能够访问数据宝藏也就意味着需要承担重大的责任在没有边缘节点智能的传统信号链解决方案中，数据只是数据。非智能节点从不会帮助生成用于制定可行决策的智慧和知识。可能存在大量对系统目标性能没有影响的原始低质量数据。转换所有这些数据并将其发送至最终云存储目的地可能需要消耗大量的功率和带宽。
相比之下，聪明的智能分区边缘节点检测和测量会将数据转换为可付诸行动的信息。智能节点可降低整体功耗，缩短延迟并减少带宽浪费。这使得具有较长延迟的反应型物联网可以转变成实时的预测型物联网模式。物联网仍然适用基本的模拟信号链电路设计理念。对于复杂的系统，通常需要拥有深厚的应用专业知识来解读已处理的数据。
优化的智能分区最大程度地提升了云价值
只有最重要的测量信息才需要通过网关发送至云端以进行最终处理。在一些情况下，大多数数据根本不重要。但是，对于本地实时决策所需的时间关键型系统数据，应在将其聚合到可进行远程访问的远端节点之前及早依其行事。相反，通过预测模型利用历史值来影响长期洞察的信息是云处理的理想应用。通过将数据归档到庞大的数据库以供追溯处理和决策使用，发挥出了云处理和存储的强大优势。
图3. 边缘节点的智能分区解决了以前无法解决的新挑战。信号链中更早的精简处理和智能实现了更高效的整体物联网解决方案。
实时决策依赖于边缘
物联网传感器主要为模拟传感器。具体的工业应用要求将决定边缘节点前端所需传感器的动态范围和带宽。在将信号转换为数字表示并传输到边缘外部前，信号链的前端将处于模拟域内。如果选择不当，模拟信号链中的各个元件都有可能限制边缘节点的整体性能。动态范围将为目标满量程传感器相对于本底噪声或下个最高无用信号的差值。
由于物联网传感器通常会同时寻找已知和未知活动，因此模拟滤波器并非始终有意义。数字滤波会在对信号进行采样后执行。除非在传感器的前端使用模拟滤波器，否则基波的谐波或其他杂散信号可能混入检测的信息并与目标信号竞争功率。因此，在设计阶段应该针对时域和频域中的意外检测信号制定应对计划，防止干扰伪像出现在测量数据中。
检测到的信息通常由信号链中接下来的ADC进行测量。如果使用分立元件来设计物联网边缘节点，则在选择测量ADC时应该注意不要减小传感器的动态范围。嵌入式ADC的输入满量程范围通常与传感器输出幅度匹配良好。理想情况下，传感器输出应消耗几乎整个ADC输入范围(在1 dB内)，而不使ADC发生饱和，也不会在范围限制处被裁减掉。但是，也可以使用放大器级来对传感器输出信号进行增益或衰减，以便使ADC自身的动态范围达到最大。ADC满量程输入、采样率、位分辨率、输入带宽和噪声密度都会影响边缘节点的信号测量性能。
前端放大器可以嵌入在节点的测量级或作为分立元件置于ADC前。放大器的增益、带宽和噪声也可以增强边缘节点的性能。
信号链中传感器之后的测量ADC通常采用以下两种采样架构类型之一：奈奎斯特速率或连续时间∑-? (CTSD)，其中后者在嵌入式ADC中更为常见。奈奎斯特速率ADC具有等于采样率频率一半(即fs/2)的平坦标称噪底。CTSD结合使用过采样率和陷波通带，使噪声超出目标带宽，从而增加动态范围。在了解边缘节点的模拟带宽和动态范围时，测量ADC架构及其分辨率非常关键。
图4. 如果物联网传感器上没有前端模拟滤波器，奈奎斯特速率ADC会将超出第一奈奎斯特区域的高阶频率折叠回目标带宽中。相比之下，具有过采样调制时钟的CTSD ADC架构使用噪声整形来在目标频段中实现高动态范围。由于CTSD具有固有滤波能力，因此对信号混叠不太敏感。
例如，在频域中，1 Hz单位带宽的噪声密度将基于ADC的SNR以及噪声在ADC采样频谱上的分布宽度。在奈奎斯特速率ADC中，噪声频谱密度(每1 Hz带宽)为0 dB – ADC信噪比(SNR) – 10 ×log(fs/2)，其中fs/2为采样率除以二或ADC的单个奈奎斯特区域。理想SNR的计算公式为SNR = 6.02 × N + 1.76 dB，其中N为ADC位数。但是，ADC的实际SNR涉及到晶体管和半导体处理的非理想因素，这包括电气噪声和晶体管级元件瑕疵。这些非理想因素会导致SNR性能降到理想性能以下，因此请查阅ADC数据手册以了解SNR目标性能。