[数字信号处理-入门] 采样定理

[数字信号处理-入门] 采样定理

个人导航

知乎:https://www.zhihu.com/people/byzh_rc

CSDN:https://blog.csdn.net/qq_54636039

注:本文仅对所述内容做了框架性引导,具体细节可查询其余相关资料or源码

参考文章:各方资料

文章目录

时域采样

符号 说明
f h f_h fh 信号最高频率
f s f_s fs 采样频率
T T T 采样周期

奈奎斯特抽样定理:
f s > 2 f h f_s>2f_h fs>2fh

输入

输入为带限信号

(信号的频率成分只分布在0~ f h f_h fh范围内, f h f_h fh为最高截止频率)

奈奎斯特频率/折叠频率: f s / 2 f_s/2 fs/2

采样周期: T = 1 / f s T=1/f_s T=1/fs

( x ( n T ) x(nT) x(nT)是 x ( t ) x(t) x(t)在 t = n T t=nT t=nT时刻的采样值)

采样角频率: w s = 2 π f s w_s=2\pi f_s ws=2πfs

重建与混叠

若 f s ≤ 2 f h f_s≤2f_h fs≤2fh,会发生混叠(高频分量会折叠到低频区域),无法无失真重建原始信号

重建信号: 用离散的采样点恢复的连续时间信号

频率 f f f的信号被 f s f_s fs采样后, 若混叠:

  • 重建信号的频率 = ∣ f − n f s ∣ \mathbf{|f-nf_s|} ∣f−nfs∣
  • n取让结果最接近0的数

采样后的离散信号频谱,是原始连续信号频谱以采样角频率 w s w_s ws为周期进行周期性延拓得到的

频域采样

符号 说明
Δ f Δf Δf 频率分辨率(频率间隔)
T 0 T_0 T0 延拓周期
T T T 信号持续时间

理论基础是傅里叶变换的对偶性

T ≤ T 0 T \leq T_0 T≤T0

信号持续时间: T T T

延拓周期: T 0 = 1 / Δ f T_0=1/Δf T0=1/Δf

若对 X ( j ω ) X(jω) X(jω)在频域以频率间隔 Δ f Δf Δf进行采样,采样点数为 N N N,则对应的时域信号会被周期延拓,延拓周期 T 0 = 1 / Δ f T_0=1/Δf T0=1/Δf

为了使时域延拓后的信号不发生重叠,原始时域信号x(t)必须是时限信号

设原始时域信号 x ( t ) x(t) x(t)的持续时间为 T T T,为避免时域延拓重叠,需选择频域采样间隔 Δ f ≤ 1 / T Δf≤1/T Δf≤1/T,即延拓周期 T 0 = 1 / Δ f ≥ T T₀=1/Δf≥T T0=1/Δf≥T

频域采样点数N与采样间隔Δf的关系: N = f s / Δ f N=f_s/Δf N=fs/Δf

DFT的频率范围

DFT 的频谱范围由采样频率 f s f_s fs决定

  • 实际覆盖 0 ∼ f s / 2 0∼f_s/2 0∼fs/2(正频率范围)
    -> 所能分辨的最高频率 : f s / 2 f_s/2 fs/2
  • 但频率索引对应 0 ∼ f s 0∼f_s 0∼fs(含负频率混叠)

时域与频域采样的对偶关系

对比维度 时域采样 频域采样
操作对象 连续时域信号x(t) 连续频域信号X(jω)
核心定理 奈奎斯特定理:fₛ>2fₕ(避免频域重叠) 频域采样定理:T₀≥T(避免时域重叠)
结果影响 频域周期性延拓 时域周期性延拓
失真类型 混叠失真(频域重叠) 时域重叠失真
  1. 时域采样关注"避免频域混叠",核心是采样频率大于2倍最高截止频率

  2. 频域采样关注"避免时域重叠",核心是延拓周期大于原始时域信号的持续时间

  3. 两者通过傅里叶变换对偶性关联,共同构成离散信号处理的基础(如DFT、FFT的理论前提)

例题



相关推荐
灵感__idea1 天前
Hello 算法:众里寻她千“百度”
前端·javascript·算法
Wect2 天前
LeetCode 130. 被围绕的区域:两种解法详解(BFS/DFS)
前端·算法·typescript
NAGNIP2 天前
一文搞懂深度学习中的通用逼近定理!
人工智能·算法·面试
颜酱2 天前
单调栈:从模板到实战
javascript·后端·算法
CoovallyAIHub3 天前
仿生学突破:SILD模型如何让无人机在电力线迷宫中发现“隐形威胁”
深度学习·算法·计算机视觉
CoovallyAIHub3 天前
从春晚机器人到零样本革命:YOLO26-Pose姿态估计实战指南
深度学习·算法·计算机视觉
CoovallyAIHub3 天前
Le-DETR:省80%预训练数据,这个实时检测Transformer刷新SOTA|Georgia Tech & 北交大
深度学习·算法·计算机视觉
CoovallyAIHub3 天前
强化学习凭什么比监督学习更聪明?RL的“聪明”并非来自算法,而是因为它学会了“挑食”
深度学习·算法·计算机视觉
CoovallyAIHub3 天前
YOLO-IOD深度解析:打破实时增量目标检测的三重知识冲突
深度学习·算法·计算机视觉
NAGNIP3 天前
轻松搞懂全连接神经网络结构!
人工智能·算法·面试