1 基本概念
1.1 定点数的定义
定点数是一种在计算机中表示实数的方法，它事先约定小数点所在的位置，再将数值按整数形式存储和处理。由于小数点位置固定，数值的“整数部分”和“小数部分”在编码时都有明确的范围，因此这种表示方式结构简单、计算规则清晰。
在实际使用中，定点数往往配合一个比例因子来理解：原始存储值并不直接等于真实数值，而是经过缩放后的结果。这样可以在有限字长内表示带小数的数量，适合对运算确定性要求较高的场景。
1.2 定点数与整数的关系
定点数和整数在底层存储上非常接近，很多情况下都采用相同的二进制编码方式。二者的区别主要不在位模式本身，而在于解释方式：整数表示的是离散的计数值，定点数则表示按比例缩放后的实数。
例如，同一个32位二进制数，若按整数理解就是一个普通计数值，若按定点格式理解，则可能代表一个带小数的数。正因为如此，定点运算常常可以借助整数运算单元完成，从而获得较高效率。
1.3 定点数与浮点数的区别
定点数与浮点数的核心差异在于小数点是否可变。浮点数通过尾数和指数共同表达数值，能够覆盖更大的范围；定点数则预先固定小数点位置，更强调计算过程的稳定性和实现简洁性。
相比之下，定点数通常具有运算速度快、硬件资源占用少、结果更易预测等特点，但其数值范围和精度分配较为受限。浮点数更适合需要大动态范围的计算，而定点数更适合对延迟、功耗和成本敏感的系统。
1.4 定点数的应用场景
定点数常见于嵌入式系统、数字信号处理、音视频编解码和控制系统等领域。这些场景往往对实时性、确定性和硬件成本有较高要求，同时数值范围相对可控，适合采用固定比例的表示方式。
在一些低功耗处理器、专用加速器或资源受限的微控制器中，定点数也是常用方案。它能减少浮点硬件依赖，并使算法实现更加紧凑。
2 表示方法
2.1 小数点位置的约定
定点数的表示依赖于对小数点位置的约定。这个位置可以在编码规则中预先定义，也可以由软件协议或数据格式说明来决定。只要约定一致，同样的比特模式就能被正确解释。
按小数点位置不同，定点数通常可分为偏向小数表示和偏向整数表示两类。前者更强调小数精度，后者则更适合表示较大的整数范围。
2.1.1 定点小数
定点小数是指小数点固定在数值表示中较靠左的位置，使得多数位用于表示小数部分。这类格式常用于需要较高分辨率的信号处理任务，例如幅值、系数或归一化数据的存储。
由于整数部分可用位数较少，定点小数的可表示范围通常不大，但其分辨细微变化的能力较强。实际设计中常通过选择合适的标度因子来平衡范围与精度。
2.1.2 定点整数
定点整数是指小数点固定在数值表示中较靠右的位置，形式上更接近普通整数。此类表示更适合计数、索引、长度、样本序号等本来就以整数出现的量。
在某些系统中，定点整数也可作为更大范围定点格式的一部分，只是其小数位数为零或极少。它便于和整数运算直接兼容，处理流程相对简单。
2.2 符号位表示
定点数在表示有符号数时，通常需要明确最前面的符号位如何参与编码。不同符号表示方式会影响数值范围、运算复杂度以及硬件实现方式。
常见做法包括原码和补码。其中补码因其便于统一加减法运算，在现代计算机中更为普遍。
2.2.1 原码表示
原码表示法中，最高位通常作为符号位，其余位表示数值大小。符号位为0表示正数，为1表示负数。这种方式直观，便于理解数值的绝对值与符号。
不过，原码在运算时不如补码方便，尤其在加减法处理中容易引入额外判断。因此它更多见于概念说明或特定简化场景，而非高效通用实现。
2.2.2 补码表示
补码表示法是有符号定点数最常见的编码方式。它把负数表示为按固定字长取反加一的结果，使加法和减法能够在同一套电路中完成。
补码的优势在于运算统一、零值唯一、溢出判断明确，因此在硬件和软件中都非常实用。定点数采用补码后，符号位既参与数值范围划分，也参与算术运算过程。
2.3 数值范围与精度
定点数的数值范围由总位宽和小数位数共同决定。位宽越大，可表示的范围通常越宽；小数位越多，能够区分的数值越细，但整数部分能容纳的范围会相应减小。
因此，定点格式本质上是在范围与精度之间做平衡。实际设计中，往往需要根据目标数据特征来确定位宽和小数位数。
2.3.1 量化步长
量化步长是定点数中相邻两个可表示数值之间的间隔。若小数位数较多，量化步长就更小，表示更细腻；反之则更粗。
量化步长直接影响数值误差下限。对于需要高分辨率的应用，通常会优先减少步长，但这也会压缩可表示范围。
2.3.2 最大值与最小值
定点数的最大值与最小值由编码规则和位宽共同决定。对于有符号格式，最高位用于表示符号，因此正负范围并不完全对称。补码体系下，负数通常比正数多一个可表示值。
在工程上，最大值与最小值的界限十分重要，因为一旦数据超出范围，就可能发生溢出、截断或饱和等现象，进而影响算法结果。
3 运算规则
3.1 加法与减法
定点数的加法和减法通常可以直接借助整数运算完成，但前提是各操作数的小数点位置一致，或已通过缩放处理为统一格式。若格式不统一，必须先进行对齐。
由于定点表示与整数编码高度相似，加减运算往往效率很高，是其广泛应用的重要原因之一。
3.1.1 对齐与缩放
在执行加法或减法前，参与运算的数值通常需要具有相同的标度因子。若两个定点数的小数位不同，就要先移动位数，使它们的“实际比例”一致，再进行运算。
对齐本质上是一种统一数值尺度的过程。若忽略这一环节，计算结果会出现系统性偏差，轻则精度下降，重则导致完全错误的数值解释。
3.1.2 溢出处理
加减法中的溢出通常发生在结果超出当前位宽可表示范围时。定点系统中，溢出处理方式常见的有直接截断、异常标记和饱和等。
不同处理方式会影响结果的稳定性和可预测性。对于控制系统和音频处理等场景，通常更偏向可控的溢出策略，以避免极端错误放大。
3.2 乘法运算
定点数相乘后，结果的位宽通常会增加，因为两个数的缩放关系会叠加，数值精度也可能提升。但若不重新调整标度，结果将无法直接作为原格式使用。
因此，乘法不仅是数值计算过程，也是一次重新分配位宽与小数位的过程。
3.2.1 结果缩放
乘法后的结果通常需要按预定规则缩放回目标格式，例如右移若干位以恢复原来的小数位布局。这个过程决定了最终数值的表达精度。
如果缩放过多，可能丢失有效信息；缩放不足，则容易导致结果超出范围。故乘法后的标度处理在定点设计中十分关键。
3.2.2 舍入策略
在缩放过程中，往往会出现被舍弃的低位信息，此时需要选择舍入策略。常见方法包括直接截断、四舍五入以及其他更复杂的舍入规则。
不同策略会影响整体误差分布。一般而言，合理舍入比单纯截断更能保持统计意义上的精度，但实现复杂度也会略有增加。
3.3 除法运算
定点数除法比加减法和乘法更复杂，因为除法结果往往需要更高的精度来表示，且商的位宽与小数点位置常常难以直接确定。
在实际系统中，除法常通过移位、倒数近似或专用硬件实现，以减少计算代价。
3.3.1 商的表示
除法得到的商一般需要重新规定小数点位置，才能在定点格式中存储。若格式不合适，商可能只能保留近似值，而无法完整表达。
因此，除法的输出格式通常在算法设计阶段就已预先定义，以便与后续处理环节兼容。
3.3.2 精度损失
定点除法容易带来较明显的精度损失，尤其是在被除数较小或除数较大时，结果的小数部分可能被压缩得很厉害。
为减轻这一问题，常采用提高内部位宽、使用中间变量扩展精度或对结果进行合理舍入的方式。不过，这些方法会相应增加实现成本。
3.4 位移运算
位移是定点数中非常常见的辅助运算。左移和右移不仅用于加速计算，也常被用来完成乘除以2的幂、调整标度和进行符号处理。
由于位移操作速度快、硬件实现简单，它在定点算法中占有重要地位。
3.4.1 左移与右移
左移通常相当于数值乘以2的幂，右移则近似于除以2的幂。对定点数而言，这些操作可用于快速调节数值尺度，尤其适合整数倍缩放场景。
不过，左移可能导致高位丢失并引发溢出，右移则容易损失低位精度。因此位移虽快，也需要谨慎使用。
3.4.2 符号扩展
当有符号定点数进行位移或扩展位宽时，通常需要保持符号不变。符号扩展就是在高位补入符号位，使数值的正负属性在扩展后保持一致。
这一机制对补码表示尤其重要。如果扩展方式错误，原本正确的负数可能被解释成完全不同的正数，导致计算失真。
4 误差与精度控制
4.1 舍入误差
舍入误差是定点数处理中最常见的误差来源之一。由于位数有限，很多真实数值无法被精确表示，只能取近似值进入系统。
这种误差通常较小，但在多次运算累积后，可能逐渐影响最终结果。
4.1.1 截断
截断是最直接的舍入方式，即直接舍去超出目标精度的低位部分。它实现简单、成本低，但误差有偏向性，长期累积时可能产生系统偏差。
在对实时性要求高、实现资源有限的环境中，截断仍然很常见，因为它便于硬件和软件快速执行。
4.1.2 四舍五入
四舍五入通过观察被舍弃部分的大小来决定是否进位，通常比截断更接近数学意义上的“最近值”。它能减小平均误差，使结果更平衡。
不过，四舍五入需要额外判断逻辑，或在某些情况下引入更复杂的实现流程，因此在极简硬件中未必总是首选。
4.2 量化误差
量化误差来自连续值被映射到离散定点格点的过程。也就是说，当一个真实值落在两个可表示值之间时，系统只能选取其中一个近似表示。
量化误差在信号处理中尤为重要，因为它可能改变波形细节、引入噪声或影响统计特性。合理选择位宽和标度因子，有助于降低这类误差。
4.3 溢出与饱和
当计算结果超出定点数可表示范围时，会出现溢出问题。不同系统对溢出的处理方式不同，其中饱和是一种较为稳健的策略。
溢出控制直接关系到系统可靠性，特别是在闭环控制和音频处理等应用中，错误放大往往会造成明显影响。
4.3.1 截断溢出
截断溢出是指当结果超界时，将超出部分直接丢弃，仅保留低位或按固定规则裁剪。这种方式实现简单，但可能产生严重失真。
在某些低成本实现中，截断溢出仍会被采用，因为它不需要复杂控制逻辑。然而，从数值稳定性角度看，它通常不如饱和方式理想。
4.3.2 饱和运算
饱和运算会把超出范围的结果限制在最大值或最小值，而不是简单丢弃超界部分。这样可以避免结果“回绕”到错误区间，通常更符合人类直觉。
饱和机制广泛用于数字信号处理和控制系统中，因为它能显著提高异常情况下的可控性。
4.4 精度优化方法
为了在有限位宽内尽可能保留有效信息，定点系统通常需要综合考虑数据分布、算法结构和硬件能力，采用多种精度优化方法。
优化的目标不是盲目增加位数，而是在性能、资源和误差之间取得平衡。
4.4.1 位宽选择
位宽选择是定点设计中最基础也最重要的一步。若位宽过小，容易频繁溢出或出现较大量化误差；若位宽过大，则会增加存储和运算成本。
通常需要根据输入数据范围、中间结果增长情况和允许误差上限来决定位宽。经验分析与仿真验证常常需要结合使用。
4.4.2 标度因子设计
标度因子决定了真实数值与存储值之间的映射关系。设计得当，可以让大多数数据落在较高利用率的区间内，从而提升有效精度。
在复杂算法中，常会对不同阶段设置不同标度因子，以适应中间变量的动态变化。良好的标度规划能显著减少不必要的溢出和精度损失。
5 硬件与软件实现
5.1 硬件中的定点运算
定点数特别适合硬件实现，因为其运算规则与整数电路高度兼容。许多处理器和专用芯片会直接使用定点格式来降低复杂度和功耗。
在硬件设计中，定点数常被用于构建高吞吐、低延迟的数据通路。
5.1.1 运算单元设计
定点运算单元通常包括加法器、乘法器、移位器以及溢出检测逻辑。由于无需像浮点运算那样处理指数对齐和复杂归一化，设计相对直接。
对于高速场景，运算单元常进行流水化或并行化处理，以进一步提升吞吐能力。此时，数据格式和控制路径的协调尤为重要。
5.1.2 寄存器与存储格式
定点数据在寄存器和存储器中的布局通常是固定的，位宽和符号解释都遵循系统约定。只要格式一致，数据在不同模块间传递就较为可靠。
在存储格式设计中，常需明确大小端顺序、符号位位置以及对齐方式，避免跨模块使用时出现解释错误。
5.2 软件中的定点运算
在软件环境中，定点运算常通过整数类型配合宏、函数或专门封装实现。程序员需要显式管理小数点位置、缩放系数和舍入方式。
这种方式虽然需要更多手工约定，但能够在没有硬件浮点支持的设备上实现稳定的数值计算。
5.2.1 编程语言支持
不少编程语言本身并未提供统一的定点数原生类型，但会提供整数位运算、类型转换和格式化工具，便于开发者自行构建定点逻辑。某些领域专用语言或扩展库则会提供更直接的支持。
开发时通常需要借助注释、类型别名或结构体来记录数值尺度，以减少误用风险。
5.2.2 定点库与工具链
定点库可以帮助完成缩放、舍入、饱和和格式转换等常见任务，降低重复开发成本。工具链则可能提供仿真、误差分析和自动转换功能。
在算法移植阶段，这些工具尤其有用，因为它们能帮助开发者评估某个浮点模型转换为定点实现后的误差变化。
5.3 与编译优化的关系
定点运算的效率不仅取决于算法本身，也与编译器优化能力密切相关。好的优化可以减少临时变量、合并移位操作并降低指令数量。
在资源有限的系统中，编译优化常直接影响程序是否满足实时要求。
5.3.1 指令级优化
编译器或手工优化可将某些乘除运算转化为移位、加减或其他更便宜的指令，从而加快定点程序执行速度。对于固定标度的代码，这类优化非常常见。
不过，优化过程中必须保持数值语义一致，避免因过度重写而引入额外误差。
5.3.2 性能与资源占用
定点实现通常在性能和资源占用上具有优势，尤其是在不带专用浮点单元的设备中更为明显。它能减少存储需求、节省功耗，并提高实时性。
但如果位宽选择不当，频繁的修正、扩展和饱和处理也可能抵消部分性能收益。因此，优化不能只看速度，还要兼顾精度和实现代价。
6 典型应用
6.1 嵌入式控制
在嵌入式控制系统中，定点数常用于表示传感器读数、控制增益和状态变量。由于控制周期短、计算资源有限，定点表示能提供较好的实时响应。
这类系统更关注结果的稳定性和可重复性，而非极大数值范围，因此定点数通常是很自然的选择。
6.2 数字信号处理
数字信号处理是定点数最经典的应用领域之一。许多滤波、变换和特征提取算法都可以在定点环境中高效实现。
6.2.1 滤波器实现
滤波器在定点实现中需要特别注意系数精度和中间结果溢出。无论是FIR还是IIR结构，系数量化都会影响频响特性，而中间累加过程则决定稳定性。
因此，滤波器的定点化通常要结合仿真验证，对位宽和标度进行细致设计。
6.2.2 频谱分析
频谱分析中的数据通常经过窗口、变换和幅值计算，多个步骤都可能涉及缩放与舍入。定点实现可在硬件或嵌入式平台上获得较高速度，适合实时检测和在线分析。
但由于频域处理对微小误差较敏感，定点表示时往往需要更审慎地选择精度等级。
6.3 图像与音频处理
图像和音频处理在很多设备上都采用定点算法，以降低编解码和后处理成本。特别是在移动终端、机顶盒和便携式设备中，定点表示有助于节省功耗并提高吞吐率。
6.3.1 编解码算法
编解码算法通常包含预测、变换、量化和重建等步骤，这些步骤都能通过定点方式实现。为了保证画质或音质，算法设计往往需要在压缩效率和数值精度之间折中。
在实际工程中，许多关键参数会被预先量化为定点格式，以保证不同平台上的一致性。
6.3.2 实时处理
实时图像和音频处理要求较低延迟与稳定帧率，定点运算在这方面优势明显。它可以减少浮点硬件依赖，使系统在较低成本下完成连续数据流处理。
不过，实时性并不意味着可以忽视误差控制。若参数设置不当，画面细节或声音动态仍可能受到影响。
6.4 通信系统
通信系统中大量算法需要在有限资源条件下快速执行，定点数因此被广泛采用。从基带处理到链路估计，许多环节都可通过固定标度来组织数据。
6.4.1 调制解调
调制解调过程常涉及复数运算、相位计算和幅度归一化，定点实现时需要精确管理尺度变化。合理的位宽分配可以保证星座点位置和判决边界尽可能准确。
在高速通信设备中，定点化有助于提升并行处理能力，并减少处理延迟。
6.4.2 误码相关计算
误码率、信噪比等相关计算在工程实现中也常使用定点表示，尤其在在线监测与统计模块中更为常见。此类计算往往数值范围可预测，适合采用统一标度。
只要对中间统计量的范围进行适当设计，定点方法就能在较低成本下提供足够的分析精度。
7 相关概念
7.1 固定小数点表示法
固定小数点表示法是定点数最直接的同义或近义表达，强调小数点位置事先固定不变。该术语常见于数值计算与嵌入式开发语境中。
它与“定点数”在很多场合可以互换使用，但在不同文献中，侧重点可能略有差异。
7.2 定长与变长数值表示
定长数值表示指位宽固定、格式统一的编码方式，定点数通常属于这一类。变长数值表示则允许编码长度随数据内容变化，更强调压缩效率或灵活性。
两者的差异主要体现在实现复杂度和资源分配方式上。定点数的优势之一，正是其长度和格式都较稳定，便于硬件处理。
7.3 浮点数与定点数的选型
在实际工程中，浮点数和定点数的选择取决于目标平台、性能要求、数值范围以及开发成本。若需要广泛动态范围和较少手工调优，浮点数更方便；若追求低功耗、低延迟和高确定性，定点数往往更合适。
很多系统并非完全排斥其中一种，而是会在不同模块中混合使用，以兼顾灵活性与效率。
7.4 定点数标准化与工程实践
定点数标准化通常指在项目中统一数值格式、缩放规则、舍入方式和溢出策略，以便各模块之间能够一致协作。工程实践中，这类规范非常重要，因为它能减少接口误解和跨平台差异。
在大型系统开发里，定点设计往往需要文档化的格式说明、测试向量和误差评估流程。只有把数值约定明确下来，定点运算才能真正发挥稳定、可控的优势。