AD转换器与DA转换器仿真：量化、FFT指标与闭环验证

简介：这份文档面向通信原理、电子信息工程等专业的课程设计学习者，围绕A/D与D/A转换器的Matlab/Simulink仿真展开，可用于课程设计参考、实验报告撰写与仿真建模入门练习。内容先从原理入手，讲清模拟信号的采样、幅度离散化与编码，以及数字序列经低通滤波器还原模拟信号的正反过程；随后给出基于Simulink通信模块库的建模方案，逐条说明直流源、零阶保持器采样、量化器、整数转比特、缓冲串并转换等模块的作用与参数设置，并以输入常数17.5、量化后输出18为例分析波形与结果，其中对采样定理与量化误差的讨论便于读者对照理解。资源包共1个docx文档，约78KB，涵盖设计原理、仿真电路、模块说明、结果分析与总结，结构完整便于复现。已有338人学习下载，适合希望快速搭建A/D、D/A仿真链路并整理报告的中初级读者。

1. AD转换器和DA转换器仿真到底在仿什么

做一块 16 通道的数据采集板，采样率定 100 kSPS 还是 1 MSPS，ADC 选 12 位还是 16 位，前端抗混叠滤波器的截止频率压到多少，重建端又该用几阶滤波器——这几个数字一旦拍错，板子回来发现噪声底比预算高十几 dB，改版就是几周起步。AD转换器和DA转换器的仿真，就是把这一串判断从硬件阶段前移到模型阶段：用一组可执行的数学模型，把连续模拟量和离散码字之间的那座桥完整走一遍，看清量化、采样抖动、重建保持、单元失配各自往总误差里贡献了多少。

它解决的从来不是「画一条正弦」这么简单的事，而是在给定信号带宽、目标信噪比和器件约束之后，把链路预算算清楚。做音频接口、电机电流环、射频收发前端、传感器调理电路的工程师，都会在这件事上反复花时间。后面按 AD 采样链路、DA 重建链路、指标计算、闭环联调的顺序往下走，代码全部用 Python + Numpy 就能跑起来。

2. AD转换器仿真：从连续电压到量化码字

把 AD 转换过程拆开，无非是两个动作串起来：先在时间轴上采样，再在幅度轴上量化。这两个动作各自引入一类误差，而且它们的统计特性完全不同——混叠误差是确定性的，取决于滤波器抑制能力；量化误差在理想情况下是均匀分布的随机量，可以精确算出来。分清这两者，后面才知道该优化哪一头。

2.1 采样保持与量化器的数学描述

采样环节的输出可以写成x_s[n] = x(n·Ts + τ)，其中Ts是采样周期，τ是实际孔径时刻相对理想时刻的偏移。当τ存在随机波动时，它就从单纯的相位偏移变成了误差源，这就是后面要讲的时钟抖动。

量化环节则是把连续幅度切成有限个台阶，每个台阶宽度为 1 个 LSB：

LSB = 2 · Vref / 2^N

理想量化器的输出是输入信号减去量化误差，而量化误差在[-LSB/2, LSB/2]上近似均匀分布，其功率为LSB²/12。把这个结果代进满量程正弦波（幅度A = 2^(N-1)·LSB，信号功率A²/2）就能直接推出那条约等于6.02N + 1.76的经典公式。推导过程本身比结论有价值，因为它暴露了一个前提：输入必须是满量程正弦，且量化误差必须是白的。

2.2 用 Numpy 搭一个 N 位理想 ADC 并复现 SNR 公式

先写一个参数化的理想 ADC，把它跑起来，再用仿真结果去对公式。

import numpy as np def adc_ideal(x, nbits, vref=1.0, vcm=0.0): """理想 N 位 ADC。x 为输入电压数组，范围 [-vref, vref]""" lsb = 2.0 * vref / (2 ** nbits) # 输入平移后按最近码字取整，得到整数码 code = np.round((x - vcm + vref) / lsb) code = np.clip(code, 0, 2 ** nbits - 1).astype(np.int64) # 反量化回电压，中码字对齐 0V xq = (code - 2 ** (nbits - 1)) * lsb - vcm return code, xq nbits, fs, N = 12, 100e6, 8192 M = 245 # 与 N 互质，满足相干采样 fin = M / N * fs # ≈ 2.99 MHz t = np.arange(N) / fs x = 0.999 * np.sin(2 * np.pi * fin * t) code, xq = adc_ideal(x, nbits) q = x - xq # 量化误差 snr_sim = 10 * np.log10(np.sum(x ** 2) / np.sum(q ** 2)) print(f"仿真 SNR = {snr_sim:.2f} dB, 理论 = {6.02 * nbits + 1.76:.2f} dB")

这段代码里三个参数必须交代清楚。nbits决定 LSB 大小，改它就直接改 SNR；M取质数且保证M/N不可约，是为了让信号频率正好落在 FFT 的某一个 bin 上，避免频谱泄漏把噪声底抬高，这一步在行业里叫相干采样；输入幅度取0.999而不是 1.0，是为了避开削波同时只损失约 0.01 dB 的信噪比。跑出来的结果应该在 73.9 dB 附近，和理论值差不到 0.2 dB。如果差得远，先检查M是否和N互质。

2.3 时钟抖动与非线性的建模方法

理想模型对不上真实器件，主要差在两处：采样时刻不是均匀的，量化台阶也不是等宽的。

时钟抖动的处理是把采样时刻变成随机变量。抖动引入的误差近似等于信号导数乘以时间偏差，对正弦输入可以直接给出信噪比上限：

rng = np.random.default_rng(1) sigma_t = 1e-12 # 1 ps RMS 时钟抖动 x_j = 0.999 * np.sin(2 * np.pi * fin * (t + rng.normal(0, sigma_t, N))) _, xq_j = adc_ideal(x_j, nbits) snr_j = 10 * np.log10(np.sum(x_j ** 2) / np.sum((x_j - xq_j) ** 2)) # 解析上界：SNR = -20*log10(2*pi*fin*sigma_t) snr_limit = -20 * np.log10(2 * np.pi * fin * sigma_t) print(f"含抖动仿真 {snr_j:.2f} dB, 抖动上界 {snr_limit:.2f} dB")

在 2.99 MHz 输入、1 ps 抖动的条件下，这个上界大约 94.5 dB，折算成位数约 15.4 位。结论很直接：12 位 ADC 配 1 ps 抖动完全够用，但如果你打算上 16 位，抖动就得压到 0.2 ps 以下，否则抖动会接管噪声预算。这个换算在选时钟源的时候比任何仿真都省事。

非线性则要改量化阈值，而不是改输出码字。给每个跳变电平加一个以 LSB 为单位的偏差，就得到带 DNL 的模型：

def adc_with_dnl(x, nbits, dnl, vref=1.0): """dnl 长度应为 2**nbits - 1，单位 LSB""" lsb = 2.0 * vref / 2 ** nbits k = np.arange(2 ** nbits - 1) th = (-2 ** (nbits - 1) + 0.5 + k) * lsb + dnl * lsb th = np.sort(th) # 防止非单调 code = np.searchsorted(th, x).astype(np.int64) xq = (code - 2 ** (nbits - 1)) * lsb return code, xq dnl = np.zeros(2 ** nbits - 1) dnl[[100, 101, 102]] = [0.4, -0.5, 0.6] # 局部台阶不齐 _, xq_dnl = adc_with_dnl(x, nbits, dnl)

np.sort那一行别省。当 DNL 超过 ±1 LSB 时阈值会交叉，转换曲线出现非单调，searchsorted会给出错误的码字序列。真实器件说明书里的「无丢码」保证，本质上就是在约束这件事。

3. DA转换器仿真：从码字重建模拟波形

AD 是把模拟世界压成数字，DA 是反过来把数字重新铺回模拟世界。方向反了，误差的形态也换了：DA 的主要敌人不是量化噪声，而是零阶保持带来的频响凹陷、重建滤波器的相位失真，以及电流舵单元之间的失配。

3.1 零阶保持的频响与 sinc 衰减定量关系

DAC 每一拍输出一个码字对应的电平，并保持整整一个更新周期，这就是零阶保持。它在频域上的响应是一个 sinc 函数：

def zoh_gain_db(f, fs): """零阶保持的幅度响应，单位 dB""" return 20 * np.log10(np.abs(np.sinc(f / fs))) fs_dac = 100e6 for f in [1e6, 10e6, 25e6, 40e6, 50e6]: print(f"{f/1e6:>4.1f} MHz : {zoh_gain_db(f, fs_dac):.2f} dB")

跑出来在 50 MHz 处大约是 -3.92 dB，在 25 MHz 处约 -0.9 dB。注意np.sinc的定义是sin(πx)/(πx)，恰好就是零阶保持的归一化响应，不用自己写。这个衰减意味着：如果信号带宽一直用到奈奎斯特频率，高频部分的幅度会被削掉将近 4 dB，幅频平坦度直接崩掉。常见的应对是两种，要么提高 DAC 更新率做数字过采样，让信号落在远低于 fs/2 的位置；要么在数字端加一个反 sinc 补偿滤波器，把这段衰减提前抬回来。

3.2 重建滤波器的设计参数与仿真验证

在 Python 里验证重建滤波器，用scipy.signal出系数就够了：

from scipy import signal import numpy as np fs_dac, fc, osr = 100e6, 12e6, 8 n_taps = 129 # 在过采样率 osr 下设计，等效截止频率 fc b = signal.firwin(n_taps, fc / (fs_dac * osr / 2), window='kaiser', fs=fs_dac * osr) w, h = signal.freqz(b, worN=8192, fs=fs_dac * osr) mag_db = 20 * np.log10(np.abs(h) + 1e-12) # 通带波纹与阻带抑制 pass_idx = w <= fc stop_idx = w >= 2 * fc print(f"通带波动 {mag_db[pass_idx].max() - mag_db[pass_idx].min():.3f} dB") print(f"阻带抑制 {mag_db[stop_idx].max():.1f} dB")

三个参数值得逐个盯。fc是通带边界，取信号最高频率再留 20% 余量；osr是过采样倍数，它把数字滤波器的过渡带拓宽了osr倍，所以同样的抽头数能换来更陡的滚降；n_taps直接决定阶数，阶数不够时阻带抑制先崩。判断滤波器是否合格，看输出波形的两个数：通带波纹控制在 0.1 dB 以内，阻带抑制在2·fc之后要压到 -70 dB 以下，否则 DAC 的采样镜像会漏进后级放大器。

另外把零阶保持跟重建滤波器串起来算总响应时，别忘了一个容易忽略的点：反 sinc 补偿最好放在数字滤波器内部一起设计，而不是在模拟端单独加一级，否则两级滤波器的相位叠加会让群时延变得很难看。

3.3 DAC 失配与毛刺的建模方法

真实 DAC 的每一位权重不会精确等于 2 的幂次方。给每个比特加一个相对偏差，就能模拟出这种失配：

def dac_binary(codes, nbits, sigma=0.0, seed=0): rng = np.random.default_rng(seed) w = 2.0 ** np.arange(nbits, dtype=float) w = w * (1 + rng.normal(0, sigma, nbits)) # 单元权重失配 bits = (codes[:, None] >> np.arange(nbits)) & 1 y = bits @ w return 2 * y / w.sum() - 1 # 归一化到 [-1, 1)

sigma建议从 0.001 起，按 0.001 步进往上加，观察 SFDR 掉到多少。这里有个反直觉的现象：失配带来的不是噪声底抬升，而是固定的谐波杂散，所以蒙特卡洛跑出来的均值不会好看，得看谱线位置。这也是为什么高精度 DAC 普遍改用温度计码或分段结构——把大权重的跳变拆成多个小单元的轮转，失配被平均掉。

毛刺建模稍微麻烦一点，因为它是每个码字跳变处的瞬态：

def add_glitch(x, alpha=0.05, tau=0.3): y = x.copy() d = np.diff(x, prepend=x[0]) for i in np.where(np.abs(d) > 1e-9)[0]: n = np.arange(len(y) - i) y[i:] += alpha * d[i] * np.exp(-n / tau) return y

alpha是毛刺相对跳变幅度的比例，tau控制衰减快慢，用采样点数计。这个模型是近似的，但它能告诉你一件事：当输入是高频大幅信号时，毛刺能量集中在跳变最密的时刻，用 FFT 分析会表现为宽带底噪抬升。用 RZ（归零）编码或增加输出端的去毛刺采样保持电路，一般都是针对这一点。

4. 用 FFT 频谱算 SNR、ENOB 和 SFDR

模型搭完了，接下来得有统一的尺子去量。AD/DA 仿真的通用做法是对输出序列做 FFT，把能量分类：信号 bin、谐波 bin、噪声底，然后分别算比值。这一步最容易出错，因为窗函数、bin 数和直流剔除方式稍有不同，同一组数据能算出差 5 dB 的结果。

4.1 相干采样条件与窗函数的选择

相干采样的条件很明确：fin/fs = M/N，M为质数，N为 2 的幂。满足这个条件时信号能量完全落在单个 bin 内，不需要加窗，频谱最干净，也最适合做精确的指标计算。代价是输入频率被约束死了，测真实器件的时候很难凑。

非相干采样就必须加窗。窗函数的选择看两个指标：

主瓣越宽，靠近信号 bin 的杂散就越容易被「藏」进主瓣里算不到，所以测小杂散时必须用旁瓣抑制好的窗型，同时把信号附近的若干个 bin 从噪声统计里剔除。

4.2 从 FFT 频谱算 SNR、ENOB 和 SFDR 的完整脚本

把前面几节的结果接上，一个完整的指标计算函数如下：

def spec_metrics(x, fs, win='rect', sig_bins=5, dc_bins=4): """从时域序列计算 SNR / ENOB / SFDR""" N = len(x) if win == 'hann': w = np.hanning(N) elif win == 'bh': w = np.blackman(N) else: w = np.ones(N) # 相干采样时不加窗 X = np.abs(np.fft.rfft(x * w)) ** 2 freq = np.fft.rfftfreq(N, 1 / fs) k0 = np.argmax(X[1:]) + 1 # 跳过直流找信号 bin lo, hi = max(k0 - sig_bins, 1), min(k0 + sig_bins + 1, len(X)) Ps = X[lo:hi].sum() # 信号及邻近泄漏 Xn = X.copy() Xn[lo:hi] = 0 Xn[:dc_bins] = 0 # 剔除直流与近零频 Pn = Xn.sum() # 剩余全部算噪声+杂散 snr = 10 * np.log10(Ps / Pn) enob = (snr - 1.76) / 6.02 sfdr = 10 * np.log10(Ps / Xn.max()) # 最大杂散相对信号 spur_f = freq[np.argmax(Xn)] return dict(snr=snr, enob=enob, sfdr=sfdr, spur_f=spur_f) print(spec_metrics(xq, fs)) # 前面 12 位 ADC 的输出

sig_bins取 5 是折中：太小会把信号自身的泄漏算进噪声，导致 SNR 偏低；太大又会把真实的近端杂散吃掉，导致结果虚高。用矩形窗相干采样时取 3 到 5 都合理，用 Blackman-Harris 这类窗时因为主瓣宽达 8 个 bin，至少要放到 10。dc_bins是剔除直流和超低频的分量，实际板上往往还有 50 Hz 工频和电源纹波，测 ADC 动态指标时必须排除，否则算出来的全是这些。

spur_f这个返回值容易被忽略，但它才是定位问题的关键。SFDR 差的时候，先看杂散落在哪个频率上：落在信号频率的整数倍上，是量化器非线性；落在M/N相关的固定位置，是采样时钟的杂散耦合；落在随机的低频率上，多半是电源或参考电压的问题。

4.3 指标对照表与三个常见误读

三个误读值得点出来。第一，把 SNR 等同于 ENOB，实际上一旦有谐波，SNDR 才是有效位数的来源，用 SNR 算出的 ENOB 会虚高一到两位。第二，忽略 FFT 长度的影响，N越大噪声底的统计越接近真实，用 1024 点算 16 位 ADC 的噪声底基本没意义，N至少取 8192，最好 65536。第三，混淆 dBFS 和 dBc，前者相对满量程，后者相对信号本身，做器件对比时必须统一，否则数据没法横向比。

5. 联合链路验证与仿真发散排查

单测完 AD 和 DA，最后一步是把两者串起来跑闭环。这一步的价值在于暴露那些单独测发现不了的耦合问题，比如 AD 的量化误差被 DA 重建后放大，或者 DA 的毛刺通过反馈回路重新耦合回采样端。做法很直接：把 AD 的输出码字直接喂给 DA 模型，中间不加任何补偿，看重建波形和原始模拟波形的差：

# 闭环：前文 12 位 ADC 的输出码直接送进 12 位 DAC xq_rec = dac_binary(code, nbits=12, sigma=0.002, seed=42) * 1.0 err_closed = x - xq_rec snr_closed = 10 * np.log10(np.sum(x ** 2) / np.sum(err_closed ** 2)) print(f"闭环 SNR = {snr_closed:.2f} dB")

闭环跑完通常会看到比单测低 3 到 6 dB，这部分损失来自量化误差的二次叠加和失配。如果损失超过 8 dB，说明两条链路的噪声预算分配不平衡，得回去重新看是哪一级吃掉了余量。蒙特卡洛扫sigma从 0.0005 到 0.01，每次跑 100 组取均值和标准差，就能把失配预算反推出来，直接对应到器件选型上。

关于「仿真发散」，在 AD/DA 这类模型里通常不是数值积分炸掉，而是几个更隐蔽的表现形态。下面这张排查表是我一般会按顺序过一遍的：

最后这一条提醒尤其值得留意：罚函数式的「换一组随机数结果就变脸」，往往说明样本量不足而不是模型本身有问题。把蒙特卡洛次数从 10 提到 200，如果标准差收敛到 0.3 dB 以内，模型就算是可信的了。相比之下，一味去调步长或者换求解器，反而是在给一个统计上还没站稳的结论做无用功。

本文还有配套的精品资源，点击获取