DSP 测试基础
混合信号测试中的数字信号处理基础
本教程系统讲解混合信号测试中四个基础专题：采样与量化、DAC 正弦波形生成、DAC 输出波形与 SINC 加权、多音信号生成。
每一条理论结论都配有可独立运行的标准 Python（NumPy / Matplotlib / SciPy）验证代码 ，
你不需要任何测试机就能在自己的电脑上把每一个结论亲手跑出来、验证一遍。
0. 先建立一张"全局地图"：什么是 DSP-Based Testing
在混合信号（Mixed Signal）测试领域，最典型的被测器件（DUT, Device Under Test）就是两类转换器：
- DAC（数模转换器）：把数字码转换成模拟电压。
- ADC（模数转换器）：把模拟电压转换成数字码。
测试机是怎么测它们的呢？测试机内部其实也用着同样的两类转换器：
| 测试机资源 | 内部核心 | 作用 |
|---|---|---|
| AWG（任意波形发生器） | 内含一个 DAC | 用"数学方法"算出一段波形数据，送给 DAC，产生模拟激励信号 |
| 数字化仪 / 采样器（Digitizer / Sampler） | 内含一个 ADC | 把被测模拟信号采集成数字数据，再用"数学方法"算出各种参数 |
也就是说：激励信号是"算"出来的，测量结果也是"算"出来的 。这套"用数学方法生成与分析信号"的方法论，本质就是数字信号处理（DSP, Digital Signal Processing） ，因此整套测试方法被称为 DSP-Based Testing（基于 DSP 的测试） 。其中最强大的工具是 FFT（快速傅里叶变换）。
作为混合信号方向的测试 / 应用工程师，必须把这套基础吃透。本教程覆盖以下四个专题：
- 专题一：离散信号、采样定理、量化定理（SNR 与 ENOB 的来历）。
- 专题二 ：用 DAC 生成正弦波，最少需要多少个数据点？以及一个常见的"缺码"陷阱。
- 专题三：DAC 的实际输出波形（零阶保持）、SINC 加权、平滑滤波器与 AWG 结构、多音信号。
- 专题四：多音（Multi-tone）信号的三种生成方法及其工程取舍。
环境准备 ：本教程所有代码基于 Python 3，依赖
numpy、matplotlib、scipy。安装：
pip install numpy matplotlib scipy
1. 离散信号、采样定理与量化定理
1.1 离散信号的两个维度
DSP 就是 discrete signal processing（离散信号处理） 。一个离散信号有两个维度（见下图）：
- 横轴（X 轴）= 时间：把连续时间切成一个个采样时刻 → 这一维由**采样定理（Sampling Theorem）**约束。
- 纵轴（Y 轴）= 幅度（通常是电压）：把连续电压近似成一个个离散电平 → 这一维由**量化定理（Quantization Theorem）**约束。
理解这两条定理，是一切混合信号测试的起点。
1.2 采样定理（Sampling Theorem）
定理内容 ：如果一个信号是带限的 （频率有上限），并且采样频率大于信号带宽的两倍 ，那么就可以从采样点完美重建原始信号，不丢失任何信息。
几个必须背下来的术语（设采样率为 FsF_sFs）：
- 奈奎斯特频率（Nyquist frequency） ：Fs/2F_s/2Fs/2。
- 奈奎斯特带（Nyquist band） ：从 0 到 Fs/2F_s/2Fs/2 的频带。
- 采样定理的硬性要求 ：Fs>2⋅FmaxF_s > 2 \cdot F_{max}Fs>2⋅Fmax，其中 FmaxF_{max}Fmax 是输入信号的最高频率。
如果违反这条规则会怎样？ 频率高于 Fs/2F_s/2Fs/2 的信号会"折叠"落回基带（奈奎斯特带内），这种现象叫 混叠（Aliasing） 。混叠后你无法再把混叠信号和原始基带信号分开------信息已经损坏了。
下图左：正确采样（Fs=10 HzF_s=10\,\text{Hz}Fs=10Hz 采 2 Hz2\,\text{Hz}2Hz 信号），采样点忠实还原原波形；
下图右：违反规则（Fs=10 HzF_s=10\,\text{Hz}Fs=10Hz 采 8 Hz8\,\text{Hz}8Hz 信号），8 Hz8\,\text{Hz}8Hz 折叠成了一个假的 2 Hz2\,\text{Hz}2Hz 信号（红色虚线），完全骗过了我们。
工程对策：
- 用数字化仪 测量时，必须把输入信号限制在奈奎斯特带内。为此数字化仪内部带有多个低通滤波器（LPF）来滤掉高频噪声和不需要的信号，这种滤波器叫 抗混叠滤波器（Anti-aliasing filter）。
- 信号频率越高，对数字化仪的采样率要求就越高，很容易超出数字化仪的能力。这时就改用另一种测量资源------波形采样器（Sampler）。
关于采样器与"欠采样" ：在常规数字化仪应用中混叠是有害的，但采样器却故意利用混叠 。采样器有极宽的输入带宽，通常不带 滤波器，因为它就是要捕获混叠信号。这种"故意违反采样定理"的做法常被称为 欠采样（Under-sampling）------"欠"指采样（数字化）频率低于目标测试信号频率。
1.3 量化定理（Quantization Theorem）
现在看另一个维度。把模拟电压近似成若干离散电平，这个过程叫 量化（Quantization） 。最典型的量化器件就是 ADC。
量化过程中永远存在量化噪声 / 量化误差。下面我们来推导那条"ADC/DAC 领域最重要的公式"。
量化误差的模型
参考一个 nnn 位线性 ADC：它有 2n2^n2n 个码，从码 0 到码 2n−12^n-12n−1。设单个码的大小为 QQQ（即 1 LSB 对应的电压），则：
- 落在 Vk−Q/2V_k - Q/2Vk−Q/2 到 Vk+Q/2V_k + Q/2Vk+Q/2 之间的模拟输入电压，都会被表示成码 kkk（VkV_kVk 是码 kkk 的量化电平，即两个相邻跳变阈值的中点）。
- 在一个码内部，量化误差是一条在 −Q/2,+Q/2-Q/2, +Q/2−Q/2,+Q/2 之间均匀分布的锯齿。
下图直观展示了量化（3 位、Q=1Q=1Q=1）：左边是阶梯式量化输出，右边是被限制在 ±Q/2\pm Q/2±Q/2 之间的量化误差。
推导（一）：量化噪声的 RMS
量化误差在 −Q/2,+Q/2-Q/2, +Q/2−Q/2,+Q/2 内均匀分布，对它求均方根（RMS）：
Quant.Noise(RMS)=1Q∫−Q/2Q/2x2 dx=Q212=Q12=Q23(1) \text{Quant.Noise(RMS)} = \sqrt{\frac{1}{Q}\int_{-Q/2}^{Q/2} x^2\,dx} = \sqrt{\frac{Q^2}{12}} = \frac{Q}{\sqrt{12}} = \frac{Q}{2\sqrt{3}} \tag{1} Quant.Noise(RMS)=Q1∫−Q/2Q/2x2dx =12Q2 =12 Q=23 Q(1)
记住这个结论：理想量化噪声的 RMS 恒等于 Q/12Q/\sqrt{12}Q/12。
推导（二）：满量程正弦信号的 RMS
ADC 输入范围的满量程是 2nQ2^n Q2nQ。当一个满量程正弦波 加到 ADC 上时，其幅度（峰值）为满量程的一半 =2nQ/2= 2^n Q / 2=2nQ/2，而正弦波的 RMS 等于峰值除以 2\sqrt{2}2 ：
Signal_Amplitude(RMS)=Full_Scale/22=2nQ/22=2nQ22(2) \text{Signal\_Amplitude(RMS)} = \frac{\text{Full\_Scale}/2}{\sqrt{2}} = \frac{2^n Q / 2}{\sqrt{2}} = \frac{2^n Q}{2\sqrt{2}} \tag{2} Signal_Amplitude(RMS)=2 Full_Scale/2=2 2nQ/2=22 2nQ(2)
推导（三）：理论 SNR
SNR（信噪比）= 信号 RMS / 噪声 RMS：
SNRdB=20log10 (2nQ/(22)Q/(23))=20log10 (2n32)≈6.02 n+1.76(3) \text{SNRdB} = 20\log_{10}\!\left(\frac{2^n Q / (2\sqrt{2})}{Q/(2\sqrt{3})}\right) = 20\log_{10}\!\left(2^n\sqrt{\tfrac{3}{2}}\right) \approx 6.02\,n + 1.76 \tag{3} SNRdB=20log10(Q/(23 )2nQ/(22 ))=20log10(2n23 )≈6.02n+1.76(3)
这是 ADC/DAC 领域最重要的公式：
SNRdB≈6.02 n+1.76\boxed{\text{SNRdB} \approx 6.02\,n + 1.76}SNRdB≈6.02n+1.76
它定义了一个 nnn 位转换器的理论上限 SNR。
工程直觉 ：例如一个优秀的 8 位 ADC，其 SNR 大约是 6.02×8+1.76≈49.9 dB6.02\times8 + 1.76 \approx 49.9\,\text{dB}6.02×8+1.76≈49.9dB（约 48--50 dB）。如果你测出来某个 8 位器件的 SNR 超过 50 dB ，那一定是哪里算错了，或者你（用硬件或软件）限制了测量带宽------因为噪声功率正比于带宽，缩小带宽会让噪声看起来变小、SNR 虚高。
推导（四）：有效位数 ENOB
反过来，如果你测得了一个器件的实际 SNR，就能反算它的有效位数（ENOB, Effective Number Of Bits）：
ENOBbits=SNRdB−1.766.02(4) \text{ENOBbits} = \frac{\text{SNRdB} - 1.76}{6.02} \tag{4} ENOBbits=6.02SNRdB−1.76(4)
ENOB 是衡量转换器实际性能的关键指标------它把"测得的 SNR"翻译成"相当于几位的理想转换器"。
下图给出理论 SNR 随分辨率 nnn 的变化（每多 1 位，SNR 提高约 6 dB）：
Python 验证
下面这段 Python 代码用蒙特卡洛方法，亲手验证上面四条公式。它生成一个满量程正弦、对其量化、统计量化噪声 RMS、计算 SNR，并与理论公式对比。
python
import numpy as np
def quantize(x, n_bits):
"""把信号量化成 n 位整数码 (Q=1)，返回量化后的浮点电平。"""
levels = 2 ** n_bits
# 限幅到 [0, levels-1]，四舍五入到最近的码
code = np.clip(np.round(x), 0, levels - 1)
return code
def simulate_snr(n_bits, N=1 << 16):
Q = 1.0
# 满量程正弦：幅度 = 半满量程，居中放置
amp = (2 ** n_bits) / 2 - 0.5
offset = (2 ** n_bits - 1) / 2
# 用非整数周期数避免相干特例（任意取 997 个周期）
k = 997
t = np.arange(N)
x = offset + amp * np.sin(2 * np.pi * k * t / N)
xq = quantize(x, n_bits)
err = x - xq # 量化误差
noise_rms = np.sqrt(np.mean(err ** 2))
signal_rms = amp / np.sqrt(2) # 正弦 RMS = 峰值 / sqrt(2)
snr_db = 20 * np.log10(signal_rms / noise_rms)
return noise_rms, snr_db
print("理论量化噪声 RMS = Q/sqrt(12) = %.4f" % (1 / np.sqrt(12)))
for n in [8, 12, 16]:
nrms, snr = simulate_snr(n)
snr_theory = 6.02 * n + 1.76
enob = (snr - 1.76) / 6.02
print(f"n={n:2d}bit | 噪声RMS={nrms:.4f} | 仿真SNR={snr:5.2f}dB | "
f"理论SNR={snr_theory:5.2f}dB | 反算ENOB={enob:.2f}")运行结果（与公式高度吻合）：
理论量化噪声 RMS = Q/sqrt(12) = 0.2887
n= 8bit | 噪声RMS=0.2856 | 仿真SNR=49.98dB | 理论SNR=49.92dB | 反算ENOB=8.01
n=12bit | 噪声RMS=0.2879 | 仿真SNR=74.03dB | 理论SNR=74.00dB | 反算ENOB=12.00
n=16bit | 噪声RMS=0.2902 | 仿真SNR=98.04dB | 理论SNR=98.08dB | 反算ENOB=15.99结论 ：量化噪声 RMS 确实是 Q/12≈0.2887Q/\sqrt{12}\approx0.2887Q/12 ≈0.2887；满量程正弦的 SNR 确实约为 6.02n+1.766.02n+1.766.02n+1.76；用公式 (4) 反算出的 ENOB 精确回到了原始位数。四条公式全部验证通过。
2. 用 DAC 生成正弦波：最少需要多少个点？
2.1 问题的由来
DAC 是混合信号测试中最典型的 DUT，AWG 又是现代测试机里的模拟信号源（AWG = DAC + 波形存储器）。所以"如何生成一段波形数据"是基本功。
一个线性 nnn 位 DAC 有 2n2^n2n 个输出电平。测一个 DAC 时，你需要激励全部码 （从 0 到 2n−12^n-12n−1）。
- 如果你简单地从 0 递增到 2n−12^n-12n−1，得到的是一个单调的斜坡（ramp）------这对器件来说是个比较温和、不够严苛的测试。
- 如果想做更接近真实时钟速度的动态测试 ，可以用正弦波的码去激励 DAC。
那么问题来了：用正弦波激励一个 nnn 位 DAC，最少需要编程多少个数据点 NNN？
2.2 推导：N=2n+1N = 2^{n+1}N=2n+1
设正弦波为（AAA 为幅度，ω=2πf\omega = 2\pi fω=2πf，fff 为频率）：
V(t)=Asin(ωt)(5) V(t) = A\sin(\omega t) \tag{5} V(t)=Asin(ωt)(5)
正弦的最大斜率 出现在它最陡的地方，也就是过零点。对 (5) 求导得到 (6)，其绝对值的最大值出现在 ωt=kπ\omega t = k\piωt=kπ 处，即 (7)：
dVdt=Aωcos(ωt)(6) \frac{dV}{dt} = A\omega\cos(\omega t) \tag{6} dtdV=Aωcos(ωt)(6)
dVdt∣ωt=kπ=Aω(7) \left.\frac{dV}{dt}\right|_{\omega t = k\pi} = A\omega \tag{7} dtdV ωt=kπ=Aω(7)
设 DAC 一个时钟周期为 Δt\Delta tΔt，则在最陡处，DAC 一步要走过的最大电压步进为：
ΔV=Aω⋅Δt(8) \Delta V = A\omega \cdot \Delta t \tag{8} ΔV=Aω⋅Δt(8)
由于正弦是对称的，只需考虑半个周期即可。半个周期跨越满量程 2A2A2A。我们用"半周期内的平均步进"来作为约束。要保证不丢码，最陡处的瞬时步进 (8) 不能超过半周期内应有的平均步进：
Aω⋅Δt ≤ 2A2n/2(9,10) A\omega \cdot \Delta t \;\le\; \frac{2A}{2^{n}/2} \tag{9,10} Aω⋅Δt≤2n/22A(9,10)
两边消去 AAA，并代入 ω=2πf\omega = 2\pi fω=2πf 与"一个周期占 NNN 个点"的关系 f=1NΔtf = \dfrac{1}{N\Delta t}f=NΔt1：
ωΔt≤12 n−2 ⇒ 2πfΔt≤12 n−2 ⇒ 2πN≤12 n−2(11,12,13) \omega\Delta t \le \frac{1}{2^{\,n-2}} \;\Rightarrow\; 2\pi f\Delta t \le \frac{1}{2^{\,n-2}} \;\Rightarrow\; \frac{2\pi}{N} \le \frac{1}{2^{\,n-2}} \tag{11,12,13} ωΔt≤2n−21⇒2πfΔt≤2n−21⇒N2π≤2n−21(11,12,13)
解出 NNN：
N ≥ π⋅2 n−1 ≈ 2 n+1(因为 π=3.14...<4=22)(14,15) N \;\ge\; \pi \cdot 2^{\,n-1} \;\approx\; 2^{\,n+1} \qquad(\text{因为 } \pi = 3.14\ldots < 4 = 2^2) \tag{14,15} N≥π⋅2n−1≈2n+1(因为 π=3.14...<4=22)(14,15)
向上取整到 2 的幂（这样后续做 FFT 很方便），最终结论：
N=2 n+1(16) \boxed{N = 2^{\,n+1}} \tag{16} N=2n+1(16)
一句话记住 ：对一个 nnn 位 DAC，要用正弦波激励到全部码，至少需要 2n+12^{n+1}2n+1 个数据点。
例如 4 位 DAC：N=24+1=25=32N = 2^{4+1} = 2^5 = 32N=24+1=25=32 个点。
2.3 实际编程：一个会"缺码"的陷阱
我们用 4 位 DAC（N=32N=32N=32）来验证结论 (16)，并故意先踩一个非常经典的坑。
最直观的 Python 写法是：
python
import numpy as np
n = 4
Ndata = 2 ** (n + 1) # = 32 点
Ncycle = 1 # 单周期
dP = 2 * np.pi * Ncycle / Ndata # 相位步进
dA = (2 ** n - 1) / 2 # 幅度 = 满量程/2 = 15/2 = 7.5
dO = dA # 直流偏置（把波形抬到正区间）
# 朴素写法：iWave[i] = round(dO + dA*sin(dP*i))
wave0 = [int(dO + dA * np.sin(dP * i) + 0.5) for i in range(Ndata)]
print("产生的码集合:", sorted(set(wave0)))
print("缺失的码 :", sorted(set(range(16)) - set(wave0)))说明：
int(... + 0.5)是"加 0.5 再取整"的四舍五入写法，用于把浮点电压取整成最近的整数码。
运行结果：
产生的码集合: [0, 1, 2, 3, 5, 6, 8, 9, 10, 12, 13, 14, 15]
缺失的码 : [4, 7, 11]奇怪！ 我们明明用了足够的点数（32 个），却有 3 个码（4、7、11）始终产生不出来！难道结论 (16) 错了？
不是公式错，是编程方式的问题。 朴素写法里，正弦在 iii 和某些对称位置上恰好命中了完全相同的电平（因为采样点关于波峰/波谷对称），导致一部分中间码被"跳过"。
解决办法：给采样相位加一个 0.25 的偏移，让采样点稍微错开，不再两两命中同一电平：
python
# 修正写法：在采样相位上加 0.25 个采样周期的偏移
wave1 = [int(dO + dA * np.sin(dP * (i + 0.25)) + 0.5) for i in range(Ndata)]
print("修正后码集合:", sorted(set(wave1)))
print("缺失的码 :", sorted(set(range(16)) - set(wave1)))运行结果：
修正后码集合: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]
缺失的码 : []加了 0.25 相位偏移后，全部 16 个码 0--15 都被覆盖。下图直观对比了修正前后：
工程要点 ：用 DAC 做"全码"测试时，生成激励码后一定要检查是否真的覆盖了所有可用码。一个简单的相位偏移就能避免"漏码"这种隐蔽错误。
3. DAC 的真实输出波形：零阶保持与 SINC 加权
3.1 零阶保持波形（Zero-Order Hold）
当 DAC 收到一个码时，它输出对应的直流电压，并保持 这个电平直到下一个码到来。因此 DAC 的输出波形理论上是一个阶梯（staircase） ------这种波形叫 零阶保持波形（Zero-Order Hold, ZOH）。
3.2 同步数字化（Synchronous Digitizing）
用数字化仪测试 DAC 时，这个阶梯波形其实很有用：如果数字化仪能与 DAC 同步运行 ，并且恰好在每一级台阶稳定的电平上 采样，测试就能非常高效。这种技术适用于相对低速 的 DAC，但要求数字化仪本身的直流（DC）性能远优于被测 DUT。
3.3 零阶保持波形的频谱：镜像谱与 SINC 包络
零阶保持波形的频谱不只 包含我们想要的基波（频率 FtF_tFt），还包含大量镜像谱（image spectra）。它们的位置在：
k⋅Fs±Ft,k=1,2,3,4,... k\cdot F_s \pm F_t, \qquad k = 1, 2, 3, 4, \ldots k⋅Fs±Ft,k=1,2,3,4,...
也就是说，在采样频率 FsF_sFs 及其整数倍附近，对称地各出现一对镜像。更关键的是：所有这些谱线（基波和镜像）的幅度都被一条 sinxx\dfrac{\sin x}{x}xsinx 曲线加权 ，这条曲线常被称为 SINC 函数。
下图左：DAC 的零阶保持波形（红色阶梯）与理想正弦的对比；右：SINC 包络（频率以 FsF_sFs 为单位），可以看到在 Fs/2F_s/2Fs/2 处衰减约 −3.92 dB-3.92\,\text{dB}−3.92dB。
3.4 平滑滤波器与 AWG 结构
在 DAC 的实际工作模式中，阶梯波形需要用一个**低通滤波器（LPF）**来平滑：LPF 抑制掉那些不需要的镜像谱，DAC 的输出就变得干净、平滑了。因此这个 LPF 被称为 平滑滤波器（Smoothing filter）。
在现代 DSP 测试机里，模拟激励由 AWG（任意波形发生器） 产生。一个典型 AWG 的结构是：波形存储器 → DAC → 平滑滤波器 → 输出 。AWG 通常集成了多个 不同截止频率的平滑滤波器，你可以根据采样率和测试信号频率选最合适的那个。如果 AWG 里没有合适的平滑滤波器，你可能需要在 DUT 板（DUT board） 上自己加一个滤波器。
3.5 多音信号与 SINC 加权
**多音信号（Multi-tone signal）**是测试频率响应（如滤波器测试）时非常有用的激励。例如把四个等幅音 Fa,Fb,Fc,FdF_a, F_b, F_c, F_dFa,Fb,Fc,Fd 编程进 DAC，由于 DAC 原始输出是零阶保持波形，会在 Fs/2F_s/2Fs/2 到 FsF_sFs 之间对称地出现它们的镜像 Fd′,Fc′,Fb′,Fa′F_d', F_c', F_b', F_a'Fd′,Fc′,Fb′,Fa′。
重点 ：即使你生成的是"等幅"多音，经过 DAC 后，从 FaF_aFa 到 Fa′F_a'Fa′ 的所有谱线幅度都会被 SINC 函数加权 ------频率越高，被压得越低。SINC 在 Fs/2F_s/2Fs/2 处的加权值为：
sin(π/2)π/2=2π≈0.6366⟹20log10(0.6366)≈−3.92 dB \frac{\sin(\pi/2)}{\pi/2} = \frac{2}{\pi} \approx 0.6366 \quad\Longrightarrow\quad 20\log_{10}(0.6366) \approx -3.92\,\text{dB} π/2sin(π/2)=π2≈0.6366⟹20log10(0.6366)≈−3.92dB
如果你不满意这种 SINC 造成的电平倾斜，可以在生成原始波形时预先施加反 SINC（reverse SINC）补偿，把高频音预先抬高，抵消 SINC 的衰减。
Python 验证：SINC 加权与零阶保持频谱
python
import numpy as np
# 1) 验证 SINC 在 Fs/2 处的加权值
v = np.sin(np.pi / 2) / (np.pi / 2)
print(f"SINC@Fs/2 = {v:.4f} = {20*np.log10(v):.2f} dB")
# 2) 直接构造一个零阶保持波形并看它的频谱镜像
Ft = 3 # 基波：在 Ndata 个采样点内放 3 个完整周期
Ndata = 256 # 原始采样点数（采样率 Fs 归一化为 1）
samples = np.sin(2 * np.pi * Ft * np.arange(Ndata) / Ndata)
# 用过采样模拟"保持"效果：每个样点重复 R 次 => 零阶保持
R = 16
zoh = np.repeat(samples, R)
spec = np.abs(np.fft.rfft(zoh))
spec /= spec.max()
freqs = np.fft.rfftfreq(len(zoh)) * R # 归一化到原 Fs 为 1
peak_freqs = np.sort(freqs[np.argsort(spec)[-6:]]) # 取最强的 6 条谱线
print("频谱峰值出现在 f/Fs ≈", np.round(peak_freqs, 3)) # 基波 + 多个镜像运行结果：
SINC@Fs/2 = 0.6366 = -3.92 dB
频谱峰值出现在 f/Fs ≈ [0.012 0.988 1.012 1.988 2.012 2.988]这些峰值正好对应：基波 Ft/Fs≈0.012F_t/F_s \approx 0.012Ft/Fs≈0.012，以及 Fs−Ft≈0.988F_s-F_t\approx0.988Fs−Ft≈0.988、Fs+Ft≈1.012F_s+F_t\approx1.012Fs+Ft≈1.012、2Fs−Ft≈1.9882F_s-F_t\approx1.9882Fs−Ft≈1.988 ...... 即一系列 kFs±Ftk F_s \pm F_tkFs±Ft 的镜像谱。
结论 ：SINC 在 Fs/2F_s/2Fs/2 处的加权确实 ≈−3.92 dB\approx -3.92\,\text{dB}≈−3.92dB；零阶保持波形的频谱确实在 kFs±FtkF_s\pm F_tkFs±Ft 处出现镜像谱。
4. 多音信号的三种生成方法
多音信号是混合信号测试中很流行的激励：用一次测量就能在多个频点上同时获得增益和相位信息，做频率响应分析非常高效。
但"怎么把多个音叠加起来"大有讲究------关键在于每个音的相位怎么安排。本节用 100 个音、1024 个数据点为例，讲三种方法。
下面用 Python 实现这三种方法，并用 FFT 把每种方法的时域波形、频谱、峰均比（PRR）都验证一遍。
先准备一个通用的"构造 + 缩放"函数
python
import numpy as np
def build_multitone(Ntones, Ndata, phase_mode, seed=1):
"""
phase_mode: 'zero' 全零相位 / 'rand' 随机相位 / 'para' 抛物线相位
返回峰值缩放到 0.5（半满量程）的多音波形。
"""
rng = np.random.default_rng(seed)
i = np.arange(Ndata)
wave = np.zeros(Ndata)
for j in range(Ntones):
Ncycle = j + 1 # 第 j 个音占 Ncycle 个周期
dP = 2 * np.pi * Ncycle / Ndata # 频率（相位步进）
if phase_mode == 'zero': dQ = 0.0
elif phase_mode == 'rand': dQ = 2 * np.pi * rng.random() # 随机相位
elif phase_mode == 'para': dQ = np.pi / Ntones * (1 - Ncycle**2) # 抛物线相位
wave += np.sin(dP * i + dQ)
# 把峰值缩放到 0.5（半满量程）
wave *= 0.5 / np.max(np.abs(wave))
return wave
def peak_to_rms_db(wave):
"""峰均比 PRR（dB）：峰值 / RMS。"""
return 20 * np.log10(np.max(np.abs(wave)) / np.sqrt(np.mean(wave**2)))
def tone_level_dbfs(wave, Ntones, Ndata):
"""各音平均电平（相对 0.5=半满量程，dBFS）。"""
spec = np.abs(np.fft.rfft(wave) / Ndata * 2)
return 20 * np.log10(np.mean(spec[1:Ntones+1]) / 0.5)4.1 方法一：原始法（全零相位）
最朴素的想法：把所有单音直接相加，且所有正弦都从相位 0 开始。
python
w_zero = build_multitone(100, 1024, 'zero')
print("原始法 PRR = %.1f dB, 每音电平 = %.1f dBFS"
% (peak_to_rms_db(w_zero), tone_level_dbfs(w_zero, 100, 1024)))结果：
原始法 PRR = 20.2 dB, 每音电平 = -37.2 dBFS问题 ：所有音都从 0 相位起步，会在某一点同时达到峰值，叠加成一个类似冲激（impulse）的极端波形（见下图最上一行）。它的峰均比（PRR, Peak-to-RMS Ratio）高达约 20 dB 。虽然频谱上确实是平坦的 100 个音、每音约 −37.1 dBFS-37.1\,\text{dBFS}−37.1dBFS，但这种"尖刺"波形把能量都堆在一个瞬间，动态范围很差，不适合常规测试。
4.2 方法二：随机相位（Good Practice）
问题出在相位控制上。解决思路：给每个频率分量插入一个随机相位偏移，把能量在时间上摊开。
python
w_rand = build_multitone(100, 1024, 'rand')
print("随机相位 PRR = %.1f dB, 每音电平 = %.1f dBFS"
% (peak_to_rms_db(w_rand), tone_level_dbfs(w_rand, 100, 1024)))结果：
随机相位 PRR = 10.5 dB, 每音电平 = -27.5 dBFS加了随机相位后，波形看起来像噪声 ，激活了整个码范围（见下图中间一行）。相比全零相位，频谱电平提升了约 9 dB （每音从约 −37-37−37 抬到约 −28 dBFS-28\,\text{dBFS}−28dBFS），PRR 降到约 10--15 dB。
这种信号不仅适合频率响应测试，还很适合宽带信号------现代通信常用宽带信号，相位随机化的多音是真实调制信号的一个很好的替代品。
4.3 方法三：抛物线相位（Good Practice，针对滤波器测试）
随机相位波形像噪声，可用于频响测试（如滤波器特性测试，关注通带平坦度和阻带损耗）。但还能更好。
动态范围分析 ：假设测量仪器是 16 位，其交流动态范围为 ±32768\pm 32768±32768，最小信号电平 =20log10(1/32768)≈−90 dBFS= 20\log_{10}(1/32768) \approx -90\,\text{dBFS}=20log10(1/32768)≈−90dBFS。如果每个音只有 −28 dBFS-28\,\text{dBFS}−28dBFS，那么每个音可用的动态范围只剩 90−28=62 dB90 - 28 = 62\,\text{dB}90−28=62dB------对某些滤波器特性测试可能不够。
我们希望在有限满量程内，尽量把能量平均分配给每个音，以获得最大动态范围。这时**抛物线相位（Parabolic phase）**很有效------它用一个数学确定的二次函数来控制每个音的相位偏移：
θj=πNtones(1−Ncycle2) \theta_j = \frac{\pi}{N_{tones}}\left(1 - N_{cycle}^2\right) θj=Ntonesπ(1−Ncycle2)
python
w_para = build_multitone(100, 1024, 'para')
print("抛物线 PRR = %.1f dB, 每音电平 = %.1f dBFS"
% (peak_to_rms_db(w_para), tone_level_dbfs(w_para, 100, 1024)))结果：
抛物线 PRR = 5.6 dB, 每音电平 = -22.6 dBFS抛物线相位的波形看起来像一段扫频（swept）信号 （见下图最下一行），因此不太适合 作通信类测试的替代信号；但每个音的电平比随机相位又高出约 5.6 dB ，可以测试阻带抑制高达约 67.6 dB67.6\,\text{dB}67.6dB 的滤波器。它非常适合宽带器件的频率响应测试。
三种方法可视化对比
下图为三种方法的时域波形（左）与频谱（右）：从上到下分别是原始法（冲激状）、随机相位（噪声状）、抛物线相位（扫频状）。三者频谱都是平坦的 100 个音，但时域峰均比（PRR）依次从 ~20 dB 降到 ~10 dB 再降到 ~5.6 dB------PRR 越低，同样满量程下每个音能分到的能量就越多。
一个重要的工程取舍
DAC / AWG 的满量程和分辨率都是有限的。当多音编程进去后，信号的峰值会被对齐到满量程。因此：
音的数量越多，每个音能承载的电平 / 功率就越低，信号的动态范围也越小。所以需要折中。
这就是为什么"降低 PRR"如此重要------它直接决定了同样满量程下每个音能用到多少动态范围。
5. 全教程小结与速查表
5.1 核心结论速查
| 章节 | 核心知识点 | 必记结论 |
|---|---|---|
| 1 | 采样定理 | Fs>2FmaxF_s > 2F_{max}Fs>2Fmax，否则混叠；Fs/2F_s/2Fs/2 = 奈奎斯特频率 |
| 1 | 量化噪声 | RMS=Q/12\text{RMS} = Q/\sqrt{12}RMS=Q/12 |
| 1 | 转换器 SNR | SNRdB≈6.02n+1.76\text{SNRdB} \approx 6.02n + 1.76SNRdB≈6.02n+1.76 |
| 1 | 有效位数 | ENOB=(SNR−1.76)/6.02\text{ENOB} = (\text{SNR}-1.76)/6.02ENOB=(SNR−1.76)/6.02 |
| 2 | DAC 正弦最少点数 | N=2n+1N = 2^{n+1}N=2n+1；注意加 0.25 相位偏移防缺码 |
| 3 | DAC 输出 | 零阶保持 → 镜像谱在 kFs±FtkF_s\pm F_tkFs±Ft，被 SINC 加权 |
| 3 | SINC@Fs/2F_s/2Fs/2 | ≈0.6366=−3.92 dB\approx 0.6366 = -3.92\,\text{dB}≈0.6366=−3.92dB，需平滑滤波器 |
| 4 | 多音生成 | 全零→随机(+9dB)→抛物线(再+5.6dB)；用 PRR 衡量优劣 |
5.2 关键术语对照（中 / 英）
- 采样定理 --- Sampling Theorem；混叠 --- Aliasing；奈奎斯特频率 --- Nyquist frequency
- 抗混叠滤波器 --- Anti-aliasing filter；欠采样 --- Under-sampling
- 量化 --- Quantization；量化噪声 --- Quantization noise；有效位数 --- ENOB
- 零阶保持 --- Zero-Order Hold；镜像谱 --- Image spectra；平滑滤波器 --- Smoothing filter
- 任意波形发生器 --- AWG；数字化仪 --- Digitizer；采样器 --- Sampler
- 多音 --- Multi-tone；峰均比 --- PRR (Peak-to-RMS Ratio)；满量程 --- Full-scale (dBFS)
5.3 给初级工程师的三条提醒
- 测 8 位 ADC 却测出 >50 dB 的 SNR？ 先怀疑自己------多半是带宽被限制了，或公式用错了（理论上限就是 6.02×8+1.76≈50 dB6.02\times8+1.76\approx50\,\text{dB}6.02×8+1.76≈50dB）。
- 做 DAC 全码测试时，永远检查"是否真的覆盖了所有码"，一个相位偏移就能避开缺码陷阱。
- 生成多音激励时，先想清楚目的：要像真实通信信号 → 用随机相位；要最大动态范围测滤波器 → 用抛物线相位。
5.4 如何运行本教程的全部验证
把本教程中的每段 Python 代码复制到一个 .py 文件，或在 Jupyter Notebook 中逐段运行即可。统一依赖：
bash
pip install numpy matplotlib scipy所有结论都可以在你自己的电脑上、不依赖任何测试机 地复现出来。这正是 DSP-Based Testing 的精髓：信号是算出来的，结论也是能算出来、能验证的。