数据的机器级表示及校验
整数的二进制数表示
二进制中，1表示正数，0表示负数，行不行？
原码表示
原码表示法的核心规则：
- 用最高位表示符号：
0表示正数，1表示负数。 - 其余位表示该数的绝对值。
- 因此，零有两种表示形式：
+0(000...0) 和-0(100...0)。
我们以 4位二进制 为例来说明。4位原码能表示的范围是：-7 到 +7。
4位原码表示的数轴图
下图直观地展示了原码在数轴上的分布。请注意零的两种表示形式，这是原码最显著的特点。
图解分析：
- 对称性：
- 数轴以 0 为中心，几乎完全对称（除了0本身）。
- 每一个正数（除+0）都有一个对应的负数。例如，
+3(0011) 和-3(1011)，它们的区别仅在于最高位的符号位。
- 零的表示：
- 这是原码表示法的“瑕疵”。
0000被定义为+0，1000被定义为-0。 - 在数轴上，它们占据同一个点，但却有两个不同的二进制编码。这会导致计算和比较时需要额外的逻辑来判断。
- 这是原码表示法的“瑕疵”。
- 绝对值与编码：
- 将一个数的原码表示去掉符号位，剩下的部分就是其绝对值的二进制形式。
- 例如：
+5->0101-> 绝对值是101(5)-5->1101-> 绝对值也是101(5)
原码的优缺点从数轴可见：
- 优点：非常直观。人类很容易理解其表示方式，从二进制码直接就能看出数值的大小和正负。
- 缺点：
- 运算复杂：从数轴上看，计算
2 + (-3)需要经过以下步骤：- 判断符号不同。
- 比较绝对值
|2|和|-3|(即3)谁大。 - 用大的绝对值减去小的绝对值：3 - 2 = 1。
- 结果符号与绝对值大的数相同，即负号。
- 最终结果为
-1。 这个过程无法用简单的加法器电路完成，硬件实现效率低。
- 存在两个零：浪费了一个编码空间，并带来歧义。
- 运算复杂：从数轴上看，计算
这个数轴清晰地表明了为什么原码虽然易于理解，但却不是计算机存储有符号数的理想方案。补码通过重新映射负数的位置，完美解决了上述问题。
补码表示
4位补码表示的数轴图
补码的数轴不再是像原码那样对称的，而是一个模循环。下图展示了这种独特的结构：
图解分析：
- 唯一的零：
- 补码中，零只有一种表示形式：
0000。这是补码相对于原码的第一个巨大优势。
- 补码中，零只有一种表示形式：
- 负数的重新映射：
- 这是补码最精妙的设计。负数被“放置”在了正数区域的上方。
- 注意看数轴，
-1的编码是1111，-2是1110，……，一直到-8是1000。 - 如果我们把这些负数的补码当作无符号整数来解释，它们的值分别是 15, 14, 13, … , 8。
- 你会发现一个关键规律：一个负数的补码，其无符号值 = 模数 (16) + 该负数的真值。
- 例如：
-5的补码是1011。将其视为无符号数，值是 11。而16 + (-5) = 11。完美吻合！
- 例如：
- 模运算与循环数轴：
- 4位系统的模是 2^4 = 16。补码的数轴是一个首尾相接的圆（模16循环）。
- 加法是顺时针移动，减法是逆时针移动。
- 计算
7 - 2可以理解为7 + (-2)。7的位置是0111。-2的补码是1110（从图上看，它位于7的“上方”，其无符号值是14）。- 将两者相加：
0111 (7) + 1110 (14) = 1 0101。 - 由于只有4位，最高位的1溢出被丢弃，剩下
0101，也就是5。结果正确！
- 这个“溢出”在模运算中是合理的，因为
7 + 14 = 21，而21 mod 16 = 5。
- “取反加一”的几何解释：
- 求一个数
X（例如5,0101) 的相反数-X，就是在数轴上找到一个数Y，使得X + Y = 0 (mod 16)。 - 如何找到这个
Y？从X出发，需要走多远才能绕一圈回到0？ - 路径长度 = 模数 (16) - X。
- “取反加一”就是这个路径的快捷方式：
- 取反：
0101->1010(值是10)。这相当于(15 - 5) = 10。 - 加一：
10 + 1 = 11。而16 - 5正好等于11。
- 取反：
- 所以，
1011(11) 就是我们要找的-5的补码。
- 求一个数
补码的核心优势从数轴可见：
- 统一了加减法：CPU不需要知道数是正还是负，也不需要减法器。只需要一个加法器，就可以完成所有加减运算。计算
A - B时，CPU只需要计算A + (B的补码)，然后丢弃溢出位即可。这是硬件设计上的巨大简化。 - 消除了“-0”：
0000唯一表示0。1000这个编码被赋予了新的含义：-8。这也解释了为什么补码的负数范围比正数多一个（-8 ～ -1, 0, +1 ～ +7）。
总结对比：
| 特性 | 原码 (Sign-Magnitude) | 补码 (Two’s Complement) |
|---|---|---|
| 零的表示 | 两种 (+0, -0) | 一种 (0) |
| 加减法操作 | 需要复杂逻辑，判断符号和大小 | 一个加法器通吃所有情况 |
| 数轴结构 | 对称（除0外） | 模循环 |
| 硬件需求 | 复杂 | 极其简单 |
| 直观性 | 非常直观 | 不直观，需要理解模概念 |
正是因为补码在硬件实现上的巨大优势，它成为了现代计算机表示有符号整数的绝对标准。它的设计是计算机工程学中“用软件的复杂性（理解概念）换取硬件的极简性”的经典范例。
取反加一
1. “取反”：求的是
(2^k - 1) - x对于一个
k位（包括符号位）的二进制数x（这里x是正数的原码）：
2^k - 1是一个k位全为1的二进制数。例如，4位系统中，2^4 - 1 = 15，即1111。- 对
x的每一位进行取反（0变1,1变0），得到的结果我们称为~x（按位取反）。这个取反操作
~x的数学本质是什么？ 它就是(2^k - 1)这个最大值减去x的值。~x = (2^k - 1) - x例子（4位系统，求 -5 的补码）：
x = 5的原码：01012^4 - 1 = 15(二进制1111)- 取反操作 (
~x)：0101->1010- 数学验证：
15 (1111) - 5 (0101) = 10 (1010)。结果1010正是取反的结果。所以，“取反”这一步完成了绝大部分工作，它得到了
(2^k - 1) - x。2. “加一”：是为了得到最终的
2^k - x我们已经通过“取反”得到了
(2^k - 1) - x。 而我们的最终目标是得到x的补码，即-x的机器数表示，其数学定义是2^k - x（在模2^k的系统下）。让我们比较一下目标和当前结果：
- 目标：
2^k - x- 当前结果：
(2^k - 1) - x很容易发现，目标和当前结果之间正好相差
1：(2^k - x) - [(2^k - 1) - x] = 1因此，“加一”就是为了弥补这个
1的差距！(2^k - 1) - x + 1 = 2^k - x继续上面的例子：
- 取反后的结果：
1010(值是 10)- 加一操作：
1010 + 1 = 1011- 数学验证：
16 (10000) - 5 (0101) = 11 (1011)。结果1011正是-5的补码。
补码的真值
对于一个 n 位的补码机器数：
\(X = -x_{n-1} \times 2^{n-1} + \sum_{i=0}^{n-2} x_i \times 2^i\)
- \(x_{n-1}\)：最高位（符号位）。
- 若为
1，则 \(-x_{n-1} \times 2^{n-1} = -1 \times 2^{n-1}\)，提供一个巨大的负权重（例如 n=8 时，是 -128）。- 若为
0，则该项为0，不影响结果。- \(\sum_{i=0}^{n-2} x_i \times 2^i\)：剩余数值位按无符号S二进制数解析的值。
浮点数的二进制数表示
浮点数的二进制表示是一种精巧的权衡艺术，它通过符号位、阶码（带偏移）和尾数（规格化隐含前导1） 的三段式结构，用有限的二进制位实现了对广大实数范围的近似表示。IEEE 754标准统一了这种表示方法，并通过非规格化数和特殊值等设计，增强了数值计算的健壮性。舍入规则则确保了近似过程的精确性和可预测性。
浮点数二进制表示的核心思想
浮点数用于表示实数，其核心思想是采用科学计数法的二进制版本，以在有限的位数内同时表示极大、极小的数以及高精度的数。通用格式为：
\(\pm S \times B^E\)
- ±：符号位（Sign）
- S：尾数/有效数（Significand/Mantissa）
- B：基数/底（Base），通常为2（二进制下隐含，不存储）
- E：阶码/指数（Exponent）
1. 规格化数 (Normalized Numbers)
为了消除同一数值的多种表示形式（如 0.110 × 2⁵ 和 110 × 2²），浮点数采用规格化表示。
- 规格化形式：
± 1.bb...b × 2^E- 尾数的最高位总是1（即整数部分为1）。
- 这个前导1是隐含的，不需要在存储的尾数字段中表示，从而节省一位，提高精度。
- 阶码的存储：阶码
E的真实值需要加上一个偏移量（Bias） 再存入阶码字段。这使其总为正数，便于无符号比较。- 例如，8位阶码的偏移量是127，真实值
E = 0则存储为127；E = -1存储为126。
- 例如，8位阶码的偏移量是127，真实值
2. 表示范围与精度权衡
对于固定长度的浮点数格式（如32位单精度），其表示范围和精度之间存在权衡：
增加阶码位数：➡️ 扩大表示范围，⬇️ 降低精度（尾数位数减少）。
增加尾数位数：➡️ 提高表示精度，⬇️ 缩小范围（阶码位数减少）。
采用更大的基数B：可以实现更大的范围，但可能会提高或降低精度。
采用更大基数（B）对浮点数的影响总结：
- 表示范围扩大
基数B越大，阶码权重越高（(B^E)），相同阶码位数下可表示范围显著扩大。 - 精度变化取决于数值大小：
- 小数值（E为负）：精度提高
相邻可表示数间隔更小（如B=16时，\(16^E\)衰减更快，间隔\(\Delta v = B^{E-S+1}\)更小） - 大数值（E为正）：精度降低
相邻可表示数间隔更大（如B=16时，\(16^E\)增长更快，间隔更大）
- 小数值（E为负）：精度提高
- 表示范围扩大
3. 非规格化数 (Denormalized Numbers)
用于解决下溢（Underflow） 问题，即数值太小，无法用规格化形式表示（指数已达到最小值）。
- 作用：填补0与最小规格化数之间的“空隙”，实现渐进下溢。
- 形式：当阶码字段为全0时，尾数的隐含位变为0（而非1），即表示为
± 0.bb...b × 2^(E_min)。 - 优点：避免了因计算结果小于最小规格化数而被直接舍入为0的情况，保留了更多的数值信息。
即使在“可表示范围（Expressible Numbers）”内，也绝不是所有实数都能被精确表示的。浮点数只能表示这个范围内的有限个离散的数值点。
下图非常清晰地展示了这一点：数轴上的黑点代表可精确表示的浮点数，点与点之间存在着无法精确表示的“空隙”（Gaps）。
那么，什么时候会用到非规格化数呢？
非规格化数解决的并不是“所有数都能精确表示”的问题（这是不可能的），而是解决“在0附近如何表示”的问题。
我们可以把“可表示范围”分成三个连续的区间来看：
- 规格化数区间 (Normalized Numbers)
- 范围：从
[±2^{-126})到[±(2-2^{-23})×2^{128}]（对于单精度）。 * 特点：这个区间的数用规格化形式表示（隐含前导1）。数值越大，点与点之间的间隔（即精度）也越大。- 问题：这个区间无法表示0和比
2^{-126}更小的数，这就留下了“下溢空隙”。- 非规格化数区间 (Denormalized/Subnormal Numbers)
- 范围：从
±2^{-149}（单精度最小值）到 just under±2^{-126}。
- 作用：专门用来填补“规格化数区间”和“0”之间的那个巨大空隙。它通过牺牲精度（尾数没有隐含前导1，有效位数变少）来换取范围的扩展，使得表示能力能够“平滑地”、“渐进地”下降到0，而不是突然跌落到0。 * 所以，非规格化数本身就是“可表示范围”的一部分，是表示极小数的手段。
- 零点 (Zero)
- 这是一个特殊的、唯一能精确表示的点。
核心结论与类比
情况 数学结果 浮点表示 解释 落在黑点上 e.g., 0.5,2.0精确表示 这个数正好是一个可表示的浮点数。 落在黑点之间 e.g., 0.1,3.1415926舍入 这个数无法精确表示，会被舍入到最近的那个黑点（可表示的浮点数）。这是最常见的情况。 落在“下溢空隙” e.g., 1.0e-40非规格化数 或 flush to zero 如果没有非规格化数，它会被舍入为0。非规格化数的存在，就是把这个“空隙”也填满了黑点，使得这些极小数也能被表示（尽管精度很低）。 超出数轴范围 e.g., 1.0e40溢出 (Overflow) 结果太大（或太小），超出了可表示范围，会被表示为无穷大（Infinity）。 一个简单的类比： 想象一把分辨率有限的尺子。
- 规格化数：就像尺子上从1厘米开始的标准刻度，间隔均匀但越来越大。
- 非规格化数：就像在尺子的0厘米到1厘米之间，手工添加的一系列不均匀的、更密集的微小刻度。没有它们，0到1厘米之间的任何测量值都只能被记录为“0”。有了它们，我们虽然量得不准，但至少知道它比0大，是一个非零值。
- 舍入：就像你用这把尺子去测量一个长度，读数和真实长度之间总有误差，你只能读到最接近的那个刻度值。
所以，非规格化数并不是用来让所有数都能被精确表示的，而是专门为了在0附近提供一种表示能力，避免极小的非零值被直接当作0处理，从而保证数值计算在0附近的健壮性和连续性。
4. IEEE 754 标准
该标准是浮点数表示的工业规范，定义了两种基本格式：
| 参数 | 单精度 (32位) | 双精度 (64位) |
|---|---|---|
| 总位数 | 32 | 64 |
| 符号位 | 1位 | 1位 |
| 阶码位宽 | 8位 | 11位 |
| 阶码偏移 | +127 | +1023 |
| 尾数位宽 | 23位（存储23位，隐含1位） | 52位（存储52位，隐含1位） |
特殊值表示：
IEEE 754 还规定了一系列特殊值的位模式，用于处理异常情况：
±0：阶码和尾数全为0，符号位区分正负零。
±∞：阶码全为1，尾数全为0。
NaN (非数)：阶码全为1，尾数非0。用于表示无效操作的结果（如
0/0,√(-1)）。- 静默NaN (qNaN)：不触发异常的NaN，用于传播。
规则： 尾数域的最高位
F[0]为 1。特点： 这是最常见的NaN类型。大多数产生非法操作的情况（如
sqrt(-1)）都会返回QNaN。CPU在运算中遇到QNaN时，通常会安静地将其作为结果返回。- 通知NaN (sNaN)：用于触发异常的NaN。
规则： 尾数域的最高位
F[0]为 0，并且尾数域的其他部分至少有一位是1（以确保整个尾数不为零）。特点： 一旦SNaN参与任何算术运算（除了一些简单的赋值和拷贝），硬件就应该抛出一个无效操作异常。
机器如何区分规格化数和非规格化数
核心原理：通过指数字段的特模式来区分
机器并不需要为每个数额外存储一个标志位来说明“我是规格化数”或“我是非规格化数”。它通过解读指数域（Exponent Field）的二进制模式来自动完成这种区分。
我们以最普遍的单精度（32位）浮点数为例，它的结构是：
[1位符号位 S][8位指数位 E][23位尾数位 F]。机器遵循以下规则来解码：
- 如果指数位
E不全为0且不全为1 (0 < E < 255)
- 这是一个规格化数（Normalized Number）。
- 实际指数 =
E - 偏置（Bias）。对于单精度，偏置是127，所以实际指数范围是-126到+127。- 实际尾数 =
1.F。即在23位尾数F之前隐含着一个前导的1。这就是“规格化”的含义，通过调整指数，使得数字总是以1.xxx...的形式表示。- 如果指数位
E全为1 (E == 255)
- 如果尾数位
F全为0，这是一个无穷大（Infinity），正负由符号位S决定。- 如果尾数位
F不全为0，这是一个NaN（Not a Number），表示无效操作结果（如0/0,√(-1)）。- 如果指数位
E全为0 (E == 0)
- 这是一个非规格化数（Subnormal/Denormalized Number）。
- 实际指数 =
1 - 偏置（Bias）。对于单精度，就是1 - 127 = -126。注意：这里不是0 - 127！- 实际尾数 =
0.F。即在23位尾数F之前隐含着一个前导的0，而不是1。举例说明：如何区分和表示
假设我们有一个单精度浮点数，其二进制表示为：
00000000010000000000000000000000(S=0, E=0, F=10000000000000000000000)
- 机器如何区分？
- 机器读取8位指数
E：00000000。- 发现它全为0，因此立即判定：这是一个非规格化数。
- 机器如何计算它的值？
- 符号位
S=0，所以是正数。- 实际指数 =
1 - 127 = -126- 实际尾数 =
0.F=0.10000000000000000000000(二进制)- 计算其数值：
Value = (-1)^S × (实际尾数) × 2^(实际指数)= + × (0.1₂) × 2^(-126)= (2^(-1)) × 2^(-126)= 2^(-127)这个数
2^(-127)是一个非常接近0的正数。如果没有非规格化数，规格化数能表示的最小正数是当E=1(实际指数-126) 和尾数M=1.0...0时，即1.0 × 2^(-126)。2^(-127)比它小了一半，正是非规格化数填补了0到2^(-126)之间的空白。再看一个规格化数作为对比：
00000000110000000000000000000000(S=0, E=1, F=10000000000000000000000)
- 机器如何区分？
- 机器读取指数
E=1(00000001)。- 它既不全0也不全1，因此判定：这是一个规格化数。
- 机器如何计算它的值？
S=0，正数。- 实际指数 =
1 - 127 = -126- 实际尾数 =
1.F=1.10000000000000000000000(二进制)- 数值 =
(1.1₂) × 2^(-126)=(1 + 2^(-1)) × 2^(-126)=1.5 × 2^(-126)总结与类比
你可以把指数字段想象成一个开关：
指数 E的二进制模式机器解读的类型 隐含的前导位 实际指数计算 00000000非规格化数 01 - Bias00000001到11111110规格化数 1E - Bias11111111无穷大 (Inf) 或 NaN 无 无 所以，你的机器通过一个简单的硬件电路检查指数位是否全0，来瞬间区分一个数是规格化还是非规格化。 这个过程完全由硬件自动完成，对程序员和用户是透明的。
这种设计的精妙之处在于：
- 无缝衔接：最大的非规格化数是
(1 - 2^{-23}) × 2^{-126}，最小的规格化数是1.0 × 2^{-126}，它们非常接近，实现了从非规格化数到规格化数的平滑过渡。- 节省位空间：没有浪费任何一位来单独存储类型标志。指数域的模式既表示了范围，也表示了类型。
- 硬件高效：判断一组位是否全0或全1在硬件层面是非常快速和简单的操作。
5. 舍入 (Rounding)
核心概念
在浮点数运算中，真实的结果往往无法用有限的尾数位精确表示（例如，1/10 这个简单的十进制小数在二进制中也是无限循环的）。因此，必须通过“舍入”操作，将其近似为最接近的可表示的浮点数。这个过程是浮点数算术的基础，也是计算误差的主要来源之一。
IEEE 754 标准定义的4种舍入模式
- 就近舍入 (Round to Nearest, ties to even)
- 规则：舍入到最接近的可表示值。当待舍入的数值恰好位于两个可表示值的正中间时，则舍入到那个“偶数”方向（即其最低有效位为0）的值。
- 特点：这是默认的、最常用的舍入模式。它在统计上最精确，因为它使舍入误差的期望值为零，并且不会引入明显的统计偏差。
- 示例：假设我们使用4位尾数（二进制）表示，要舍入的数值为
1.0011(即1.1875)。- 它处于
1.001(1.125) 和1.010(1.25) 的正中间。 1.001的尾数最后一位是1（奇数），1.010的最后一位是0（偶数）。- 因此，根据“ties to even”规则，应舍入到
1.010。
- 它处于
- 向 +∞ 舍入 (Round toward +∞)
- 规则：总是向正无穷大的方向进行舍入。结果会大于或等于真实值。
- 应用：也称为“向上取整”(ceil)。常用于区间上下界计算、避免结果低估的金融计算等。
- 向 -∞ 舍入 (Round toward -∞)
- 规则：总是向负无穷大的方向进行舍入。结果会小于或等于真实值。
- 应用：也称为“向下取整”(floor)。常用于需要确定上限的场景。
- 向 0 舍入 (Round toward 0)
- 规则：直接简单地丢弃无法表示的位，也称为“截断”(Truncation)。
- 特点：对于正数，其行为同“向 -∞ 舍入”；对于负数，其行为同“向 +∞ 舍入”。总的效应是使结果的绝对值总是变小。
- 应用：这种模式计算速度最快，但容易产生系统性偏差，因为误差总是偏向于零。
总结与对比
| 舍入模式 | 别名 | 方向 | 误差特点 | 主要应用 |
|---|---|---|---|---|
| 就近舍入 (RN) | 银行家舍入 | 最近 | 无偏、精度高 | 通用计算（默认） |
| 向 +∞ 舍入 (RU) | 向上取整 | 总为正 | 有偏、结果>=真值 | 区间计算、金融上限 |
| 向 -∞ 舍入 (RD) | 向下取整 | 总为负 | 有偏、结果<=真值 | 区间计算、金融下限 |
| 向 0 舍入 (RZ) | 截断 | 朝向零 | 有偏、结果|值|变小 | 快速计算、旧式系统 |
二进制编码的十进制数表示
自然BCD码(NBCD):
0-9:0000-1001
+/-:1100/1101;0/1
差错
把一个数D放进存储器再拿出来，就不是D了，而是D’，那我们怎么才能判断这个值有没有发生改变呢？
我们需要一个参照，但是没有原来的\(D\)，那怎么办？
我们需要一个校验码 \(C\),但同时，我们没有办法保证\(C\)一定不出错，不然就不需要\(C\)了！
纠错的难点，在于怎么定位到哪个\(0/1\)出了问题
奇偶校验码
基本思想：增加1位校验码来表示数据中1的数量是奇数还是偶数
0异或的时候等于那个数本身，而1是“对对碰”
数据输入：
奇校验：𝐶=𝐷𝑀⊕⋯⊕𝐷2⊕𝐷1⊕1
偶校验：𝐶=𝐷𝑀⊕⋯⊕𝐷2⊕𝐷1
数据输出：
奇校验：𝐶′′=𝐷’𝑀⊕⋯⊕𝐷’2⊕𝐷’1⊕1
偶校验：𝐶′′=𝐷’𝑀⊕⋯⊕𝐷’2⊕𝐷’1
如果C’和C’‘异或的结果为0，那么就说明这个数的输出没有问题（默认不会出现概率极其低的两位及以上出错）
海明码
基本思想：将数据分成几组，对每一组都使用奇偶校验码进行检错
构造海明码的步骤
我们以传输一个4位的数据
1101为例。第一步：确定校验位的数量 (r)
公式： \(2^r \geq m + r + 1\)
- \(m\) = 数据位长度 (我们的例子中是 4)
- \(r\) = 所需校验位的最小数量
我们来尝试：
- 如果 \(r = 2\): \(2^2 = 4\)， \(4 + 2 + 1 = 7\) -> \(4 \geq 7\)？ 不成立
- 如果 \(r = 3\): \(2^3 = 8\)， \(4 + 3 + 1 = 8\) -> \(8 \geq 8\)？ 成立
所以，我们需要 3 个校验位。总码字长度为 \(4 + 3 = 7\) 位。
第二步：确定校验位 (P) 和数据位 (D) 的位置
- 位置从 1 开始编号，到 7。
- 所有位置是 2的幂次方 (1, 2, 4, 8…) 的位置，被校验位 (P) 占据。
- 剩下的位置由数据位 (D) 按顺序填充。
位置 1 2 3 4 5 6 7 类型 P1 P2 D1 P3 D2 D3 D4 我们的数据 待计算 待计算 1 待计算 1 0 1 所以，我们的数据位
D1 D2 D3 D4(也就是1 1 0 1) 被放置在了位置 3, 5, 6, 7。 现在我们需要计算 P1, P2, P3 的值。第三步：确定每个校验位负责哪些数据位
这是海明码最巧妙的部分。规则是： 位置为 (P_n) 的校验位，负责校验所有那些位置编号的二进制表示中，第 (n) 位为 1 的数据位。
- P1 (位置 1，二进制 001):
- 它负责所有位置编号二进制形式中第1位（最低位）为1的位。
- 这些位置是：1, 3, 5, 7
- 所以 P1 负责：P1, D1, D2, D4
- P2 (位置 2，二进制 010):
- 它负责所有位置编号二进制形式中第2位为1的位。
- 这些位置是：2, 3, 6, 7
- 所以 P2 负责：P2, D1, D3, D4
- P3 (位置 4，二进制 100):
- 它负责所有位置编号二进制形式中第3位为1的位。
- 这些位置是：4, 5, 6, 7
- 所以 P3 负责：P3, D2, D3, D4
用表格表示更清晰：
校验位 二进制位置 负责的位（位置） P1 …001 1, 3, 5, 7 P2 …010 2, 3, 6, 7 P3 …100 4, 5, 6, 7 第四步：计算每个校验位的值
我们使用偶校验（即让负责的位中‘1’的个数为偶数）。
- 计算 P1 (负责 P1, D1, D2, D4 -> 位置 1, 3, 5, 7):
- 数据：? (P1), 1 (D1), 1 (D2), 1 (D4)
P1 ⊕ 1 ⊕ 1 ⊕ 1必须为 0。P1 ⊕ 1必须为 0。 (1 ⊕ 1 = 0)- 所以 P1 = 1
- 计算 P2 (负责 P2, D1, D3, D4 -> 位置 2, 3, 6, 7):
- 数据：? (P2), 1 (D1), 0 (D3), 1 (D4)
P2 ⊕ 1 ⊕ 0 ⊕ 1必须为 0。P2 ⊕ 0必须为 0。- 所以 P2 = 0
- 计算 P3 (负责 P3, D2, D3, D4 -> 位置 4, 5, 6, 7):
- 数据：? (P3), 1 (D2), 0 (D3), 1 (D4)
P3 ⊕ 1 ⊕ 0 ⊕ 1必须为 0。P3 ⊕ 0必须为 0。- 所以 P3 = 0
第五步：组合成最终的海明码
现在我们将所有位填入位置：
位置 1 2 3 4 5 6 7 类型 P1 P2 D1 P3 D2 D3 D4 值 1 0 1 0 1 0 1 所以，为数据
1101构造的 (7,4) 海明码是：1 0 1 0 1 0 1如何校验和纠错？
假设接收方收到了这个码字
1010101。他会怎么做？
- 重新计算校验：
- 他同样按照第三步的规则，用接收到的数据位重新计算三个校验值。
- 计算 C1 (P1的组：1,3,5,7):
1 ⊕ 1 ⊕ 1 ⊕ 1 = 0-> 通过 (0)- 计算 C2 (P2的组：2,3,6,7):
0 ⊕ 1 ⊕ 0 ⊕ 1 = 0-> 通过 (0)- 计算 C3 (P3的组：4,5,6,7):
0 ⊕ 1 ⊕ 0 ⊕ 1 = 0-> 通过 (0)- 形成指错字 (Syndrome):
- 将三个校验结果按 C3 C2 C1 的顺序排列，得到二进制数
000。000表示 没有错误。假设出错的情况： 如果传输中第5位（D2）从1变成了0，接收方收到
1010001。
- C1 (位 1,3,5,7):
1 ⊕ 1 ⊕ 0 ⊕ 1 = 1-> 失败 (1)- C2 (位 2,3,6,7):
0 ⊕ 1 ⊕ 0 ⊕ 1 = 0-> 通过 (0)- C3 (位 4,5,6,7):
0 ⊕ 0 ⊕ 0 ⊕ 1 = 1-> 失败 (1)- 指错字 = C3 C2 C1 = 1 0 1
- 指错字
101的十进制是 5，这直接告诉我们第5位出错了。接收方只需将第5位翻转（0变回1），错误就得到了纠正。
循环冗余校验
基本思想
利用基于模2除法的“余数”特性，为数据块生成一个紧凑的校验码，任何对数据的修改都极有可能改变这个余数，从而被接收方发现。
假设数据有M位，左移数据K位（右侧补0），并用K+1位生成发送方和接收方事先约定的生成多项式除它(模2运算)
采用K位余数作为校验码
把校验码放在数据（不含补的0）后面，一同存储或传输
校错
模 2 除法：
- 每一步用当前余数的最高位决定是否与除数做 XOR（异或）。
- 被除数从左到右逐位（或按除数长度）处理。
- 如果当前部分最高位是 1，则用除数 XOR；如果最高位是 0，则用 000…（和除数等长的 0）XOR（其实就是左移）。
- 商：当前部分最高位是 1 则商 1，是 0 则商 0（但 CRC 中我们主要关心余数）。
如果M+K位内容可以被生成多项式除尽，则没有检测到错误；否则，发生错误
例：100011000➗1001
流程：原始数据 → 附加n个0 → 与生成多项式进行模二除法 → 得到n位余数(CRC) → 用CRC码替换附加的0 → 发送最终帧