时域离散信号的产生

时域离散信号的产生

1.单位抽样信号$\delta (n)$

生成$\delta (n)$：

n = -10:10;              
delta = zeros(size(n));  % 创建一个与时间索引相同大小的零向量
delta(n == 0) = 1;       % 将delta函数的第一个元素设置为1
stem(n,delta,"filled");
axis([-10,10,-1,2]);
grid on;

生成$\delta (n+m)$

n = -10:10;  
num_samples = 4;                        % 要生成的单位抽样序列的数量
delta = zeros(num_samples, length(n));  % 创建一个2D矩阵，每行包含一个单位抽样序列
delta(1, n == 0) = 1;
delta(2, n == 1) = 1;
delta(3, n == 2) = 1;
delta(4, n == -1) = 1;

% 绘制多个单位抽样序列
figure('color','white');
for count=1:num_samples
    subplot(2,2,count);
    stem(n,delta(count,:),"filled");
    title(['\delta_', num2str(count), '(n)']);
    axis([-10, 10, -1, 2]);
    grid on;
end

2.单位阶跃序列$u(n)$

生成$u(n)$

n = -10:10;  
u = zeros(size(n));  % 创建一个与时间索引相同大小的零向量
u(n >= 0) = 1;       % 将u函数的非负时间索引的值设置为1
stem(n,u,"filled");
axis([-10,10,-1,2]);
stem(n,u,"filled");

生成$u(n+m)$

n = -10:10;  
u1 = zeros(size(n));  
u2 = zeros(size(n));
u3 = zeros(size(n));

u1(n >= 0) = 1;       
u2(n >= 3) = 1;
u3(n >= -2) = 1;

figure('color','white');

subplot(311)
stem(n,u1,"filled");
axis([-10,10,-1,2]);

subplot(312)
stem(n,u2,"filled");
axis([-10,10,-1,2]);

subplot(313)
stem(n,u3,"filled");
axis([-10,10,-1,2]);

3.实指数序列

生成$a^n$

n = -5:5;  
a = 2;b = 0.5;
x1 = a.^(n);
x2 = b.^(n);
figure('color','w');
subplot(121)
stem(n,x1,"filled");
title('2^{n}');
subplot(122)
stem(n,x2,"filled");
title('0.5^{n}');

生成$a^{n}u(n)$

n = -5:5;  
a = 2;b = 0.5;
u=zeros(size(n));
u(n>=0)=1;
x1 = a.^(n).*u;
x2 = b.^(n).*u;
figure('color','w');
subplot(121)
stem(n,x1,"filled");
title('2^{n}u(n)');
subplot(122)
stem(n,x2,"filled");
title('0.5^{n}u(n)');

4. 复指数信号

$x(n)=e^{(\sigma +j\omega )n}=cos(\sigma n)+jsin(\omega n)$

n = -10:100;  % 生成时间索引
sigma = 0.05;  % 实部的σ值
omega = 0.6;  % 虚部的ω值

x = exp((sigma + 1i * omega) * n);

figure('color', 'w')
subplot(2, 1, 1);
stem(n, real(x), 'filled');
title('实部');

subplot(2, 1, 2);
stem(n, imag(x), 'filled');
title('虚部');

5. 余弦信号$Acos(\omega n+\phi )$t

奈奎斯特采样定律（Nyquist Sampling Theorem）

阐述了在对连续信号进行离散采样时，必须以不小于信号的最高频率的两倍的采样率来进行采样，以便完整地还原原始信号。奈奎斯特采样定律通常用数学公式表示如下：

如果连续信号的最高频率成分为$(F_{\text{max}})$，那么采样频率 $(F_{\text{s}})$ 必须满足以下条件：

$$F_{\text{s}}\ge 2\cdot F_{\text{max}}$$

这个条件确保了在离散采样中不会丢失信号的信息，以便在后续的重建中完整还原原始信号。如果采样频率低于 $2F_{\text{max}}$，那么就会发生混叠现象，信号的高频成分会折叠到采样频率以下的频率范围内，导致信息丢失。
采样公式，对于余弦函数为例，可以表示为：

$$x_{Sample}(n)=x_c(n{T}_{Sample})=Acos({\omega }_{c}n{T}_{Sample}+\phi )$$

生成采样信号

t = -10:0.001:10;  % 连续时间范围
n = -10:10;
A = 7;
omega_c = 1;
T_c = (2 * pi )/ omega_c;
F_c = 1 / T_c;
phi = 0;

% 连续信号
xt = A * cos(omega_c * t + phi);

% 采样信号1
F_s1 = 2 * F_c+1    ; % F_s1 > 2 * F_c;
T_s1 = 1 / F_s1;
xn1 = A * cos(omega_c * n * T_s1 + phi);

% 采样信号2
F_s2 = 1.2* F_c    ; % F_s2 < 2 * F_c
T_s2 = 1 / F_s2;
xn2 = A * cos(omega_c * n * T_s2 + phi);

subplot(311)
plot(t, xt);
% 使用 line 函数绘制 x 轴的直线
line([min(t), max(t)], [0, 0], 'Color', 'k', 'LineStyle', '-');
subplot(312)
stem(n, xn1);
subplot(313)
stem(n, xn2);

6. 矩形窗函数

n=-10:10;
x=square(n);
stem(n,x);
axis([-10,10,-2,2]);

包络函数$Sa(n)$

n=-20:20;
x=sinc(n/3);
stem(n,x);
axis([-20,20,-0.5,1.5]);