|
发表于 2023-1-3 10:04:57
|
显示全部楼层
本帖最后由 luminedinburgh 于 2023-1-3 15:35 编辑
首先理解增益的定义是 k=<v,y>/<y,y>,其实是投影的意思,想象一个杆子有个影子,就是 影*杆 / 杆*杆,影子是量化后的v,杆是量化器的输入信号
这里搞这些,作者目的是为了给你一个直观的信心, 正弦信号和随机信号对于量化器是差不多的,量化后我们关注的误差,增益和真正的随机信号是差不多的,只要满足sigma>1的和A/sqrt(2)>1,它俩就可以近似看成一个东西。这样就可以对quantizer的线性化建模(v=ky+e)有底气,还通过数值仿真画了2个图证实了一下。
理解了投影,和作者这里说这些的动机,再回到你这两个问题,我大概理解啊
1)Delta=2的量化器,他的误差就是±1啊,他能分辨误差为正负1的信号,那对于sigma>=1随机信号,即使量化后也是可以准确反应原本的这个随机信号的。那如果sigma<1的随机信号,我们的量化器就不能准确地反应这个信号,量化后的结果都是偏小的,那根据投影的概念,影子比杆子短啊,那投影增益就会小于1啊,图b数值仿真后的结果也是如此。
2) 对于高斯信号,99.9的信号都会分布在正负3-sigma的范围内,sigma=1,那信号应该就是 0~3之间吧,全书的mid-tread量化器Delta=2, 应该就是 -3 -1 1 3这个4-level的quantizer
看懂这本书,我觉得应该先搞明白信号与系统的那一套东西。另外,先弄明白作者要干什么,再去弄明白这事具体是啥,更有助于理解吧。以上个人理解,仅供参考。
|
|