能的那个参数值。前提是有似然模型，缺乏先验时天然合理；在高斯噪声下与 LS 的一拍即合是它常被提及的原因。

三者的边界听着绕，但落到实践非常实：信道估计没先验先上 LS，均衡要稳优先 MMSE，有清晰似然模型用 ML——你在 4.2 里见的正是这几兄弟的日常排班。

五、给实践者的收束

• 先定采样规则再谈算法：混叠是原理性错误，靠比特堆是救不回已经糊掉的谱的。
• 量化噪声也是"噪"：动态范围、ADC 位宽、功耗是一条线，别只盯位宽。
• 检测与估计的底层工具，前面早就用过：匹配滤波包了同步与检测，LS/MMSE 包了估计与均衡。这一章其实是把第三、四章那些「看起来很新」的技术，还原成最老的几把刀。

本节要点回顾

• 采样定理界定混叠边界，混叠是假频率且不可逆，先加抗混叠最省。
• 量化噪声功率约 Δ²/12，信噪比 ≈ 6.02·N dB，位宽决定动态范围。
• 匹配滤波=相关检测，是 AWGN 下最大信噪比的最优检测器。
• LS/MMSE/ML 各按"无先验/要稳定/有似然"选，信道估计与均衡都在用它。
• 第三、四章的高级流程，底层全是这一节的普通零件。

第5章把通用零件打磨完毕。第6章把它们搬上大舞台——多天线与多载波，让同一批刀在多器官上开。