数字信号处理的误差分析

前面的章节（差分方程、Z 变换、DFT、滤波器设计）全部建立在无限精度的数学模型之上。我们假设系数可以取任意实数、加法不会溢出、乘法结果可以无限精确。然而，任何实际的 DSP 系统——无论是专用芯片还是通用处理器——都必须在有限字长的约束下运行。

本章回答一个核心问题：无限精度的理论设计，在有限字长的物理实现中会发生什么？从 A/D 采样量化、滤波器系数量化，到每一步乘法运算后的舍入/截尾，误差会像多米诺骨牌一样逐级传递。理解这些误差的来源、统计特性和工程边界，是把"纸上的滤波器"变成"芯片上的滤波器"的必经之路。

本章也是数字信号处理课程前半部分（连续信号→离散化→频域分析→滤波器设计）与后半部分（硬件实现、自适应滤波、谱估计）之间的关键桥梁。

在深入量化误差的统计分析之前，我们必须先回答三个基本问题：误差从哪来？数字在机器里怎么表示？截尾和舍入的数学本质是什么？这一组从工程直觉出发，建立整个误差分析体系的符号与工具基础。

数字信号处理系统中，有限字长引入的误差可以归纳为三大类，它们发生在信号流的不同阶段：

这三种误差在系统中的传播路径可以用一个简单模型描述：A/D 量化发生在输入端，相当于给理想信号叠加了一个噪声；系数量化改变了系统函数 $H(z)$ 的极零点位置；运算舍入则在每个乘法和加法节点注入新的噪声源。三者叠加，最终决定了输出信号的信噪比（SNR）。

误差的大小首先取决于"数字在硬件中怎么存"。二进制表示有两种基本形式：定点制和浮点制。它们对误差特性的影响截然不同。

为什么这个区别如此关键？想象一个动态范围很大的音频信号：定点制为了覆盖大信号，必须牺牲小数位精度，导致小信号被严重量化；浮点制则能同时兼顾大信号的动态范围和小信号的精细分辨。代价是浮点运算单元更复杂、功耗更高、延迟更大。

在讨论量化误差之前，必须明确负数在机器里的二进制编码方式。三种编码对截尾误差的符号有直接影响。

补码是现代 DSP 芯片的事实标准，原因有二：第一，补码加减法只需同一套加法器，无需额外处理符号位；第二，补码溢出时自动执行模 2 运算，"绕圈"特性在某些场景下反而有益。但补码的截尾误差特性与原码不同——这是下一节的核心内容。

当 $b+1$ 位（1 位符号 + $b$ 位小数）的寄存器只能容纳 $b$ 位小数时，必须丢弃最低位。丢弃方式有两种：截尾（Truncation）和舍入（Rounding）。

截尾误差的关键在于：它不是总为负，而是依赖于编码方式。下表总结了不同编码、不同符号下的截尾误差范围——这是分析系数量化效应和运算误差的基础。

有了误差来源和表示方法的基础，现在进入核心分析：把量化误差建模为随机噪声，推导它通过线性系统后的统计特性，并建立字长与信噪比之间的定量关系。这一组的结论直接指导工程中的字长选择。

单个量化误差的取值看似确定（由被量化值决定），但当输入信号足够复杂（如语音、噪声、多频信号）时，误差在量化台阶上近似均匀分布。这使得我们可以用概率统计工具来分析其长期平均效应。

截尾误差的方差与舍入相同（同为 $q^2/12$），但均值不为零：补码截尾有偏（$\mu = -q/2$），原码/反码截尾均值则依赖于信号分布。因此，工程上优先使用舍入——它不仅误差范围对称，而且均值零偏，不会引入直流分量。

A/D 量化误差和运算舍入误差都可以看作在系统输入端或内部节点注入的加性白噪声。问题是：这些噪声经过滤波器后，输出端噪声的功率是多少？

这意味着 IIR 系统的输出噪声对极点位置极其敏感：当极点靠近单位圆时，$|H(z)|^2$ 在某些频率上产生尖峰，频域积分会显著放大噪声。这是 IIR 实现中必须小心选择结构（级联/并联优于直接型）的根本原因。

系数量化不是简单的"加点噪声"，而是直接改变系统函数 $H(z)$ 的极零点位置。高阶直接型滤波器的极点对系数变化极其敏感——微小的量化误差可能把稳定极点推出单位圆。

直观理解：直接型的系数直接决定高阶多项式的根，而多项式求根是著名的病态问题（Wilkinson 多项式就是典型案例）。级联型把 $H(z)$ 拆成多个二阶节的乘积，每个二阶节的极点独立调整；并联型则拆成部分分式之和，各极点更加解耦。因此同样的系数量化误差，在级联/并联结构中产生的极点偏移远小于直接型。

前两组分析了量化噪声的统计模型和系数量化对极点的长期影响。本组聚焦两个更微妙的现象：定点加法溢出、极限环振荡和死区效应——它们都是非线性效应，无法用线性噪声模型描述，却在实际 DSP 中频繁出现。

定点加法是本章最容易被忽视的问题。两个 $b$ 位有符号数相加，结果可能需要 $b+1$ 位才能正确表示。如果直接截断最高位，会发生什么？

补码溢出的奇妙之处在于：如果中间结果多次溢出，但最终结果在表示范围内，模 2 运算的"绕圈"特性会使最终结果正确。然而，在 IIR 滤波器中，中间节点的溢出通常意味着永久性失真，不能依赖这种"运气"。

浮点乘法引入的是相对误差而非绝对误差。设尾数字长为 $b$ 位，则单次乘法的相对误差约为 $2^{-b}$。与定点制相比：

浮点制的核心优势是小信号信噪比恒定。在音频处理中，这意味着弱信号不会被量化噪声淹没；在科学计算中，这意味着动态范围不受限。代价是芯片面积、功耗和运算延迟——这也是为什么手机基带 DSP 通常用定点，而桌面音频工作站用浮点。

极限环是有限字长 IIR 滤波器最诡异的非线性现象之一：当输入已经降为零，输出却不衰减到零，而是陷入一个周期性的小幅振荡。这不是设计错误，而是舍入非线性把稳定的极点悄悄推到了单位圆上。

直观上，$\frac{q/2}{1-|a|}$ 是量化精度与系统"记忆长度"（由 $1-|a|$ 倒数决定）的乘积。当极点接近单位圆时，系统对过去输出的记忆很长，每次舍入的微小偏差被反复累积，最终形成可观测的振荡。

死区是极限环的"近亲"：当输入信号的幅度小于某个阈值时，滤波器输出被完全截断到零——仿佛信号掉进了一个"死区"，再也无法被系统响应。这与极限环的共同根源是反馈路径上的量化非线性。

系数量化效应告诉我们：同样的设计指标，用不同的实现结构，量化后的表现天壤之别。下图示意三种结构的极点偏移程度。

课件给出了一个完整的工程案例：设计一个五阶椭圆低通滤波器，分别用直接型、级联型和并联型实现，观察相同字长系数量化后的幅频响应变化。

本章的误差分析是 DSP 从"理论设计"走向"工程实现"的关键节点。后续内容中，以下场景会反复用到本章的结论：

• 自适应滤波（LMS/RLS）：梯度估计的量化误差会改变收敛轨迹，甚至导致发散。步长选择和字长设计需联合优化。
• 多速率信号处理：抽取和内插滤波器的级联实现中，每一级的字长可以不同——前面的粗略、后面的精细，整体节省硬件资源。
• 音频/语音编解码：感知编码器利用人耳掩蔽效应分配比特，本质上是在给定的总字长预算下最小化感知量化误差。
• 神经网络量化（INT8/INT4）：深度学习的模型量化是本章原理在 2020 年代的直接延伸——只不过"系统"变成了神经网络，"系数"变成了权重矩阵。

理解有限字长效应的物理本质，不仅能帮你写出更好的 DSP 代码，还能让你在面对神经网络量化、低比特训练等前沿问题时，拥有比别人更扎实的直觉根基。