1 基本概念
信号处理是围绕信号的获取、变换、分析与利用而建立的一类理论与技术。这里的“信号”通常指能够承载信息、并随时间、空间或其他自变量变化的物理量或数学序列。信号处理的核心任务，是在各种干扰、失真与资源约束下，尽可能保留有效信息并改善可用性。
1.1 信号的定义
信号一般可理解为信息的载体，既可以是电压、电流、声音、光强，也可以是离散的数值序列。它的特征在于具有可观测、可描述和可分析的变化规律。不同学科对信号的定义略有差异，但共同点在于都强调“变化”和“信息表达”。
1.2 信号的分类
信号可以按照自变量形式、数值取值方式以及不确定性等标准进行分类。实际应用中，一种信号往往同时具有多种属性，因此分类更多用于分析与建模，而非绝对划分。
1.2.1 连续信号与离散信号
连续信号在时间或空间上连续定义，任意时刻都可取值；离散信号则只在离散采样点上定义，常以序列形式出现。前者常见于自然界物理量，后者多由采样装置或计算机处理系统产生。
1.2.2 模拟信号与数字信号
模拟信号的幅度与自变量通常都具有连续性，能够较直接地反映物理过程；数字信号则经过采样和量化，数值以有限精度表示，便于存储、传输和计算。数字形式更适合现代信息系统，因此应用范围极广。
1.2.3 确定性信号与随机信号
确定性信号的变化规律可以由明确公式或规则描述；随机信号则带有不确定性，只能用统计特征刻画。许多现实信号兼具两者特征，因此常借助随机过程模型进行分析。
1.3 信号的表示方式
信号可以从不同角度进行描述，不同表示方式对应不同的分析重点。常见方法包括时域、频域与时频联合表示。
1.3.1 时域表示
时域表示直接描述信号随时间变化的幅度，便于观察瞬态变化、波形结构和局部特征。对于很多工程问题，时域图像是最直观的分析入口。
1.3.2 频域表示
频域表示将信号分解为不同频率成分，突出周期性、谐波与带宽特征。通过频域分析，可以更清楚地理解信号的组成以及滤波作用后的变化。
1.3.3 时频联合表示
时频联合表示试图同时揭示信号在时间和频率上的变化关系，适用于非平稳信号。该类表示能够呈现频率成分随时间演化的过程，因此在语音、振动和生理信号分析中较为常用。
1.4 信号处理的目标
信号处理的目标通常包括提取有用信息、抑制噪声、改善质量、压缩数据、恢复失真以及辅助决策。不同场景下目标侧重点不同，例如通信更重视可靠传输，医学领域更关注特征保真，而多媒体场景则常兼顾质量与存储效率。
2 数学基础
信号处理建立在多门数学工具之上，其中线性代数、复变函数、傅里叶分析、概率论和数值计算尤为重要。这些工具共同构成了信号建模、运算与推导的基础框架。
2.1 线性代数
线性代数用于描述信号与系统的线性关系，尤其适合处理多通道、多维数据和离散化后的序列问题。矩阵形式常能显著简化表达与计算过程。
2.1.1 向量与矩阵表示
信号可被看作向量，滤波器、变换和系统则可写成矩阵运算。通过这种方式，许多处理步骤能够统一为线性映射，便于分析系统性质和求解优化问题。
2.1.2 特征值与特征向量
特征值与特征向量反映线性变换的固有方向和尺度变化，在主成分分析、子空间方法和系统模态分析中具有重要作用。它们也常用于压缩表示和噪声分离。
2.2 复变函数与傅里叶分析
复数工具使许多信号运算变得紧凑而清晰，傅里叶分析则是频域研究的核心。两者结合后，可有效描述振荡、相位和系统响应。
2.2.1 复指数信号
复指数信号是傅里叶分析中的基本构件，能够同时表达幅度、频率和相位信息。许多周期信号和线性系统响应都可以由复指数形式加以描述。
2.2.2 傅里叶级数
傅里叶级数用于表示周期信号，将其展开为一组正弦和余弦分量。它揭示了周期波形与谐波结构之间的对应关系，是分析重复现象的重要工具。
2.2.3 傅里叶变换
傅里叶变换将信号从时域映射到连续频域，适合研究非周期信号的频率组成。它在谱分析、滤波理论和系统响应研究中占据核心地位。
2.2.4 拉普拉斯变换
拉普拉斯变换通过引入复频率变量，便于处理系统稳定性、暂态响应和微分方程。对于连续时间系统，它是一种比纯频域方法更一般的分析手段。
2.2.5 Z变换
Z变换是离散时间信号的重要分析工具，可用于研究序列、差分方程与数字滤波器。它与离散系统的稳定性和因果性密切相关。
2.3 概率论与随机过程
概率论为随机信号建模提供了理论基础，随机过程则描述随时间演化的不确定信号。许多实际观测数据都不能用确定性模型完全解释，因此统计描述不可或缺。
2.3.1 随机变量
随机变量用于刻画某一时刻或某一观测结果的不确定取值。信号处理中，随机变量常表示噪声、测量误差或参数波动。
2.3.2 相关函数与功率谱密度
相关函数反映随机信号在不同时间点之间的关联程度，功率谱密度则描述其频率分布特性。二者之间存在紧密联系，常用于统计分析与噪声建模。
2.3.3 噪声模型
噪声模型用于近似描述干扰的统计规律，如白噪声、高斯噪声或脉冲噪声。合理建模有助于制定滤波、检测和估计策略。
2.4 数值计算基础
大多数信号处理任务最终都要落到数值计算上，因此离散化、误差控制和算法稳定性十分关键。理论可行并不一定意味着计算上高效或可靠。
2.4.1 采样与离散化
采样将连续信号转为离散序列，离散化则把连续模型转换为可计算形式。二者是数字处理的起点，也是误差与失真产生的主要来源之一。
2.4.2 计算精度与误差分析
有限字长、舍入误差和截断误差会影响计算结果，尤其在迭代算法和长序列处理中更为明显。误差分析有助于评估算法的可用性与鲁棒性。
3 信号分析方法
信号分析的目的在于从观测数据中识别结构、提取特征并判断其性质。根据研究重点不同，可分为时域、频域、时频和统计分析等方法。
3.1 时域分析
时域分析直接观察信号随时间的变化，是最基础也最常用的分析方式之一。它适合描述幅值起伏、脉冲特征和局部异常。
3.1.1 幅度分析
幅度分析关注信号的峰值、均值、方差和动态范围等指标。通过这些量，可以初步判断信号强弱、波动程度与是否存在异常尖峰。
3.1.2 波形分析
波形分析侧重于整体形状与局部结构，如周期性、突变、包络和对称性。对于语音、机械振动和生理信号，波形常直接反映其物理状态。
3.1.3 自相关与互相关
自相关用于衡量信号与自身延迟版本之间的相似程度，互相关则比较两个信号的相互关联。它们常用于周期检测、时延估计和模式匹配。
3.2 频域分析
频域分析从频率组成的角度理解信号，特别适合揭示隐藏在波形中的周期成分和噪声分布。很多滤波与检测方法都建立在频域基础之上。
3.2.1 谱分析
谱分析用于研究信号的频率分布，通常借助傅里叶变换或功率谱估计实现。它能够指出哪些频率成分占主导地位，以及是否存在特定谐波。
3.2.2 频谱分辨率
频谱分辨率表示区分相邻频率成分的能力，受观测时长、窗函数和算法设置影响。分辨率越高，越能细致识别近邻谱线，但也可能牺牲时间局部性。
3.2.3 带宽与中心频率
带宽描述信号主要频率分量所覆盖的范围，中心频率则表征其频谱的平均位置。二者常用于通信系统、滤波器设计和信号分类。
3.3 时频分析
时频分析用于处理频率成分随时间变化的信号，尤其适合非平稳场景。它兼顾局部时间信息与频率结构，因此在复杂信号研究中很有价值。
3.3.1 短时傅里叶变换
短时傅里叶变换通过对信号分段加窗，获得局部频谱随时间变化的图像。窗口长度的选择会影响时间分辨率与频率分辨率之间的平衡。
3.3.2 小波变换
小波变换采用可伸缩、可平移的基函数，对不同尺度的细节具有良好适应性。它在突变检测、边缘识别和多尺度分析中应用广泛。
3.3.3 希尔伯特-黄变换
希尔伯特-黄变换主要面向非线性、非平稳信号，强调经验分解与瞬时频率分析。它常用于振动监测和复杂波形的局部特征提取。
3.4 统计分析
统计分析从样本整体特征出发，对参数、假设和性能进行量化评估。它能为不确定环境下的判断提供更稳健的依据。
3.4.1 参数估计
参数估计用于根据观测数据推断模型中的未知量，如幅度、频率或噪声水平。常见方法包括点估计与区间估计。
3.4.2 假设检验
假设检验用于判断某种模型或事件是否成立，例如是否存在特定信号、是否发生异常变化。它依赖于统计显著性和误判概率的控制。
3.4.3 信噪比评估
信噪比用于衡量有用信号相对于噪声的强弱，是评价系统性能的重要指标。不同领域对信噪比的定义和计算方式可能略有差异，但基本含义一致。
4 典型处理操作
信号处理的常见操作大多围绕改善质量、提取信息和降低资源消耗展开。滤波、去噪、增强、恢复与压缩是其中最基础的几类任务。
4.1 滤波
滤波是通过系统选择性保留或抑制某些频率成分，以改变信号特性的过程。它是去除干扰、分离成分和预处理数据的常用手段。
4.1.1 低通滤波
低通滤波保留低频成分，抑制高频波动，常用于平滑趋势和削弱高频噪声。它在音频、图像和测量数据处理中都十分常见。
4.1.2 高通滤波
高通滤波强调快速变化和边缘信息，同时减弱缓慢变化部分。它常用于去除直流偏置、突出细节或检测突变。
4.1.3 带通滤波
带通滤波只允许某一频率区间通过，适合提取目标频段内的成分。通信接收、振动分析和生理信号处理经常使用这类方法。
4.1.4 陷波滤波
陷波滤波用于抑制某个狭窄频率范围内的强干扰，如固定频率的周期性噪声。它在电源干扰消除和设备测试中较为常见。
4.2 去噪
去噪旨在尽量去除无关干扰，同时保留原始信号的主要结构。好的去噪方法通常需要在平滑与细节保真之间取得平衡。
4.2.1 平滑处理
平滑处理通过局部平均或邻域加权减少随机波动，适合弱噪声场景。虽然实现简单，但过度平滑可能导致细节模糊。
4.2.2 阈值去噪
阈值去噪依据幅值或系数大小筛除小幅扰动，常与小波等多尺度方法结合使用。它对稀疏结构信号尤其有效。
4.2.3 自适应去噪
自适应去噪会根据局部统计特征或环境变化动态调整处理规则，因此更适合噪声水平不均匀的情况。其代价通常是算法复杂度较高。
4.3 增强与恢复
增强与恢复主要面向受损或质量不足的信号，通过补偿、修正和重构提升可用性。这类操作常见于图像、语音和成像系统。
4.3.1 对比增强
对比增强通过扩大有效差异，使原本不明显的结构更易观察或识别。它常用于图像和显示信号的视觉改善。
4.3.2 去模糊
去模糊针对传输、运动或系统响应造成的扩散效应，试图恢复原始边界和细节。该问题通常具有一定病态性，对算法稳定性要求较高。
4.3.3 信号重建
信号重建指从部分观测、受损数据或变换域表示中恢复原始信号。重建质量取决于先验信息、采样条件和恢复模型。
4.4 压缩与编码
压缩与编码的目标是减少存储和传输成本，同时尽量保持可接受的质量或信息完整性。它们是现代多媒体和通信系统的重要组成部分。
4.4.1 有损压缩
有损压缩通过舍弃部分不敏感信息来提高压缩率，适合图像、音频和视频等容错较强的数据。其核心在于平衡压缩效率与质量损失。
4.4.2 无损压缩
无损压缩能够在解压后完全恢复原始数据，适合文本、程序和精密测量数据。虽然压缩率通常不如有损方式高，但保真度更强。
4.4.3 源编码基础
源编码关注如何用尽可能少的比特表达原始信息，是压缩理论的重要基础。它为数据表示效率提供了理论上限与设计思路。
5 采样与重建
采样与重建连接连续世界与数字世界，是信号数字化过程中的关键环节。采样决定信息是否被充分捕获，重建则决定从离散数据中能否恢复原貌。
5.1 采样定理
采样定理说明连续信号在满足一定条件时，可以由离散样本无失真恢复。它是数字信号处理和数据获取系统设计的基础原则。
5.1.1 奈奎斯特准则
奈奎斯特准则指出，采样频率应至少达到信号最高频率的两倍，才有可能避免信息混叠。实际系统中通常会留出一定裕量。
5.1.2 混叠现象
混叠是采样率不足时高频成分折叠到低频区间的现象，会造成不可逆失真。它常通过提高采样率或在采样前加入抗混叠滤波器加以避免。
5.2 量化
量化是把连续幅度映射到有限离散值的过程，是模拟到数字转换中的重要一步。它会引入误差，但也使存储和运算成为可能。
5.2.1 均匀量化
均匀量化使用等间隔量化级，结构简单、实现方便，适合多数常规场景。其误差分布较规则，但对幅值变化大的信号未必最优。
5.2.2 非均匀量化
非均匀量化根据信号幅度分布调整量化间隔，能在某些情况下更好地兼顾弱信号细节和整体效率。语音系统中常采用此类思想。
5.2.3 量化噪声
量化噪声是量化过程带来的不可避免误差，表现为对原始信号的扰动。其大小与量化步长、位数和信号分布有关。
5.3 重建方法
重建方法用于从离散样本估计连续信号或其近似表示。不同方法的差异主要体现在精度、复杂度与先验依赖程度上。
5.3.1 插值重建
插值重建通过已知样本点之间的数学插值来恢复中间值，简单直观。常见形式包括线性插值、样条插值等。
5.3.2 最优重建
最优重建依据某种准则，使恢复结果在误差意义下尽可能接近原信号。它通常依赖统计模型或带约束优化。
5.3.3 稀疏重建
稀疏重建利用信号在某个变换域中可由少量系数表示的特性，从不足采样或受损数据中恢复信息。该方法在现代重建理论中具有重要地位。
6 数字信号处理
数字信号处理是以离散时间序列为对象，通过算法和计算机实现分析、变换和控制的分支。它兼具理论性、工程性和实现性。
6.1 离散时间信号
离散时间信号由按顺序排列的样本组成，常用序列表示。它是数字系统输入与输出的基本形式。
6.1.1 序列运算
序列运算包括移位、缩放、反转、叠加和卷积等基本操作。它们构成了离散信号分析与处理的基础语言。
6.1.2 差分方程
差分方程用于描述离散系统中输入与输出之间的递推关系，类似连续系统中的微分方程。它是数字滤波器建模的重要工具。
6.2 数字滤波器
数字滤波器通过算法实现对离散信号的频率选择性处理。与模拟滤波器相比，它具有灵活、可重复和易于调节的优点。
6.2.1 FIR滤波器
FIR滤波器的输出只依赖有限个输入样本，通常具有结构稳定、易于设计的特点。其线性相位特性也使其在很多场景中很受欢迎。
6.2.2 IIR滤波器
IIR滤波器引入反馈结构，能够以较低阶数实现较陡峭的频率响应。其设计效率高，但稳定性分析更为关键。
6.2.3 滤波器设计
滤波器设计关注通带、阻带、过渡带及相位响应等指标的综合平衡。实际设计往往要同时考虑精度、复杂度和实现代价。
6.3 快速算法
快速算法通过降低运算量提升处理效率，在大规模数据和实时场景中尤为重要。很多经典方法之所以广泛应用，正是因为其高效实现。
6.3.1 快速傅里叶变换
快速傅里叶变换是一类高效计算离散傅里叶变换的算法，使频域分析可在较低复杂度下完成。它是数字信号处理中的代表性算法之一。
6.3.2 卷积加速
卷积加速利用变换域运算或结构分解减少直接卷积的计算成本。该思路常见于滤波、图像处理和大规模序列分析。
6.3.3 递归计算
递归计算通过复用中间结果减少重复运算，适合实现滤波器和在线更新算法。它在提高效率的同时，也需注意数值稳定性。
6.4 实现与优化
实现与优化强调将理论方法转化为可运行、可部署的系统，并在资源约束下获得较好性能。硬件条件、时延需求和功耗限制都会影响方案选择。
6.4.1 采样率转换
采样率转换用于在不同采样频率系统之间传递数据，常涉及插值和抽取。它在多媒体播放、通信链路和设备互联中很常见。
6.4.2 固定点运算
固定点运算以有限字长表示数值，具有速度快、资源占用少的优点。其缺点是动态范围有限，需要仔细控制溢出与舍入。
6.4.3 实时处理
实时处理要求算法在规定时间内完成输入到输出的计算，适合控制、通信和在线监测。它通常对延迟、吞吐量和稳定性都有明确要求。
7 统计信号处理
统计信号处理将随机建模、估计理论和决策方法引入信号分析，适用于噪声显著、参数未知或环境变化较大的场合。它强调用概率语言描述不确定性。
7.1 参数估计
参数估计关注从观测数据中恢复模型参数，是统计处理中的基础任务。不同估计方法在偏差、方差和计算复杂度上各有特点。
7.1.1 最大似然估计
最大似然估计选择使观测结果出现概率最大的参数值，具有直观且常可获得良好性质的优点。它在模型已知时应用广泛。
7.1.2 最小二乘估计
最小二乘估计通过最小化观测值与模型预测之间的误差平方和来确定参数。该方法简单实用，尤其适合线性模型。
7.1.3 贝叶斯估计
贝叶斯估计将先验知识与观测信息结合，以概率分布形式给出参数推断。它适合样本较少或先验信息较强的情形。
7.2 检测与判决
检测与判决旨在判断某种信号、事件或类别是否存在。它是雷达、通信接收和模式识别中的关键环节。
7.2.1 信号检测
信号检测关注在噪声背景下识别目标信号的存在性。其性能通常用漏检率和虚警率来衡量。
7.2.2 分类判决
分类判决将观测样本分配到若干类别之一，常依据特征距离、概率模型或判别函数实现。它是许多自动识别任务的基础。
7.2.3 序列检测
序列检测考虑样本按时间顺序到达的情形，强调动态决策和上下文信息利用。它在通信和在线监测中较为常见。
7.3 自适应处理
自适应处理使系统能够根据输入数据或环境变化自动调整参数，从而获得更好的性能。它特别适合非平稳或未知条件下的任务。
7.3.1 自适应滤波
自适应滤波器可根据误差信号迭代更新系数，以跟踪时变环境或抑制动态干扰。它在回声消除和系统辨识中应用广泛。
7.3.2 迭代更新算法
迭代更新算法通过逐步修正参数逼近最优解，常见于最小均方、梯度下降等方法。其收敛速度与稳定性是重要考量。
7.3.3 收敛性分析
收敛性分析用于判断算法是否稳定、是否能到达目标解以及达到目标所需的条件。它是评价自适应算法可靠性的核心环节。
8 典型应用领域
信号处理几乎渗透到所有涉及测量、传输和识别的信息系统中。由于目标不同，各应用领域会形成各自常用的处理流程和评价指标。
8.1 通信系统
通信系统利用信号处理完成信息的编码、传输、恢复与纠错。其重点是提高可靠性、频谱效率和抗干扰能力。
8.1.1 调制与解调
调制与解调通过把信息映射到适合传输的波形形式，并在接收端恢复原始信息。它是现代通信链路的基本环节。
8.1.2 信道均衡
信道均衡用于补偿传输介质带来的失真，使接收信号更接近发送信号。它对多径环境和带宽受限系统尤为重要。
8.1.3 误码控制
误码控制通过检测和纠正传输错误提高通信可靠性。常见方法包括检错码、纠错码及相关重传机制。
8.2 音频处理
音频处理围绕声音采集、增强、编辑与分析展开，既服务于通信，也服务于娱乐与交互。语音和音乐是其中最常见的对象。
8.2.1 语音增强
语音增强旨在提升语音清晰度，降低环境噪声影响。它常用于通话系统、听觉辅助和人机交互。
8.2.2 回声消除
回声消除用于去除扬声器与麦克风之间形成的反馈延迟回响。它对双向语音通信体验影响明显。
8.2.3 音乐信号分析
音乐信号分析关注节拍、音高、和声与音色等特征。它可用于检索、推荐、转写与创作辅助。
8.3 图像与视频处理
图像与视频处理将信号处理扩展到二维和三维时空数据，是视觉计算的重要基础。其任务包括改善观感、提取结构和支持自动识别。
8.3.1 图像去噪
图像去噪用于消除拍摄、传输或压缩引入的噪点，同时尽量保留边缘和纹理。它是图像预处理的常见步骤。
8.3.2 边缘检测
边缘检测旨在找出图像中灰度变化显著的位置，通常对应物体轮廓或结构分界。它在分割、识别和测量中都很重要。
8.3.3 目标跟踪
目标跟踪是对视频中运动对象进行连续定位的过程，常结合特征提取与状态估计。它广泛用于监控、导航和交互系统。
8.4 生物医学信号处理
生物医学信号处理面向人体生理数据和医学图像，具有噪声复杂、个体差异明显等特点。其目标通常是辅助诊断与监测。
8.4.1 心电信号分析
心电信号分析用于观察心脏电活动的时间结构与波形特征。它可帮助识别节律变化、传导异常和运动影响。
8.4.2 脑电信号分析
脑电信号分析关注大脑电活动的节律、事件相关变化与空间分布。由于信号微弱且变化复杂，分析往往需要较强的统计与滤波支持。
8.4.3 医学成像预处理
医学成像预处理包括校正、去噪、配准和增强等步骤，为后续分割与诊断做准备。高质量预处理常能显著提升后续分析效果。
8.5 雷达与遥感
雷达与遥感依赖主动或被动观测获取目标和地表信息，信号处理在其中承担探测、成像与识别任务。该类数据通常具有强噪声与复杂传播效应。
8.5.1 目标探测
目标探测用于判断特定物体是否存在，并估计其位置或属性。它对阈值设定、背景建模和虚警控制要求较高。
8.5.2 回波分析
回波分析研究发射信号经传播后返回的波形变化，从中提取距离、速度或材质相关信息。它是雷达系统的重要基础。
8.5.3 图像重建
图像重建将采集到的散射或采样数据转换为可视化图像。该过程通常涉及反演、正则化和多源信息融合。
9 发展历程
信号处理的发展与通信技术、电子计算和数学理论的进步密切相关。其演变过程大体经历了从经典分析到数字化，再到智能化融合的多个阶段。
9.1 经典信号分析阶段
早期信号分析主要依赖数学解析方法，对周期、谐波和系统响应进行研究。这一阶段奠定了频域分析和线性系统理论的基础。
9.2 模拟信号处理阶段
随着电子技术发展，滤波、放大和调制等处理开始以模拟电路形式实现。此阶段强调连续时间系统的物理实现和工程可操作性。
9.3 数字信号处理阶段
计算机与集成电路的发展推动信号处理进入数字时代。离散化、算法化和可编程化使处理方式更加灵活，也拓展了应用范围。
9.4 智能化与融合发展阶段
近年来，统计方法与机器学习技术不断融入信号处理流程，形成更强的自适应与模式识别能力。多源数据融合、端到端建模和实时智能处理成为重要趋势。
10 常用工具与平台
信号处理的研究与工程实现离不开各类软件、编程工具和硬件平台。它们分别承担建模、仿真、训练与部署等不同角色。
10.1 数学软件
数学软件常用于理论验证、原型设计和数据可视化，适合快速搭建实验环境。其优势在于函数丰富、调试便利。
10.1.1 矩阵计算工具
矩阵计算工具支持线性代数运算、方程求解和矩阵分解，是许多算法验证的基础。它们通常对科研和教学非常友好。
10.1.2 频谱分析工具
频谱分析工具用于观察信号频率组成、绘制谱图和评估滤波效果。它们在调试系统和分析测量数据时很实用。
10.2 编程语言与库
编程语言与库构成了现代信号处理的软件实现基础，既适合算法研究，也适合产品开发。不同语言在效率、生态与易用性上各有侧重。
10.2.1 数值计算库
数值计算库提供向量、矩阵、优化和统计功能，便于实现复杂算法。它们通常是信号处理程序的重要依赖。
10.2.2 机器学习接口
机器学习接口将传统信号处理与数据驱动方法连接起来，便于构建分类、识别和预测模型。它们常用于特征学习和智能分析。
10.3 硬件实现平台
硬件平台决定了算法的运行速度、功耗和部署方式。对于实时系统和嵌入式应用，硬件选择往往与算法设计同步考虑。
10.3.1 通用处理器
通用处理器具有灵活性强、开发方便的特点，适合多种信号处理任务的原型实现与通用部署。其性能依赖于并行能力与指令集优化。
10.3.2 数字信号处理器
数字信号处理器专为高效执行乘加、滤波和变换等操作而设计，适合连续流数据处理。它在通信和控制系统中应用广泛。
10.3.3 可编程逻辑器件
可编程逻辑器件支持并行硬件实现，适合对延迟和吞吐量要求较高的场景。它常用于高速采集、实时滤波和专用加速。