通信原理3 模拟信号的数字编码

本章核心框架

#

• 核心流程：模拟信号 → 抽样 → 量化 → 编码（数字信号）
• 关键技术：抽样定理、量化方法（均匀/非均匀）、编码调制（PCM/DPCM/ΔM）、误码性能优化
• 核心目标：在保证信号质量的前提下，实现高效的模拟-数字转换与传输

3.1 引言

#

3.1.1 数字编码的必要性

#

模拟信号的数字编码是连接模拟世界与数字系统的唯一桥梁，原因如下：

• 现代信息系统（计算机、互联网、云存储、智能手机）均基于数字技术构建
• 模拟信号无法直接适配数字系统的处理、存储与传输逻辑

3.1.2 数字编码的核心优势

#

1. 抗干扰能力强，远距离传输保真度高（核心优势）：数字信号仅需区分"0"/“1”，噪声需超过阈值才会导致误码，且可通过纠错编码进一步优化
2. 信道利用率高：通过压缩编码减少冗余，节省传输带宽
3. 保真度可控：调整量化步长可灵活控制信号精度（如语音编码的8bit/16bit选择）
4. 安全性强：数字信号易加密（如AES加密），抗窃听能力优于模拟信号
5. 业务灵活性：支持三网融合（电信网、互联网、广播电视网），同一网络承载多业务（通话、上网、高清电视）
6. 便于网络管理：数字信号易监控、诊断与维护

3.1.3 基本概念（三步法）

#

1. 抽样：将连续时间、连续幅度的模拟信号 → 离散时间、连续幅度的抽样信号
   公式：$x\_s(t) = x(t) \cdot p\_T(t)$，其中$p\_T(t)$为抽样脉冲序列，$T\_s$为抽样间隔
2. 量化：将离散时间、连续幅度的抽样信号 → 离散时间、离散幅度的量化信号
   核心：通过"分层"将连续幅度映射到有限个离散电平（量化电平）
3. 编码：将量化后的离散电平 → 二进制码组（如8bit PCM码）
   例：256个量化电平需$N=8$位二进制码（$M=2^N$）

3.2 低通与带通信号抽样定理

#

3.2.1 抽样定理的直观理解

#

• 电影原理：每秒24帧静态画面（抽样间隔$T\_s=1/24s$），利用人眼视觉暂留（0.1-0.4s）形成连续动态图像
• 高数曲线分析：连续曲线的积分可通过离散抽样点的数值计算近似
• 核心结论：连续信号可通过足够密集的离散抽样点无失真恢复

3.2.2 低通信号的三种抽样方式

#

低通信号定义：频带限定在$0 \sim f\_M$（最高频率为$f\_M$）

关键对比：自然抽样 vs 平顶抽样

#

• 自然抽样：类似"模糊录像"（脉冲期间信号变化），ADC兼容性差
• 平顶抽样：类似"高速抓拍"（瞬时值保持），提供稳定电压供ADC转换，抗干扰性好

3.2.3 混叠与低通抽样定理

#

1. 混叠现象

#

• 产生条件：抽样频率$f\_s < 2f\_M$（不满足Nyquist条件）
• 后果：抽样信号的频谱副本（延拓部分）重叠，无法无失真恢复原信号
  例：原信号$f=3kHz$，若$f\_s=4kHz$，混叠后会被误认为$f=1kHz$信号

2. 低通抽样定理（定理3.2.1）

#

对频带限定在$0 \sim f\_M$的连续信号$x(t)$，若抽样频率满足：
$$f_s \geq 2f_M$$
则由抽样序列$\\{x(nT\_s)\\}$可无失真恢复原信号$x(t)$。

3. 消除混叠的4种方法

#

应用实例：电话系统

#

• 语音信号高频成分（>3.4kHz）对理解影响小，预滤波后保留$300Hz \sim 3.4kHz$
• 抽样频率$f\_s=8kHz$（$2 \times 3.4kHz \approx 6.8kHz$，留有余量）

3.2.4 带通抽样定理

#

1. 问题背景

#

带通信号定义：频带限定在$f\_L \sim f\_H$（带宽$W = f\_H - f\_L$）
若直接套用低通抽样定理，需$f\_s \geq 2f\_H$，但当$f\_H \gg W$（如射频信号$f\_H=6GHz$，$W=20MHz$），$f\_s$过高（需12GHz），硬件难以实现。

2. 带通抽样定理（定理3.2.2）

#

对频带$W = f\_H - f\_L$的带通信号$x(t)$，最低抽样频率为：
$$f_{s,\text{min}} = 2W \left(1 + \frac{M}{N}\right)$$
其中：

• $N = \lfloor \frac{f\_H}{W} \rfloor$（向下取整）
• $M = \frac{f\_H}{W} - N$（小数部分，$0 \leq M < 1$）

关键结论

#

• 最低抽样频率范围：$2W \leq f\_{s,\text{min}} < 4W$
• 当$f\_H \gg W$（如窄带射频信号），$f\_{s,\text{min}} \approx 2W$（极大降低硬件要求）
• 非均匀抽样（如周期性非均匀抽样）可使平均抽样率接近$2W$，但实现复杂，抗噪声弱，仅理论参考

3.2.5 抽样频率的权衡（Trade-off）

#

3.2.6 窄带vs宽带语音编码对比

#

3.3 模拟信号的量化

#

3.3.1 量化的基本概念

#

• 定义：将抽样信号的连续幅度映射到有限个离散电平（量化电平）的过程
• 核心参数：
  • 分层电平$x\_k$：幅度分割的边界（如$x\_0, x\_1, ..., x\_{M-1}$）
  • 量化电平$y\_k$：每个区间$[x\_{k-1}, x\_k)$对应的离散值
  • 量化阶距$\Delta\_k = x\_k - x\_{k-1}$：区间宽度
  • 量化级数$M$：离散电平总数，满足$M=2^N$（$N$为量化位数）

3.3.2 量化噪声的分类与特性

#

量化误差$e = y\_k - x$（$x$为抽样值，$y\_k$为量化值），误差的平均功率称为量化噪声。

关键公式：量化信噪比

#

信号平均功率$S = E[x^2]$，总量化噪声功率$\sigma\_{\text{total}}^2 = \sigma\_q^2 + \sigma\_{\text{ov}}^2$，则信噪比： $S\_x=\int\_{x\_{min}}^{x\_{max}}{x^2p\_X\left(x\right)dx}$ $$\text{SNR} = 10\lg\left(\frac{S}{\sigma_{\text{total}}^2}\right) \quad (\text{单位：dB})$$

• 均匀量化时，每增加1位量化位数$N$，SNR提升约6dB（核心结论）

3.3.3 两种量化方式对比

#

1. 均匀量化

#

• 特点：量化阶距$\Delta\_k = \Delta$（常数），所有区间宽度相同
• 优点：实现简单（无需非线性变换）
• 缺点：对小信号不利（小信号$S$小，SNR低），动态范围受限
  例：语音信号（拉普拉斯分布，小信号概率高），均匀量化时小信号SNR远低于大信号

2. 非均匀量化

#

• 核心思想：“压大扩小”——对小信号用小$\Delta$（细量化），对大信号用大$\Delta$（粗量化）
• 实现步骤：
  1. 压缩：输入信号$x$经非线性变换$y = f(x)$（放大小信号，压缩大信号）
  2. 均匀量化：对压缩后的$y$进行均匀量化
  3. 扩展：解码时经逆变换$x = f^{-1}(y\_k)$恢复原信号
• 关键标准：
  • A律（欧洲/中国）：$A=87.56$，用十三折线近似理想对数压缩
    • 小信号区域（$0 \leq x \leq 1/A$）：线性变换，$\Delta$小
    • 大信号区域（$x > 1/A$）：对数变换，$\Delta$大
  • μ律（北美）：$\mu=255$，用十五折线近似理想对数压缩

3.3.4 标量量化 vs 矢量量化

#

3.4 脉冲编码调制（PCM）

#

3.4.1 核心作用

#

将量化后的离散电平 → 二进制码组，是ADC的最后一步，实现"统一数字格式”——无论信源类型（语音、图像），均转为"0"/“1"序列，便于加密、传输、存储。

3.4.2 常用PCM编码方式对比

#

示例：4位编码对比（16个电平）

#

3.4.3 A率PCM编码（国际标准）

#

1. 码组结构（8位编码）

#

2. 段落参数（$\Delta\_1=2$为基准）

#

3. 编码/译码步骤

#

• 编码示例：输入$x=-0.74V$（动态范围$\pm V$）
  1. 极性码M1=0（负）
  2. 确定段落：$0.74V$对应量化单位约1500，落在第6段（512~1024？需结合具体电压映射，此处简化），段落码M2-M4=101
  3. 段内码：第6段$\Delta=64$，起始值512，$(1500-512)/64 \approx 15.4$，取整15→1111，段内码M5-M8=1111
  4. 输出码组：0 101 1111
• 译码示例：接收码组0 110 0111
  1. 极性：M1=0→负
  2. 段落：M2-M4=110→第7段，起始值1024，$\Delta=128$
  3. 段内值：M5-M8=0111→7，段内量化值=7×128=896
  4. 重建值：$-(1024 + 896 + 128/2) = -1984$（加$\Delta/2$补偿量化误差）

📚 3.5 差分脉冲编码调制（DPCM）

#

🔍 3.5.1 为什么引入DPCM？—— 信源冗余的利用

#

1. 信源核心特点：记忆性与相关性

#

• 大多数信号（语音、图像）是有记忆信源，相邻样值存在强关联：
  • 语音信号：相邻抽样点相关系数≈80%（【此处插入图片：语音信号功率谱与相关函数图（相关"距离"0~10000）】）
  • 视频图像：
    • 帧间（时域）：相邻帧内容相似（如人物移动、背景不变）
    • 帧内（空域）：相邻像素块灰度值接近
• 信号样值的冗余性：相邻样值变化小，直接编码原信号存在大量重复信息

2. DPCM核心思想

#

不直接对原信号$x(k)$编码，而是对**“原信号-预测值"的差值**编码：
$$d(k) = x(k) - x_e(k)$$
其中：

• $x\_e(k)$：当前信号$x(k)$的预测值（由过去重建值$x\_r(k-1),x\_r(k-2),...$计算）
• $d(k)$：差值信号（动态范围远小于$x(k)$，可减少量化位数，降低码率）

📌 3.5.2 DPCM基本原理

#

1. 核心公式与误差分析

#

• 预测值计算（基于过去重建值）：
  $$x_e(k) = f\left[x_r(k-1), x_r(k-2), ..., x_r(k-N)\right]$$
  （$f(\cdot)$为预测函数，$N$为预测阶数）
• 重建信号：
  $$x_r(k) = x_e(k) + d_q(k)$$
  （$d\_q(k)$为$d(k)$的量化值）
• 译码误差（仅由量化引入）：
  $$e(k) = x(k) - x_r(k) = d(k) - d_q(k)$$

2. DPCM性能指标：信噪比

#

信号平均功率$S\_x = E\left[x^2(k)\right]$，误差平均功率$N\_e = E\left[e^2(k)\right]$，则：
$$\text{SNR} = \frac{S_x}{N_e} = G_p \cdot \text{SNR}_q$$
其中：

• $G\_p = \frac{E\left[x^2(k)\right]}{E\left[d^2(k)\right]}$：预测增益（预测越准，$d(k)$越小，$G\_p$越大）
• $\text{SNR}\_q = \frac{E\left[d^2(k)\right]}{E\left[e^2(k)\right]}$：差值信号的量化信噪比

3. DPCM原理框图

#

【此处插入图片：DPCM编码器与解码器原理框图（含预测器、量化器、编码器/解码器）】

• 编码器：$x(k) \to$ 预测器（$x\_e(k)$）$\to$ 差值$d(k)$ $\to$ 量化器（$d\_q(k)$）$\to$ 编码$C(k)$
• 解码器：$C(k) \to$ 解码（$d\_q(k)$）$\to$ 预测器（$x\_e(k)$）$\to$ 重建$x\_r(k) = x\_e(k) + d\_q(k)$

📌 3.5.3 信号预测的3种基本方法

#

各预测方法的编解码器结构

#

• 极点预测法编解码器：【此处插入图片：极点预测法编码器（含$\sum a\_i Z^{-i}$模块）与解码器框图】
• 零点预测法编解码器：【此处插入图片：零点预测法编码器（含$\sum b\_i Z^{-i}$模块）与解码器框图】
• 零-极点预测法编解码器：【此处插入图片：零-极点预测法编码器（含双求和模块）与解码器框图】

📌 3.5.4 最佳预测系数（均方误差最小准则）

#

1. 优化目标：最小化预测误差的均方值

#

预测误差$d(k) = x(k) - x\_e(k)$，均方误差：
$$E\left[d^2(k)\right] = E\left[\left(x(k) - \sum_{i=1}^N a_i x(k-i)\right)^2\right]$$

2. 最佳系数条件（求导为零）

#

对$a\_i$求偏导并令其为0，得：
$$E\left[\left(x(k) - \sum_{j=1}^N a_j x(k-j)\right) x(k-i)\right] = 0 \quad (i=1,2,...,N)$$

3. Yule-Walker方程（平稳信号场景）

#

若$x(k)$是平稳随机过程，其自相关函数$R(\tau) = E\left[x(k) x(k-\tau)\right]$，则方程化为矩阵形式：
$$\begin{bmatrix} R(0) & R(1) & ... & R(N-1) \\ R(1) & R(0) & ... & R(N-2) \\ ... & ... & ... & ... \\ R(N-1) & R(N-2) & ... & R(0) \end{bmatrix} \begin{bmatrix} a_{1,\text{opt}} \\ a_{2,\text{opt}} \\ ... \\ a_{N,\text{opt}} \end{bmatrix} = \begin{bmatrix} R(1) \\ R(2) \\ ... \\ R(N) \end{bmatrix}$$

4. 预测器阶数选择

#

• 语音信号：相邻样点相关性随阶数增加而减弱，通常取$N=3\sim5$
• 增益饱和特性：阶数超过5后，预测增益提升不明显（【此处插入图片：预测增益随阶数变化曲线（N=1~9，饱和特征明显）】）

📚 3.5.5 自适应DPCM（ADPCM）—— 非平稳信号的优化

#

🔍 为什么需要ADPCM？

#

固定预测系数+固定量化阶距的DPCM存在局限：

• 非平稳信号（如语音）：功率变化范围达45dB（$10^{4.5}=31623$倍），固定参数无法适配
• 改进方向：自适应预测（动态调整系数）+ 自适应量化（动态调整阶距）

📌 1. 自适应预测（LMS算法）

#

核心逻辑：跟踪信号变化，实时调整预测系数$a\_i(k)$

#

• 预测值更新：
  $$x_e(k) = \sum_{i=1}^N a_i(k) x(k-i)$$
• 系数调整公式（最小均方误差准则近似）：
  $$\hat{a}_i(k+1) = \hat{a}_i(k) + \mu x(k-i) d(k)$$
  其中：
  • $\mu$：步长因子（控制收敛速度与稳定性，$0<\mu<1$）
  • $d(k) = x(k) - x\_e(k)$：当前差值（反映预测偏差）

📌 2. 自适应量化（动态调整阶距$\Delta(k)$）

#

核心逻辑：根据差值方差$\sigma\_d^2(k)$调整阶距，匹配信号幅度变化

#

• 差值方差估计（平滑滤波）：
  $$\hat{\sigma}_d^2(k) = \alpha \hat{\sigma}_d^2(k-1) + (1-\alpha) d_q^2(k-1) \quad (0<\alpha<1)$$
  （$\alpha$为平滑系数，平衡响应速度与稳定性）
• 量化阶距调整：
  $$\Delta(k) = \Delta(k-1) \cdot \left( \alpha + (1-\alpha) \cdot \frac{d_q^2(k-1)}{\hat{\sigma}_d^2(k-1)} \right)^{1/2}$$
  或简化为查表方式：
  $$\Delta(k) = \Delta(k-1) \cdot F(|C(k-1)|)$$
  （$C(k-1)$为上一编码输出，$F(\cdot)$为预设调整因子表）

📌 3. ADPCM实现方案

#

【此处插入图片：ADPCM编码器（含自适应预测器、自适应量化器）与解码器框图】

• 编码器：$x(k) \to$ 自适应预测器（$x\_e(k)$）$\to$ 差值$d(k)$ $\to$ 自适应量化器（$d\_q(k)$）$\to$ 编码$C(k)$
• 解码器：$C(k) \to$ 解码（$d\_q(k)$）$\to$ 自适应预测器（$x\_e(k)$）$\to$ 自适应逆量化器 $\to$ 重建$x\_r(k)$

💡 思考问题

#

1. ADPCM为什么效率高？
   ✅ 既利用信源相关性（差值编码），又通过自适应匹配非平稳信号，在32kbit/s码率下音质接近64kbit/s PCM
2. ADPCM的"自适应"体现在哪里？
   ✅ 自适应预测（动态调整$a\_i(k)$）+ 自适应量化（动态调整$\Delta(k)$）
3. PCM→DPCM→ADPCM的演进启示？
   ✅ 从"直接编码"到"利用相关性压缩"再到"自适应优化”，核心是在复杂度与性能间找最优平衡

📚 3.6 增量调制（ΔM）

#

🔍 核心思想：高抽样率+1bit量化

#

• 特点：抽样率远大于Nyquist频率（如语音$f\_s=32kHz$），每次抽样仅输出1bit（“1"表示$x(t)$上升，“0"表示下降）
• 优势：结构简单、无需码字同步、抗误码能力强（适用于军用通信）

📌 3.6.1 简单ΔM

#

1. 工作原理

#

• 差值计算：$d(t) = x(t) - x\_l(t)$（$x\_l(t)$为本地重建信号，阶梯波）
• 编码规则：
  • 若$d(t) > 0$：输出"1”，$x\_l(t)$加$\Delta$（$\Delta$为量化阶距）
  • 若$d(t) < 0$：输出"0”，$x\_l(t)$减$\Delta$
• 重建信号：$x\_l(t) = \sum\_{n=-\infty}^{\infty} \text{sgn}(d(nT\_s)) \cdot \Delta \cdot p(t - nT\_s)$
  （$p(t)$为矩形保持脉冲，$p(t) = u(t) - u(t-T\_s)$）

【此处插入图片：简单ΔM编码器框图（含积分器、二值量化器、脉冲发生器）】

2. 关键问题：过载失真

#

（1）过载条件推导

#

• 重建信号最大变化率：$\frac{dx\_l(t)}{dt} = \frac{\Delta}{T\_s} = \Delta f\_s$
• 输入正弦信号$x(t) = A\cos(\omega t+\theta)$的最大变化率：$\max\left|\frac{dx(t)}{dt}\right| = \omega A$
• 不过载条件：$\omega A \leq \Delta f\_s$ → $A \leq \frac{\Delta f\_s}{2\pi f}$（$f=\omega/(2\pi)$）

⚠️ 结论：简单ΔM对高频信号敏感——频率$f$越高，允许的最大幅度$A$越小，易过载！

（2）过载与标量量化过载的区别

#

【此处插入图片：左图（标量量化过载：超出动态范围削波）+ 右图（ΔM过载：重建波无法跟踪原信号）】

3. 量化噪声（没过载场景）

#

• 误差范围：$-\Delta < e(t) < \Delta$（均匀分布）
• 量化噪声功率：$\sigma\_q^2 = \frac{\Delta^2}{3}$
• 量化信噪比（正弦信号）：
  $$\text{SNR}_{q,\text{dB}} = 10\lg\left(\frac{3 f_s^2}{8\pi^2 f^2}\right) = 10\lg\frac{3}{8\pi^2} + 20\lg f_s - 20\lg f$$
  ✅ 抽样率$f\_s$提高1倍，SNR提升≈6dB；信号频率$f$提高1倍，SNR下降≈6dB

📌 3.6.2 Δ-Σ调制（增量总和调制）—— 解决高频过载问题

#

1. 简单ΔM的痛点

#

• 过载与频率相关：高频信号易过载，无法实现信源透明性（系统性能受信源频率影响）

2. 改进核心：预处理+逆处理

#

• 编码端：先对$x(t)$积分（平滑高频，抑制信号变化率），再进行ΔM调制
• 解码端：先对接收信号微分（恢复原信号高频成分），再低通滤波

【此处插入图片：Δ-Σ调制编码器（含积分器）与解码器（含微分器）原理框图】

3. 关键优势：过载条件与频率无关

#

• 积分后信号$y(t) = \int x(t)dt = \frac{A}{\omega}\sin(\omega t+\theta)$
• 过载条件：$\max\left|\frac{dy(t)}{dt}\right| = A \leq \frac{\Delta f\_s}{2\pi f\_H}$（$f\_H$为低通滤波器截止频率）
  ✅ 过载仅与信号幅度$A$、抽样率$f\_s$、滤波器截止频率$f\_H$相关，与信号本身频率$f$无关，实现信源透明性。

📌 3.6.3 数字压扩自适应ΔM—— 兼顾过载与颗粒噪声

#

1. 现有方案局限

#

简单ΔM和Δ-Σ调制的量化阶距$\Delta$固定，无法同时避免过载（需大$\Delta$）和减少颗粒噪声（需小$\Delta$）。

2. 核心改进：动态调整$\Delta$（基于"连码检测”）

#

• 信号变化率增大的标志：编码输出出现连"0"或连"1"（重建波无法跟踪，持续加/减$\Delta$）
• 调整逻辑：连码数越多，$\Delta$调大（应对高变化率）；无连码时，$\Delta$调小（减少颗粒噪声）

【此处插入图片：连"0"/连"1"现象示意图（信号斜率陡峭时，输出持续"1"）】

3. 核心模块功能

#

4. 性能改善

#

【此处插入图片：数字压扩自适应ΔM与简单ΔM的SNR对比曲线（A-B段自适应调整Δ，B-C段Δ最小固定）】

• A-B段：随输入信号变化自适应调整$\Delta$，SNR稳定；
• B-C段：$\Delta$已调至最小，SNR随输入减小而下降（但优于简单ΔM）。

💡 思考问题

#

1. ΔM的核心思想体现了什么设计哲学？
   ✅ “以高抽样率换低量化位数”：用远高于Nyquist的抽样率保证相邻样值相关性，仅用1bit量化简化系统。
2. Δ-Σ调制的"预处理"思想可推广吗？
   ✅ 可推广：通过"预变换适配系统"+“逆变换恢复原信号”，解决系统与信源的不兼容问题（如信号频率、动态范围）。

📚 3.7 误码性能分析（ΔM vs 线性PCM）

#

🔍 核心对比：两种编码的抗误码能力

#

1. ΔM的误码分析

#

• 误码影响：1个误码产生幅度为$2\Delta$的反向干扰脉冲（如"1"变"0"，重建波多减1次$\Delta$，等效误差$2\Delta$）
• 干扰脉冲平均功率：$\sigma\_t^2 = (2\Delta)^2 P\_b = 4\Delta^2 P\_b$（$P\_b$为误比特率）
• 总噪声功率：$\sigma\_{\text{total}}^2 = \sigma\_q^2 + \sigma\_t^2 = \frac{\Delta^2}{3} + 4\Delta^2 P\_b$

2. 线性PCM的误码分析

#

• 误码影响：1位误码导致量化电平偏差（如第$k$位误码，偏差为$2^{k-1}\Delta$）
• 误码噪声功率：$\sigma\_t^2 = \frac{M^2 - 1}{3} \Delta^2 P\_b$（$M=2^N$为量化级数，$N$为量化位数）
• 总噪声功率：$\sigma\_{\text{total}}^2 = \sigma\_q^2 + \sigma\_t^2 = \frac{\Delta^2}{12} + \frac{M^2 - 1}{3} \Delta^2 P\_b$

3. 抗误码性能对比（总SNR≥1/2量化SNR）

#

✅ 结论：ΔM的抗误码性能远优于线性PCM，适合噪声恶劣的场景（如军用通信）。

📚 补充专题：语音编码技术与压缩感知

#

🔍 补充A：语音编码分类（基于编码原理）

#

🔍 补充B：压缩感知（新采样理论）

#

• 核心原理：利用信号的稀疏性（如语音在傅里叶域稀疏），以远低于Nyquist的抽样率随机采样，通过非线性算法（如L1正则化）重建信号。
• 意义：2007年美国《科技评论》十大科技进展，应用于图像处理、微波成像、生物医学工程等领域，突破传统抽样率限制。

📝 本章子专题小结

#

1. 技术演进逻辑：PCM（无压缩）→ DPCM（利用相关性压缩）→ ADPCM（自适应优化）→ ΔM（高抽样率+1bit量化），核心是不断挖掘信源冗余，平衡性能与复杂度。
2. 关键设计思路：
   • 相关性利用：通过预测减少差值动态范围；
   • 自适应优化：应对非平稳信号（如语音）的时变特性；
   • 预处理思想：通过变换（积分/微分）解决系统与信源的不兼容（如Δ-Σ调制）。
3. 抗误码性能：ΔM > 线性PCM，ΔM适合恶劣信道，PCM适合高质量传输。