一、采样频率到底是选择2倍还是10倍？让我用python来给你展示

一、什么是采样频率？

  采样频率，也称为采样速度或者采样率，定义了单位时间内从连续信号中提取并组成离散信号的采样个数，它用赫兹（Hz）来表示。采样频率的倒数是采样周期或者叫作采样时间，它是采样之间的时间间隔。通俗的讲采样频率是指计算机单位时间内能够采集多少个信号样本。

二、什么是采样定理？

  所谓采样定理 ，又称香农采样定理，奈奎斯特采样定理，是信号处理学科中的一个重要基本结论。
  采样定理指出，只有采样频率高于信号带宽的两倍，原来的连续信号才可以从采样样本中完全重建出来。采样频率的一半（即奈奎斯特频率）低于信号带宽，那么此时这些离散的采样点就会导致混叠现象。
  如果信号的带宽是100Hz，那么为了避免混叠现象采样频率必须大于200Hz。换句话说就是采样频率必须至少是信号中最大频率分量频率的两倍，否则就不能从信号采样中恢复原始信号。
  关于采样定理如何理解，已有不少大神进行了讲解，这里不再细说。可以查看如何理解 Nyquist 采样定理？，当然还是建议有能力的同学，深入理解一下时域卷积公式及其变换到频域后的特点，就一目了然了。如果大家认为有必要讲解，可以留言回复，我可以从理论上给大家推导一下。

三、采样率究竟应该定？

  数字测量应用所需的采用率为多少？一些工程师对于 Nyquist 理论深信不疑，并且认为只要采样率是示波器带宽的 2 倍便足矣。而其他工程师则不相信建立于 Nyquist 标准的数字滤波技术，更愿意使用采样率为带宽技术指标 10 至 20 倍的示波器。实际情况介于二者之间。

四、让python来看看采样率问题

  下面我们分别用不同倍数采样率，对同一个周期内的信号进行采集，分析采集后数据的功率（即曲线下方的面积）。对于正弦信号$\mathrm{x}=cos(2\pi ft)$，其在一个周期内的面积积分（即能量）为：
$$4\times {\int }_0^{\frac{1}{4f}}\cos (2\pi ft)d_t=\frac{1}{2\pi f}\sin (2\pi ft){|}_0^{\frac{1}{4f}}=\frac{2}{\pi f}\text{\hspace{1em}(4.1)}$$
  令采样频率$f_s=Nf$，则各采样时间为$t=\frac{n}{Nf}(其中：n=1,2,3\dots N)$。带入到式（4.1）中，则需求解的是离散信号$\cos (2\pi f\frac{n}{N})(其中：n=1,2,3\dots N)$包围的面积。

# 导入模块
import matplotlib.pyplot as plt
import numpy as np
# 设定采样倍数
N = np.arange(2, 50, 1)
# 令待计算信号的频率为10Hz
f = 10
# 计算离散曲线下方面积
aera = []
for _N in N:
    n = np.arange(_N) + 1
    _aera = []
    # 摒除初始相位带来的误差
    for i in range(20):
        sig = np.abs(np.cos(2*np.pi*n /_N + 2*np.pi*i/20))
        _aera.append(np.trapz(sig, dx=1/(_N*f)))
    aera.append(np.mean(_aera))
error = (np.array(aera) - 2/(f * np.pi))/(2/(f * np.pi))*100
plt.plot(N, error)
plt.xlabel("f_s/f")
plt.show()

图4.1 不同采样倍数下的能量误差

五、结论

  由以上分析可知，一般来说，如果只关心信号的频率组成，遵循采样定理即可；如果关心信号的幅值，那么，采样频率应大于10倍的信号频率（只有10%的误差）才不会引起明显的幅值失真。