数字通信 - 增量调制
信号的采样率应高于奈奎斯特速率，以实现更好的采样。如果差分 PCM 中的采样间隔大大减小，则样本与样本之间的幅度差异非常小，就好像差异是 1 位量化，那么步长将非常小，即 Δ (delta)。
Delta 调制
采样率高得多且量化后的步长值较小 Δ 的调制类型，这种调制称为 delta 调制。
Delta 调制的特点
以下是 delta 调制的一些特点。
采用过采样输入以充分利用信号相关性。
量化设计简单。
输入序列远高于奈奎斯特速率。
质量中等。
调制器和解调器的设计简单。
输出波形的阶梯式近似。
步长非常小，即 Δ (delta)。
比特率可由用户决定。
这涉及更简单的实现。
Delta 调制是 DPCM 技术的一种简化形式，也被视为 1 位 DPCM 方案。随着采样间隔的减小，信号相关性会更高。
Delta 调制器
Delta 调制器由 1 位量化器、延迟电路以及两个加法器电路组成。以下是增量调制器的框图。
DPCM 中的预测器电路被 DM 中的简单延迟电路取代。
从上图中，我们得到符号为 −
$x(nT_{s})$ = 过采样输入
$e_{p}(nT_{s})$ = 加法器输出和量化器输入
$e_{q}(nT_{s})$ = 量化器输出 = $v(nT_s)$
$\widehat{x}(nT_{s})$ = 延迟输出电路
$u(nT_{s})$ = 延迟电路的输入
使用这些符号，现在我们将尝试弄清楚增量调制的过程。
$e_{p}(nT_{s}) = x(nT_{s}) - \widehat{x}(nT_{s})$
---------等式 1
$= x(nT_{s}) - u([n - 1]T_{s})$
$= x(nT_{s}) - [\widehat{x} [[n - 1]T_{s}] + v[[n-1]T_{s}]]$
---------公式 2
此外，
$v(nT_{s}) = e_{q}(nT_{s}) = S.sig.[e_{p}(nT_{s})]$
---------公式 3
$u(nT_{s}) = \widehat{x}(nT_{s})+e_{q}(nT_{s})$
其中，
$\widehat{x}(nT_{s})$ = 延迟的先前值电路
$e_{q}(nT_{s})$ = 量化器输出 = $v(nT_s)$
因此，
$u(nT_{s}) = u([n-1]T_{s}) + v(nT_{s})$
---------公式 4
这意味着，
延迟单元的当前输入
= (延迟单元的先前输出) + (当前量化器输出)
假设累积条件为零，
$u(nT_{s}) = S \displaystyle\sum\limits_{j=1}^n sig[e_{p}(jT_{s})]$
DM 输出的累积版本 = $\displaystyle\sum\limits_{j = 1}^n v(jT_{s})$
---------公式 5
现在，请注意
$\widehat{x}(nT_{s}) = u([n-1]T_{s})$
$= \displaystyle\sum\limits_{j = 1}^{n - 1} v(jT_{s})$
---------公式 6
延迟单元输出是累加器输出滞后一个样本。
从公式 5 和 6，我们得到了解调器的可能结构。
阶梯近似波形将是步长为 delta (Δ) 的增量调制器的输出。波形的输出质量中等。
增量解调器
增量解调器由低通滤波器、加法器和延迟电路组成。这里消除了预测器电路，因此没有向解调器提供假定输入。
以下是增量解调器的图表。
从上图中，我们得到符号为 −
$\widehat{v}(nT_{s})$ 是输入样本
$\widehat{u}(nT_{s})$ 是加法器输出
$\bar{x}(nT_{s})$ 是延迟输出
将给出一个二进制序列作为解调器的输入。将阶梯式近似输出提供给 LPF。
使用低通滤波器的原因有很多，但最主要的原因是为了消除带外信号的噪声。发射机处可能出现的步长误差称为颗粒噪声，在这里可以消除这种噪声。如果没有噪声，则调制器输出等于解调器输入。
DM 相对于 DPCM 的优势
1 位量化器
调制器和解调器的设计非常简单
但是，DM 中存在一些噪声。
斜率过载失真（当 Δ 较小时）
颗粒噪声（当 Δ 较大时）
自适应增量调制 (ADM)
在数字调制中，我们遇到了确定步长的一些问题，这会影响输出波的质量。
较大的步长在调制信号的陡峭斜率中需要较大的步长，而在消息的斜率较小时需要较小的步长。在这个过程中，微小的细节会被忽略。因此，如果我们可以根据我们的要求控制步长的调整，以便以所需的方式获得采样，那就更好了。这就是自适应增量调制的概念。
以下是自适应增量调制器的框图。
电压控制放大器的增益由采样器的输出信号调整。放大器增益决定步长，两者成比例。
ADM 量化当前样本值与下一个样本预测值之间的差异。它使用可变步长来预测下一个值，以忠实地再现快速变化的值。
