1. 模数转换器的核心挑战与双通道方案价值

在信号采集系统中，模数转换器（ADC）的动态范围直接决定了系统能够处理的信号幅度范围。传统ADC采用固定量程设计，当输入信号幅度超过参考电压时，会出现严重的非线性失真（即饱和现象）。这就像用固定容量的水杯接水——一旦水流量超过杯子的容量，多余的水就会溢出流失。

为解决这一难题，学术界提出了无限采样框架（Unlimited Sampling Framework, USF），其核心思想是通过模数折叠（modulo folding）技术，将超出量程的高幅度信号"折叠"回ADC的量化范围内。具体实现如公式(1)所示：

\langle x \rangle_\Delta = x - \Delta \lfloor \frac{x}{\Delta} + \frac{1}{2} \rfloor

其中Δ为ADC的量程，运算结果将任意实数x映射到区间[-Δ/2, Δ/2)内。这种操作类似于钟表对12小时制的时间表示——无论过了多少小时，时间显示总是在1-12之间循环。

2. 双通道模数转换系统的设计原理

2.1 系统架构与数学模型

本文提出的双通道模数转换系统采用差异化量程设计，两个通道的模数量程满足：

\Delta_\ell = \tau_\ell \varepsilon, \quad \ell=1,2

其中τ₁和τ₂为互质的整数（通常取连续整数），ε为缩放因子。这种设计借鉴了中国剩余定理（CRT）的思想——通过两个具有特定数学关系的测量通道，可以唯一确定原始信号的幅度值。

系统工作时，输入信号g(t)经过采样后，在两个通道分别产生模数输出：

\tilde{y}_\ell[k] = \langle g(kT) \rangle_{\Delta_\ell} + e_\ell[k]

其中eℓ[k]表示折叠噪声，T为采样周期。根据模数运算的性质，原始信号可以表示为：

g[k] = \Delta_\ell n_\ell[k] + y_\ell[k]

这里nℓ[k]∈ℤ是折叠次数，yℓ[k]∈[-Δℓ/2, Δℓ/2)是模数输出。

2.2 传统量化方案的局限性

现有双通道系统通常独立量化两个通道的输出，每个样本消耗b比特。根据RCRT（Robust Chinese Remainder Theorem）理论，为保证稳定重建，需要满足：

b \geq \lceil \log_2(\tau_1 + \tau_2) \rceil

这使得总比特率达到BRCRT=2b。与传统高动态范围ADC相比，当信号幅度范围系数ρ=2∥g(t)∥∞/Δ增大时，这种方案的比特率开销呈线性增长：

BRCRT - B_c = b - \lceil \log_2 \rho \rceil

这就像用两倍的字数来描述同一个故事——虽然能达到目的，但通信效率明显降低。

3. 高效CRT量化方案（ECRT）的技术实现

3.1 通道间冗余的发现与利用

ECRT方案的核心突破在于发现了通道间输出的结构化差异。定义归一化差值：

d[k] = \frac{y_2[k] - y_1[k]}{\varepsilon} = \tau_1 n_1[k] - \tau_2 n_2[k]

关键性质：

1. d[k]始终为整数（因为τ₁n₁[k]-τ₂n₂[k]∈ℤ）
2. |d[k]| < (τ₁ + τ₂)/2（由模数范围限制推导得出）

这意味着差值信号实际上只需要⌈log₂(τ₁ + τ₂)⌉比特即可精确表示，远小于直接量化两个通道所需的2b比特。

3.2 硬件友好的系统设计

图1所示的硬件架构创新性地采用"主通道+差值通道"设计：

• 主通道：常规量化通道1输出˜y₁(t)，使用b比特
• 差值通道：量化缩放后的差值信号˜s(t)=(y₂(t)-y₁(t))/2，使用b_d=⌈log₂(τ₁ + τ₂)⌉比特

这种设计的精妙之处在于：

1. 缩放1/2保证|s(t)|始终小于Δ₂/2，避免二次饱和
2. 差值量化步长设为ε/2，确保整数差值d[k]可精确恢复
3. 模拟电路仅需加法器和1/2比例放大器，硬件开销可忽略

3.3 重建算法与误差分析

接收端通过算法1实现高效重建：

1. 从量化值ˆs[k]恢复整数差值：ˆd[k] = round(2ˆs[k]/ε)
2. 利用中国剩余定理求解折叠次数：

   \hat{n}_1[k] = (\hat{d}[k]\gamma_1) \mod \tau_2

   其中γ₁是τ₁模τ₂的乘法逆元
3. 最终重建信号：ˆg[k] = ˆn₁[k]Δ₁ + ˆy₁[k]

理论证明（定理1），在|e_s[k]|<ε/4的噪声条件下，重建误差满足：

|\hat{g}[k] - g[k]| \leq \|e_1\|_\infty + \frac{\Delta_1}{2^{b+1}}

这表示ECRT的精度主要取决于主通道的量化误差和噪声水平。

4. 性能比较与实验验证

4.1 比特率效率的理论突破

与传统方案相比，ECRT实现了革命性的比特率优化：

• 比特率公式：B_ECRT = b + ⌈log₂(τ₁ + τ₂)⌉
• 与传统ADC的关系（推论1）：
  • 当2^{n-1} < ρ ≤ 2^n -1时：B_ECRT = B_c + 1
  • 当2^n -1 < ρ ≤ 2^n时：B_ECRT = B_c + 2

这意味着对于大多数ρ值（约占所有情况的75%），ECRT仅需增加1比特开销即可实现与传统高动态范围ADC相当的动态范围。表I展示了不同ρ值下的理论比特率比较，可见ECRT在ρ=40时相比RCRT可节省近50%的比特率。

4.2 硬件实验结果分析

使用Δ₁=0.72V、Δ₂=0.96V（τ₁=3,τ₂=4,ε=0.24）的原型系统采集10kHz带宽信号（ρ=2.8），获得以下关键数据（表II）：

实验结果表明：

1. 在相近重建精度（RRSE≈7.2×10⁻²）下，ECRT比特率比SOSI降低41%
2. 工作采样率仅需Nyquist率（20kHz），无需过采样
3. 随着b增加，所有方案RRSE改善，但ECRT始终保持最低比特率

图2的MAE-比特率曲线更直观显示：要达到MAE≈10⁻²，ECRT仅需19bps，而RCRT需要28bps，节省近1/3的通信带宽。

5. 工程实践中的关键考量

5.1 模数参数选择策略

在实际系统中，模数参数τ₁,τ₂的选择需平衡以下因素：

1. 动态范围需求：根据预计的信号幅度范围ρ，选择τ₁ ≥ ⌈ρ⌉，τ₂ = τ₁ + 1（保证互质）
2. 噪声容限：ε = Δ₂/τ₂应足够大以容纳量化噪声和电路噪声
3. 硬件匹配：Δ₁/Δ₂比值应适配前端放大器动态范围

经验公式：

\tau_1 = \lceil \rho \rceil, \quad \tau_2 = \tau_1 + 1, \quad \varepsilon \geq \frac{4(\|e\|_\infty + \frac{\Delta_1}{2^{b+1}})}{\min(\tau_1,\tau_2)}

5.2 噪声管理技巧

1. 主通道优先：将噪声较低的ADC用作主通道（通道1）
2. 差分对称设计：两个通道的模拟路径应保持对称，避免引入系统性偏差
3. 抖动注入：在量化前加入小幅随机噪声，改善量化非线性
4. 温度补偿：对于高精度应用，需监测模数电路温度变化并动态校正ε

5.3 实际部署中的取舍

虽然ECRT具有显著优势，但在以下场景可能需要考虑替代方案：

1. 超高频信号：当信号频率接近GHz时，多通道同步难度增大
2. 严格功耗限制：增加一个ADC通道会使功耗增加约30-50%
3. 极低幅度信号：当信号主要分布在[-Δ/2,Δ/2]内时，传统ADC可能更简单高效

6. 扩展应用与未来方向

ECRT框架可与其他先进采样技术结合，产生更强大的混合架构：

1. 子Nyquist扩展：与多coset采样结合，在四通道系统中实现同时的频谱压缩和幅度折叠
2. 时频联合优化：针对特定频带信号（如雷达脉冲），动态调整τ₁,τ₂以优化局部动态范围
3. 学习型参数选择：利用机器学习预测信号统计特性，自适应调整模数量程

我们在硬件原型中已验证实时处理能力（文献[36]），使用Xilinx Zynq FPGA实现：

• 14-bit双通道ADC（AD9643）
• 250MHz时钟频率
• 延迟<5μs的实时CRT重建流水线 这为ECRT在5G通信、医学成像等领域的应用铺平了道路。