類比數位轉換：連接真實世界與數位系統的橋

為什麼需要類比數位轉換

我們生活的世界是類比（analog）的：聲音是連續起伏的空氣壓力、溫度是平滑變化的數值、光線強弱無級可分。但電腦、手機、微控制器這些數位系統，內部只認得 $0$ 與 $1$ 兩種狀態。要讓數位系統「聽見」麥克風的聲音、「感覺」感測器的溫度，就必須有一座橋，把連續的類比訊號翻譯成一串離散的數字——這就是類比數位轉換器（ADC，Analog-to-Digital Converter）。

反過來，當數位系統要「說話」——播放音樂、驅動喇叭、輸出控制電壓——又需要把數字還原成連續波形，這座反方向的橋叫做數位類比轉換器（DAC，Digital-to-Analog Converter）。

可以這樣想：ADC 像是一位速記員，每隔固定時間就把現場狀況記下一個數字；DAC 則像朗讀員，照著筆記把數字一個個還原成聲音。幾乎所有現代電子產品——耳機、相機、血氧機、車用感測器——內部都同時藏著這兩座橋。

兩個核心動作：取樣與量化

ADC 把類比訊號變成數字，靠的是兩個步驟。

取樣（sampling）是「在時間上切片」。原本連續的波形，我們每隔一段固定時間 $T_s$ 量一次值，這個頻率叫取樣率（sampling rate） $f_s = 1/T_s$。例如 CD 音質的取樣率是 $44.1\ \text{kHz}$，代表每秒鐘量了四萬四千一百次。

量化（quantization）是「在振幅上分級」。取樣得到的數值仍是連續的，但數位系統只能用有限位元表示，所以要把它「四捨五入」到最接近的階層。若 ADC 有 $N$ 個位元，就能表示

$$ L = 2^N $$

個不同的階層。位元數越多，階梯越細，還原得越精準。

這兩步之後，每個取樣點都對應到一個整數碼，一串整數就構成了數位訊號。

解析度與量化誤差

把整個輸入電壓範圍 $V_{\text{FS}}$（full-scale）切成 $2^N$ 階，每一階的高度稱為最低有效位元（LSB），也就是 ADC 能分辨的最小電壓變化：

$$ \Delta = \frac{V_{\text{FS}}}{2^N} $$

因為真實值被「捨入」到最近的階層，必然產生量化誤差，其最大值為 $\pm \Delta/2$。位元數越多、$\Delta$ 越小，誤差就越不明顯。

小範例： 一顆 $12$ 位元的 ADC，輸入範圍是 $0$ 到 $3.3\ \text{V}$，求它的解析度與最大量化誤差。

階層總數：

$$ L = 2^{12} = 4096 $$

每階電壓（解析度）：

$$ \Delta = \frac{3.3\ \text{V}}{4096} \approx 0.806\ \text{mV} $$

最大量化誤差：

$$ \frac{\Delta}{2} \approx 0.403\ \text{mV} $$

也就是說，這顆 ADC 最細能分辨約 $0.8\ \text{mV}$ 的電壓變化，量測任一電壓時的捨入誤差不會超過約 $0.4\ \text{mV}$。若改用 $16$ 位元，階層變成 $65536$，解析度立刻細到約 $0.05\ \text{mV}$。

取樣定理：別漏掉訊號

取樣率不能隨便選。奈奎斯特–山農取樣定理（Nyquist–Shannon Sampling Theorem）告訴我們：要完整保留一個最高頻率為 $f_{\max}$ 的訊號，取樣率必須

$$ f_s > 2 f_{\max} $$

這個臨界值 $2 f_{\max}$ 稱為奈奎斯特頻率。為什麼是兩倍？直覺上，一個正弦波在一個週期內至少要量到「波峰」和「波谷」兩點，才能還原它的形狀；取樣太慢，高頻波就會被誤判成一條較慢的假波。

這種「高頻假裝成低頻」的現象叫混疊（aliasing）。生活中常見的例子是電影裡的車輪——拍攝幀率不夠快時，飛速旋轉的輪子看起來反而慢慢倒轉。聲音世界也一樣：CD 取樣率定在 $44.1\ \text{kHz}$，正是因為人耳上限約 $20\ \text{kHz}$，兩倍還留了餘裕。為了防止混疊，ADC 前通常會加一個抗混疊低通濾波器，先濾掉超過奈奎斯特頻率的成分。

常見的 ADC 與 DAC 架構

ADC 有多種實現方式，各有取捨。逐次逼近型（SAR）像玩猜數字遊戲：先猜中間值，比較後決定往上或往下，每次定一個位元，速度與精度兼顧，是微控制器最常用的型式。快閃型（Flash）用一整排比較器同時比對所有階層，一瞬間出結果，極快但耗電、面積大，用於高速場合。Σ-Δ（Sigma-Delta）型靠超高速取樣加上數位濾波，以「過取樣」換取極高解析度，是音訊與精密量測的主力。

DAC 這一側，常見的是電阻梯形網路（R-2R ladder）：只用兩種阻值的電阻巧妙串並聯，就能把每個位元加權相加，輸出對應的類比電壓。一個 $N$ 位元 DAC 的輸出電壓大致為

$$ V_{\text{out}} = V_{\text{ref}} \cdot \frac{D}{2^N} $$

其中 $D$ 是輸入的數位碼（$0$ 到 $2^N-1$）、$V_{\text{ref}}$ 是參考電壓。碼越大，輸出電壓越高，階梯狀地逼近想要的波形。

深入探討（研究所視角）

入門我們說「量化誤差不超過 $\pm\Delta/2$」，研究所階段則把它當成一個統計訊號來分析。在輸入夠忙碌、與時鐘不相關的合理假設下，量化誤差可近似為在 $[-\Delta/2, \Delta/2]$ 上均勻分布的白雜訊，其均方值為

$$ \sigma_q^2 = \frac{1}{\Delta}\int_{-\Delta/2}^{\Delta/2} e^2\, de = \frac{\Delta^2}{12} $$

對一個振幅佈滿全範圍的正弦輸入，可推得理想 $N$ 位元 ADC 的訊號雜訊比著名公式：

$$ \mathrm{SNR}_{\text{dB}} = 6.02\,N + 1.76 $$

每多一個位元，SNR 約增加 $6\ \text{dB}$——這條關係是評估轉換器性能的基石。實務上人們更愛用有效位元數（ENOB），把實測的訊號雜訊與失真比 SINAD 反推回等效位元：$\mathrm{ENOB} = (\mathrm{SINAD}_{\text{dB}} - 1.76)/6.02$，誠實反映出寄生雜訊、非線性失真把標稱位元「吃掉」了多少。

過取樣（oversampling）是突破上式的關鍵思想。把取樣率提高到奈奎斯特的 $\mathrm{OSR}$ 倍，量化雜訊的總功率不變，卻被攤平到更寬的頻帶上；只取我們關心的低頻段，落在帶內的雜訊就被稀釋，SNR 約改善 $10\log_{10}(\mathrm{OSR})$。Σ-Δ 調變器更進一步，用回授迴路做雜訊塑形（noise shaping），把量化雜訊的功率譜「推」到高頻去，帶內雜訊密度被一個高通的雜訊轉移函數 $\mathrm{NTF}(z)$ 壓低。對一個 $L$ 階調變器，帶內 SNR 隨 OSR 的提升斜率高達每倍頻 $(6L+3)\ \text{dB}$，這正是用低解析度（甚至 $1$ 位元）量化器卻能達到 $20$ 位元以上等效精度的原理。

理論上還有兩個延伸值得一提。其一，取樣定理只是均勻取樣的充分條件；壓縮感知（compressed sensing）指出，若訊號在某基底下是稀疏的，可用遠低於奈奎斯特的隨機取樣率、再透過 $\ell_1$ 最佳化精確重建——挑戰了「兩倍頻寬」是鐵律的直覺。其二，DAC 的還原並非把離散點直接連線，而是隱含一個重建濾波器：零階保持（zero-order hold）等效於一個 $\mathrm{sinc}$ 形狀的頻率響應 $H(f)=T_s\,\mathrm{sinc}(f T_s)$，會在通帶造成下垂，需以數位等化補償。如此一來，ADC、DAC 與取樣定理便共同織入完整的數位訊號處理理論框架之中。