• 制作你的框图
• 在可能发生显着量化的每个点，添加噪声
• 使用增加的噪音分析系统的行为

如果您知道量化效果本质上是随机的，并且如果后续阶段倾向于低通或带通滤波，则将量化噪声建模为高斯$x_n \sim N(0, q/12)$， 在哪里$q$是一个 LSB。

这样做的理由是量化噪声将均匀分布（因此$\sigma = q/12$)，并且以下滤波器的输出将包含一组量化噪声样本的加权和，根据中心极限定理，这将趋于高斯。

如果您想成为最大偏执狂，那么请弄清楚量化噪声对您的应用程序的最坏情况（卡在高位、卡在低位、某些特定信号等），并将量化噪声建模为具有该形状, 幅度为$q$. 在具有任何频率选择性的线性系统的情况下，这可以计算为频率等于系统在注入点对噪声的最高灵敏度的方波（或幅度为$1.09 q/2$.

这样做的理由实际上只是偏执狂——但如果你对量化效果有一个绝对上限，并且系统仍然运行良好，那么你就知道你已经完成了。

要设计数据路径宽度，您可以扭转这一点，并确定每一步可接受的量化水平，并确保您的数据路径足够宽（并正确缩放），以使量化小于您的可接受水平。

对非线性系统进行一般性陈述是很危险的，但我会冒险猜测，如果您可以在纸上分析算法，那么您很有可能可以在纸上分析算法和量化。

您可以做的最简单的事情可能是应用一个称为“分数节省”的噪声整形的具体示例。

每当需要进行量化、字宽缩减时，只需向下舍入（即丢弃量化点右侧的位），但请记住那些丢弃的位处于状态。在下面的示例中，取出您之前丢弃的那些位，将它们向左扩展零，然后在丢弃这些位之前将其添加到同一量化点的下一个样本。

它是一阶噪声整形，在 DC 上为零权（$z=1$）。DC 处的信噪比无限，但 Nyquist 处的噪声增加了。