數字通訊 - 增量調製
訊號的取樣率應高於奈奎斯特率，以實現更好的取樣。如果差分脈衝編碼調製中的此取樣間隔大幅減小，則樣本間的幅度差非常小，如果該差異為**1 位量化**，則步長將非常小，即**Δ**（delta）。
增量調製
取樣率高且量化後步長值較小（**Δ**）的調製型別稱為**增量調製**。
增量調製的特點
以下是增量調製的一些特點。
採用過取樣輸入以充分利用訊號相關性。
量化設計簡單。
輸入序列遠高於奈奎斯特率。
質量中等。
調製器和解調器的設計簡單。
輸出波形的階梯近似。
步長非常小，即**Δ**（delta）。
使用者可以決定位元率。
這涉及更簡單的實現。
增量調製是差分脈衝編碼調製技術的一種簡化形式，也可視為**1 位差分脈衝編碼調製方案**。隨著取樣間隔的減小，訊號相關性將更高。
增量調製器
增量調製器包括一個 1 位量化器和一個延遲電路以及兩個加法器電路。以下是增量調製器的框圖。
差分脈衝編碼調製中的預測器電路在增量調製中被一個簡單的延遲電路取代。
從上圖，我們有以下符號 -
$x(nT_{s})$ = 過取樣輸入
$e_{p}(nT_{s})$ = 加法器輸出和量化器輸入
$e_{q}(nT_{s})$ = 量化器輸出 = $v(nT_s)$
$\widehat{x}(nT_{s})$ = 延遲電路的輸出
$u(nT_{s})$ = 延遲電路的輸入
使用這些符號，我們現在將嘗試弄清楚增量調製的過程。
$e_{p}(nT_{s}) = x(nT_{s}) - \widehat{x}(nT_{s})$
---------公式 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，
$\widehat{x}(nT_{s})$ = 延遲電路的先前值
$e_{q}(nT_{s})$ = 量化器輸出 = $v(nT_s)$
因此，
$u(nT_{s}) = u([n-1]T_{s}) + v(nT_{s})$
---------公式 4
這意味著，
延遲單元的當前輸入
= （延遲單元的先前輸出）+ （當前量化器輸出）
假設累積的零條件，
$u(nT_{s}) = S \displaystyle\sum\limits_{j=1}^n sig[e_{p}(jT_{s})]$
**增量調製輸出的累積版本** = $\displaystyle\sum\limits_{j = 1}^n v(jT_{s})$
---------公式 5
現在，請注意
$\widehat{x}(nT_{s}) = u([n-1]T_{s})$
$= \displaystyle\sum\limits_{j = 1}^{n - 1} v(jT_{s})$
---------公式 6
延遲單元輸出是滯後一個樣本的累加器輸出。
根據公式 5 和 6，我們可以得到解調器的一種可能的結構。
階梯近似波形將是增量調製器的輸出，步長為 delta（**Δ**）。波形的輸出質量中等。
增量解調器
增量解調器包括一個低通濾波器、一個加法器和一個延遲電路。此處消除了預測器電路，因此沒有假設輸入提供給解調器。
以下是增量解調器的圖。
從上圖，我們有以下符號 -
$\widehat{v}(nT_{s})$ 是輸入樣本
$\widehat{u}(nT_{s})$ 是加法器輸出
$\bar{x}(nT_{s})$ 是延遲輸出
二進位制序列將作為輸入提供給解調器。階梯近似輸出提供給低通濾波器。
使用低通濾波器的原因有很多，但主要原因是消除帶外訊號的噪聲。發射機可能發生的步長誤差稱為**顆粒噪聲**，此處將其消除。如果不存在噪聲，則調製器輸出等於解調器輸入。
增量調製優於差分脈衝編碼調製的優勢
1 位量化器
調製器和解調器的設計非常簡單
但是，增量調製中存在一些噪聲。
斜率過載失真（當**Δ**較小時）
顆粒噪聲（當**Δ**較大時）
自適應增量調製 (ADM)
在數字調製中，我們遇到了一些確定步長的問題，步長會影響輸出波形的質量。
在調製訊號的陡峭斜率處需要較大的步長，而在訊息斜率較小的地方需要較小的步長。在此過程中，細微的細節會被遺漏。因此，如果我們可以根據我們的要求控制步長的調整，以便以所需的方式獲得取樣，將會更好。這就是**自適應增量調製**的概念。
以下是自適應增量調製器的框圖。
電壓控制放大器的增益由取樣器的輸出訊號調整。放大器增益決定步長，兩者成正比。
ADM 量化當前樣本值與下一個樣本的預測值之間的差值。它使用可變步高來預測下一個值，以忠實地再現快速變化的值。