第一次了解抖动时，可能会发现某种程度的噪声在某些情况下实际上是有帮助的，这违反直觉。抖动技术可用于三个不同的目的：
· 通过打破量化误差和输入信号之间的统计相关性来提高理想量化器的性能
· 随机化非理想 ADC 上的DNL（微分非线性）误差模式以提高无杂散动态范围（SFDR）性能
· 通过对缓慢变化的信号进行平均来提高测量分辨率
在本文中，我们将讨论抖动如何通过打破量化误差与输入信号之间的统计相关性来改进理想的量化器，但在此之前，我们需要了解一下 ADC 量化噪声。
ADC 量化误差的高级基础知识
ADC 是通过多个离散级别的连续范围的模拟值，这固有地增加了称为量化误差的误差。已进行大量研究以充分理解此误差。研究历史实际上可以追溯到 1948 年 WR Bennett 的一篇论文“量化信号的频谱”。今天，众所周知，在某些条件下，量化误差可以建模为一种附加噪声，在两者之间均匀分布LSB2（LSB 表示转换器的最低有效位）。
此外，假定量化噪声为白噪声（即，在直流到 fs/2 的奈奎斯特带宽上均匀分布），总功率等于。 平坦频谱特性基于量化误差样本彼此不相关的假设。
在本文中，我们将这种量化误差模型称为“量化噪声模型”。我们将很快讨论量化噪声模型并不总是有效；然而，对于许多实际应用来说，它仍然足够准确。下面的例子说明了为什么处理数据转换器的工程师喜欢这个模型！
10位与12位 ADC：多少位就足够了？
让我们考虑一个应用，其中 ADC 的参考电压为 2 V。假设 ADC 输入信号的噪声为 1 mV RMS（均方根）。对于 10 位 ADC，LSB 是，因此，噪声的 RMS 值等于 0.51 LSB。
从量化噪声模型中，我们知道量化操作添加了 RMS 噪声
如你所见，量化噪声与来自输入的原始噪声相当。要找到系统的总噪声功率，我们应该将两个噪声源的功率相加：
对该值求平方根，得出总噪声的 RMS 为 0.59 LSB。如果我们的应用不能接受此噪声水平，我们可以提高 ADC 分辨率以降低量化噪声。例如，对于 12 位 ADC，输入噪声为 2.05 LSB RMS。与输入噪声相比，量化噪声 (0.29 LSB) 现在几乎可以忽略不计。对于这个例子，总噪声 RMS 达到 2.07 LSB。12 位系统似乎可以为该应用提供足够的分辨率。
有了信号中的总噪声，我们就可以确定交流应用中的信噪比 (SNR) 或测量应用中的最小可检测信号。这里的重点是噪声模型使我们能够轻松地考虑量化过程对系统噪声性能的影响。
作为旁注，值得一提的是，上述讨论隐含地假设 ADC 添加的主要噪声是量化噪声。但这并非总是如此，随着我们提高 ADC 分辨率，量化噪声变得越来越小。在某些时候，与 ADC 内由 ADC 内部电路的热噪声和闪烁噪声产生的电子噪声相比，量化噪声可以忽略不计。今天的高分辨率ΔΣ (delta-sigma) ADC就是这种情况。如果量化噪声可以忽略不计，则应考虑ADC 的峰峰值输入参考噪声来分析系统噪声性能。
