DFT离散傅里叶

1. 奈奎斯特采样定理

奈奎斯特采样定理是信号处理中的一个核心定理，用来解释如何从离散的采样点中重建原始的连续信号。它指出，为了从离散的采样点中完全重建一个信号，采样率必须至少是信号中最高频率的两倍。

奈奎斯特频率的定义

设一个连续时间信号 $x(t)$ 含有最高频率为 $f_{\text{max}}$ 的分量。根据奈奎斯特定理，要使采样后的离散信号不产生混叠现象（也叫做折叠或别名效应），采样频率 $f_s$ 必须满足以下条件：

$$f_s\ge 2f_{\text{max}}$$

其中，$2f_{\text{max}}$ 被称为奈奎斯特频率。如果采样频率小于这个值，信号中的高频成分会在重建过程中无法正确恢复，导致混叠。

为什么会发生混叠？

混叠的现象可以理解为，当采样频率不足时，高频信号的频谱在频域内出现重叠，导致在低频区域产生“错误的频率”。这种现象在重建时会使信号失真，无法还原原始信号的所有频率成分。

简单来说，当采样点数不足时，频率空间中的信息被“折叠”到较低的频率，导致高频信息丢失并在重建时被错误地表示为低频信号。

数学推导

设一个正弦信号 $x(t)=\sin (2\pi ft)$，如果采样频率 $f_s$ 小于 $2f$，根据奈奎斯特定理，这个信号在频域内将被折叠到一个较低的频率，从而无法正确恢复。

奈奎斯特定理为我们提供了采样信号的下限，保证在离散采样后，原始信号可以被完全恢复。

一个我觉得还可以的关于奈奎斯特采样的解释

这就是Nyquist-Shannon采样定理，我们希望同时看到轮子的旋转和相位变化，**采样周期要小于整数周期的1/2，采样频率应该大于原始频率的2倍。**同理，对于模拟信号，我们希望同时看到信号的各种特性，采样频率应该大于原始模拟信号的最大频率的两倍，否则将发生混叠(相位/频率模糊)

2. 离散的时间信号与连续的频率信号

当我们处理离散的时间信号时，例如对某个信号在离散的时间点进行采样，得到的时间序列 $x(n)$ 是离散的。但是该离散时间信号通过离散傅里叶变换 (DFT) 可以表示为一个连续的频谱。这是因为傅里叶变换会将离散时间信号映射到频率域，而频率域中的频谱是连续的。

$$X(\omega )=\sum _{n=0}^{L-1}x(n)e^{-j\omega n}$$

这里的 $X(\omega )$ 是频域中一个连续的函数，描述了信号在所有频率下的幅度。

频域的采样

由于在实际的数字信号处理中，计算机只能处理有限的离散点，因此我们需要对频率域的连续信号进行采样，得到有限的频率点 $X(k)$ 来表示。采样间隔可以通过下式给出：

$$\Delta \omega =\frac{2\pi }{N}$$

这里 $N$ 是频域中的采样点数，表示在频率轴上选择的离散点的个数。最终，傅里叶变换将频域表示为离散的频率点：

$$X\left(\frac{2\pi k}{N}\right)=\sum _{n=0}^{L-1}x(n)e^{-j\frac{2\pi kn}{N}}$$

3. 频域采样与混叠现象

当频率域采样点数不足时，会在时间域产生混叠现象。混叠现象的本质是由于频率信息在采样时发生重叠，导致原始信号在时间域中重叠，无法完全恢复信号。

• 当 $N$ 足够大时，逆变换后时间域信号的周期性重复不会发生重叠，可以正确重建原始信号。
• 当 $N<L$ 时，频率域的采样点不足，时间域的信号会产生重叠，导致混叠和信息丢失。

数学表现

当采样点数不足时，时间域中的信号会呈现出周期性的重叠。例如，对于一个长度为 $L$ 的时间序列 $x(n)$，其傅里叶变换后如果只使用 $N$ 个频率点进行采样，逆傅里叶变换时时间域信号的重复间隔为 $N$。当 $N$ 小于 $L$ 时，重复部分会重叠。

$L$：表示时间域中的样本数（数据点的个数）。假设我们有一个离散时间信号 $x(n)$，其中 $n=0,1,2,...,L-1$，那么 $L$ 就是这个时间序列的总长度，也就是时间域中的采样点数。

$N$：表示频域中的样本数，也就是离散傅里叶变换（DFT）后保留的频率分量的数量。傅里叶变换后，我们可以得到 $N$ 个频率点，它们分别表示不同的频率分量。

频域中的频率分布：
采样频率 $f_s$：时间域的采样频率决定了我们在频域上能够观测到的最大频率（也就是奈奎斯特频率），这个最大频率为：

$f_{\text{Nyquist}}=f_s/2$

​

也就是说，$N$ 个频率分量分布在从 0 到 $f_{\text{Nyquist}}$ 的频率范围内。换句话说，$N$ 个频率点对应的是频率范围从 0 到奈奎斯特频率的离散频率分量。

时间域数据点 $L$ 与频域点 $N$ 的关系：在离散傅里叶变换（DFT）中，通常假设 $N=L$，即频域中的采样点数和时间域中的采样点数相同，这样可以保证时间和频率之间的对应关系是完备的。

当 $N=L$ 时，频域中每个频率点对应时间域中的一个独立采样点，能够完整表示信号中的所有频率分量。
如果 $N<L$，也就是频域中的采样点数少于时间域的采样点数，频率分量会丢失，时间域信号的某些细节将无法在频域中准确表示，导致逆变换时信号重叠或失真，这就是混叠现象的来源。

4. 双重性：时间域与频域的对称性

傅里叶变换展示了时间域与频域之间的一种对称关系，称为傅里叶双重性。

时间域离散，频域连续

当时间域信号是离散的，频域表示通常是连续的，如：

$$X(\omega )=\sum _{n=0}^{L-1}x(n)e^{-j\omega n}$$

时间域连续，频域离散

当时间域信号是周期性的或连续的，它的傅里叶变换将是离散的，即我们常见的正弦信号的频谱表示：

$$X(f)=\sum _{n=-\infty }^{\infty }X[n]\delta (f-n{f}_s)$$

时间域采样导致频域周期性

时间域的离散化会导致频域变得周期性，这意味着频谱会在频域内周期性重复。

频域采样导致时间域周期性

同样地，频域的离散化会导致时间域信号的周期性重复。这可以解释为什么当频域的采样点数不足时，时间域会出现混叠。

5. 采样数和采样间隔的影响

采样数 $N$ 和采样间隔 $\Delta \omega$ 对信号的表示有着直接的影响。采样点数不足会导致混叠现象，无法重建原始信号；而充足的采样点数则可以正确表示信号。

6. 结论

• 奈奎斯特定理指出，为了正确恢复信号，采样频率必须至少是信号中最高频率的两倍。
• 离散时间信号的傅里叶变换通常是连续的频谱，但我们只能对频率域进行离散采样。
• 频域采样点数不足会导致时间域中的混叠现象，使得信号无法正确恢复。
• 傅里叶双重性展示了时间域和频域的对称关系，时间域的离散化会导致频域的周期性，反之亦然。