Инновационные методы для повышения коэффициента сигнал-шум дельта-модуляции

Основы дельта-модуляции и SNR-вызовы

Дельта-модулирование (DM) - это простая, однобитная технология аналого-цифрового преобразования, которая кодирует разницу между последовательными образцами сигналов, а не абсолютным значением выборки. Это свойство делает DM привлекательным для приложений, требующих низкой сложности, низкого энергопотребления и минимальной пропускной способности - таких как голосовая связь, промышленные датчики и ранняя цифровая телефония. Однако неотъемлемым компромиссом является соотношение сигнала к шуму (SNR) производительность, которая в первую очередь ограничена двумя формами искажения: искажением перегрузки наклона и гранулированным шумом.

Перегрузка слоупа возникает, когда входной сигнал изменяется быстрее, чем может отследить фиксированный размер шага. Модулятор не может идти в ногу, вызывая большую ошибку, которая распространяется через фильтр реконструкции и проявляется как высокочастотный шум. Гранульный шум, с другой стороны, возникает в периоды постоянных или медленно изменяющихся сигналов. Размер шага остается фиксированным, а выход колеблется вокруг фактического значения, производя низкоуровневый, болтающий шум. Оба эффекта ухудшают SNR и ограничивают верность реконструированной аналоговой формы волны.

Базовая полоса SNR базового модулятора дельты может быть выражена приблизительно как , где N — количество битов на образец (всегда 1 для классического DM), f s — частота выборки, а f b — пропускная способность сигнала. Удвоение коэффициента пересборки улучшает SNR примерно на 3 дБ, но это происходит за счет увеличения скорости передачи данных. Для достижения более высокой SNR без чрезмерной пересборки необходимы инновационные модификации базовой структуры дельта-модуляции.

Адаптивная дельта-модультация (ADM)

Адаптивная дельта-модулирование непосредственно обращается к фиксированному ограничению шага путем динамической регулировки размера шага на основе недавней истории двоичного выходного потока. Когда последовательные биты имеют один и тот же знак (указывая быстрый наклон), размер шага увеличивается, чтобы предотвратить перегрузку наклона. Когда биты часто чередуются (указывая плоский сигнал), размер шага уменьшается, чтобы уменьшить гранулированный шум. Эта адаптация дает значительное улучшение SNR в широком диапазоне входных амплитуд и частот.

Непрерывная и дискретная адаптация размера шага

Ранние системы ADM использовали дискретное управление размером шага, такое как известная схема Song-Gray, где размер шага умножается или делится постоянным фактором при обнаружении определенного шаблона битов. Например, шаблон «1-1-1» или «0-0-0» может вызвать удвоение размера шага, в то время как чередующиеся биты уменьшают его вдвое. Более современные реализации используют непрерывную адаптацию, где размер шага является функцией оболочки входного сигнала, оцененной фильтром низкого пропуска. Непрерывная адаптация обеспечивает более плавный переход и более низкое искажение, но требует более тщательной конструкции схемы, чтобы избежать нестабильности.

Силлабическое сочетание и мгновенная адаптация

Силлабический компандинг отслеживает краткосрочное значение RMS входного сигнала и соответствующим образом корректирует размер шага - обычно в течение временных масштабов 5-20 миллисекунд, соответствуя силлабической скорости речи. Это особенно эффективно для голосовых кодеков. Мгновенная адаптация, напротив, реагирует по образцу, предлагая более быстрый ответ на переходные сигналы, но требуя более широкой полосы адаптации и более сложных алгоритмов. Большинство практических конструкций ADM достигают компромисса между ними, используя силлабическое усреднение для грубого управления и мгновенной логики для тонкой настройки.

Улучшение SNR от ADM по сравнению с DM с фиксированным шагом может составлять 10-15 дБ для речевых сигналов, что делает его стандартным выбором в военной связи и ранних цифровых телефонных сетях. Однако логика адаптации добавляет задержку и сложность схемы, и общая система должна быть тщательно разработана, чтобы избежать ограниченных циклов или поведения охоты.

Дельта-Сигма модуляция и формирование шума

Модуляция дельта-сигма (DSM) — часто называемая модуляцией сигма-дельта — использует принципиально иной подход к улучшению SNR. Вместо адаптации размера шага DSM использует пересэмплирование в сочетании с петлей обратной связи, которая формирует шум квантования вдали от полосы сигнала. Интегратор в прямом пути накапливает разницу между входом и выходом квантователя обратной связи, эффективно выполняя функцию предиктивного кодирования. Последующий фильтр низкого пропуска (или дециматор) удаляет шум из полосы, оставляя цифровое представление ввода с высоким разрешением, с высоким SNR.

Перебор проб и функция передачи шума

В модуляторе дельта-сигма первого порядка функция передачи шума (NTF) имеет характеристику высокого прохода: . Это подталкивает шум квантования к более высоким частотам, где он может быть ослаблен цифровым фильтром децимации. Помеховая мощность в полосе уменьшается на коэффициент, пропорциональный коэффициенту пересчета (OSR), квадратурованному для модулятора первого порядка. Для модулятора второго порядка снижение пропорционально OSR5, что приводит к значительным улучшениям SNR. Модуляторы более высокого порядка (третий, четвертый и т. д.) дополнительно увеличивают способность к формированию шума, но вводят проблемы стабильности из-за их повышенного усиления петли на высоких частотах.

Стабильность и многобитные квантайзеры

В то время как однобитный квантователь в классических модуляторах дельта-сигма обеспечивает присущую линейность, подталкивание к более высоким порядкам (обычно выше порядка 2 или 3) требует тщательного проектирования для поддержания стабильности. Такие методы, как компенсация в обратном направлении, многобитные квантователи и динамическое соответствие элементов (DEM) помогают стабилизировать петли более высокого порядка при сохранении линейности. Многобитные квантователи (например, 3-битные или 4-битные) уменьшают размер шага квантования, снижая требуемый OSR для данной цели SNR, хотя они требуют более сложного преобразования в цифровой-аналоговый путь. Формирование шума в сочетании с многобитным квантованием может достигать эффективного разрешения 16-24 бит в аудио и измерительных приложениях.

Компромисс для этих преимуществ SNR заключается в повышенной сложности системы: модуляторы дельта-сигма требуют высокоскоростных цифровых фильтров децимации, точных аналоговых компонентов и тщательной компоновки, чтобы избежать дрожания часов и теплового шума. Тем не менее, они доминируют в современных преобразователях высокого разрешения, от аудиокодеков до прецизионных измерительных АЦП.

Предсказательная дельта-модуляция и технологии Look-Ahead

Еще один инновационный подход к усилению SNR заключается в включении прогнозирования в петлю дельта-модуляции. Предиктивная дельта-модулирование использует модель входного сигнала - часто линейный предиктор порядка один или два - для оценки следующего значения выборки. Затем модулятор кодирует только разницу между фактическим образцом и предсказанием. Поскольку ошибка прогнозирования обычно намного меньше, чем сам сигнал, может использоваться меньший размер шага, уменьшая как гранулированный шум, так и вероятность перегрузки наклона.

Дифференциальная модуляция импульсного кода (DPCM) как обобщенная структура

Связь между дельта-модулированием и дифференциальной импульсно-кодовой модуляцией (DPCM) хорошо известна: DM по существу представляет собой 1-битную систему DPCM с предиктором первого порядка. Расширение до многобитного прогнозирования (например, 4-битная DPCM) предлагает дальнейшие улучшения SNR, но за счет более высокой скорости передачи данных. Алгоритмы прогнозирования Look-ahead - где система изучает будущие образцы (или их приближение) перед кодированием текущего образца - могут динамически оптимизировать коэффициенты прогнозирования. Это особенно ценно для нестационарных сигналов, таких как речь или биомедицинские формы волн.

Адаптивное прогнозирование и его преимущества

Адаптивная предиктивная дельта-модулирование (APDM) сочетает в себе пошаговую адаптацию с адаптацией коэффициента предиктора. Предиктором может быть решетчатый фильтр, который адаптирует свои коэффициенты на основе автокорреляции входного сигнала. Это позволяет модулятору отслеживать изменения спектрального содержания сигнала, значительно снижая ошибку прогнозирования. Исследования показали, что APDM может достигать уровней SNR в пределах нескольких дБ оптимальной импульсно-кодовой модуляции при сохранении низкой скорости бита, характерной для дельта-модуляции.

Машинное обучение и оптимизация на основе ИИ

Недавние исследования изучали использование машинного обучения (ML) и искусственного интеллекта для оптимизации параметров дельта-модуляции в режиме реального времени. Вместо ручной адаптации нейронная сеть или агент обучения подкрепления могут изучать оптимальный размер шага или коэффициенты прогнозирования на основе наблюдаемой статистики сигналов.

Нейронные сетевые контроллеры шагового размера

Нейронные сети, обученные на репрезентативном наборе входных сигналов, могут отображать кратковременные функции (например, скорость нулевого скрещивания, энергию, спектральный центроид) до соответствующего размера шага. Сеть оптимизирована для минимизации средней квадратной ошибки между входом и реконструированным сигналом. Эти контроллеры превосходят традиционную силлабическую или мгновенную адаптацию для определенных классов сигналов, особенно тех, у которых быстро меняется статистика (например, музыка или радиолокационные формы волн).

Усиление обучения для адаптивных алгоритмов

Агенты обучения с подкреплением (RL) могут быть обучены выбирать регулировки в размере шага в онлайн-модели с функцией вознаграждения, которая наказывает как перегрузку наклона, так и гранулированный шум. Агент узнает политику, которая уравновешивает компромисс, основанный на недавней истории ошибок. В то время как вычислительно дороже, чем адаптация с фиксированными правилами, контроллеры на основе RL могут адаптироваться к сигнальным средам, которые плохо смоделированы простой эвристикой. Текущие исследования показывают, что улучшение SNR по сравнению с ADM может быть 2-5 дБ для сложных сигналов, хотя сложность реализации остается барьером для устройств с низким энергопотреблением в реальном времени.

Передовые методы фильтрации и постобработки

Помимо модификаций самого модулятора, постобработка на приемнике может дополнительно повысить эффективность SNR. Адаптивные фильтры, такие как наименьшие средние квадраты (LMS) или рекурсивные наименьшие квадраты (RLS), могут использоваться для уменьшения остаточных шумов, оставшихся от событий перегрузки наклона или гранулированной болтовни. Эти фильтры работают на восстановленном сигнале, используя знание статистических свойств входного сигнала или известной структуры шума квантования.

Отмена шума с помощью эталонных сигналов

В некоторых приложениях вторичный опорный канал с низкой пропускной способностью может предоставлять информацию о оболочке входного сигнала, позволяя постфильтру вычитать коррелированные шумовые компоненты. Например, в дельта-модулированной аудиосвязи оболочку можно оценить и использовать для управления переменным фильтром с низким пропуском, который сглаживает гранулированный шум без ослабления истинных переходных сигналов. Такой подход может дать 3-6 дБ дополнительного улучшения SNR за счет увеличения цифровой обработки на приемнике.

Нелинейная фильтрация и денозирование волн

Нелинейные методы фильтрации, такие как медианная фильтрация или пороговое значение вейвлета, эффективны для удаления импульсного шума, вызванного случайными ошибками перегрузки наклона. Вейвлет-денозирование, в частности, может отделять компоненты сигнала и шума в области частот времени, сохраняя края при подавлении шума низкого уровня. Эти методы особенно полезны для медицинских сигналов (например, ЭКГ), где высокая точность имеет первостепенное значение, а вычислительные ресурсы не сильно ограничены.

Сравнение методов и практических соображений

Каждый из инновационных методов, рассмотренных выше, предлагает различные компромиссы между улучшением SNR, сложностью схемы, потреблением энергии и задержкой. В следующей таблице приведены ключевые характеристики:

Для датчиков или устройств связи с батарейным питанием ADM или предиктивный DM часто предлагают лучший баланс. Для высокоточного аудио или измерения модуляция дельта-сигма является стандартом де-факто. Подходы на основе машинного обучения остаются в основном в области исследований из-за их высоких вычислительных требований, хотя достижения в маломощных нейронных ускорителях могут вскоре изменить это.

Будущие направления и исследования

Продолжающиеся исследования продолжают раздвигать границы производительности дельта-модуляции. Одним из захватывающих направлений является использование интеграции дробного порядка в петлях дельта-сигма, что может обеспечить более гибкие шумообразующие профили. Другим является исследование гибридных систем, которые объединяют ADM с дельта-сигмой с использованием двух путей квантования, достигая как низкой мощности, так и высокого разрешения.

Предложены алгоритмы квантовой оптимизации (например, квантовое отжига) для поиска оптимальных последовательностей пошагового размера для DM, хотя практические реализации все еще зарождаются. Кроме того, интеграция дельта-модуляции с передовыми схемами передачи - такими как ортогональное мультиплексирование с частотным разделением (OFDM) - требует тщательного внимания к соотношению мощности пик-средний и внедиапазонным выбросам, областям, где инновационные методы DM могут играть роль.

Наконец, стремление к сверхнизким по мощности передним устройствам ИИ может возродить интерес к простым схемам модуляции, таким как дельта-модуляции, особенно если новые методы кодирования могут приблизиться к SNR более сложных преобразователей. Исследователи также изучают машины с кодированием времени (TEM) и ADC с пересечением уровней, которые имеют сходство с DM и предлагают присущие адаптивные свойства сигнала.

Заключение

Постоянное улучшение соотношения сигнал/шум в системах дельта-модуляции остается динамичной областью исследований и разработок. От адаптивных пошаговых управляющих и шумообразующих петель до прогностических фильтров и машинного обучения, описанные здесь методы демонстрируют, что даже простая, казалось бы, однобитная схема кодирования может быть усовершенствована для удовлетворения требовательных требований современных приложений. По мере развития технологии синергия между конструкцией аналоговой схемы и цифровой обработкой сигнала, вероятно, приведет к дальнейшим инновациям, гарантируя, что дельта-модульция остается актуальным и конкурентоспособным инструментом для представления сигнала с низкой сложностью и высокой точностью.

Для дальнейшего чтения рассмотрите возможность изучения основополагающей статьи по адаптивной дельта-модуляции Jayant, обзору теории преобразователей сигма-дельта от аналоговых устройств и недавним исследованиям адаптации ступенчатого размера нейронной сети для дельта-модуляции.