采样过程涉及将连续时间信号转换为离散时间序列,这一转换是模拟信号数字化的关键步骤之一。在模拟信号的领域,信号的幅度是在整个时间轴上连续定义的,允许在任何给定时刻进行测量或表示。另一转换模拟信号的办法就是量化(我们后面在介绍)。在数字域内,信号的时间维度被离散化为一系列特定的瞬间,这些瞬间由固定的采样周期所分隔。采样周期与采样频率之间存在一个反比关系,可以通过以下公式明确表达:
1. 采样率选择
采样率是信号处理中的一个基本概念,它指的是在单位时间内对连续信号进行采样的次数。简单来说,就是每秒钟我们从信号中获取多少个数据点。采样率越高,每秒钟获取的数据点就越多,信号的频率信息就越丰富,我们对信号的了解也就越详细。我给出一个极端的案例来以便更好地理解采样率。
import numpy as np
import matplotlib.pyplot as plt
# 定义信号参数
frequency = 200 # 信号频率,单位Hz
sampling_rates = [1000, 500, 250, 100] # 不同的采样率,单位Hz
t_end = 1 # 总采样时间,单位秒
# 原始信号生成
t = np.linspace(0, t_end, 1000, endpoint=False) # 假设原始信号采样率为1000Hz
sin_wave = np.sin(2 * np.pi * frequency * t)
# 绘制原始信号
# 绘制不同采样率下的信号
plt.figure(figsize=(10, 8))
plt.plot(t, sin_wave)
plt.title('Original Signal')
plt.xlabel('Time [s]')
plt.ylabel('Amplitude')
plt.show()
for i, rate in enumerate(sampling_rates):
# 根据采样率生成时间数组
num_samples = int(rate * t_end)
sampled_t = np.linspace(0, t_end, num_samples, endpoint=False)
# 通过插值获取采样点的正弦波值
wave = np.interp(sampled_t, t, sin_wave)
# 绘制采样信号
plt.subplot(2, 2, i + 1) # 2行2列的子图布局
plt.plot(sampled_t, wave)
plt.title(f'Sampling Rate: {rate} Hz')
plt.xlabel('Time [s]')
plt.ylabel('Amplitude')
plt.tight_layout()
plt.show()
2. 信号频率范围术语
-
基频(Fundamental Frequency):信号中最基本的频率成分,所有其他频率都是基频的整数倍。
-
谐波(Harmonics):基频的整数倍频率。例如,如果基频是100Hz,那么200Hz、300Hz等都是其谐波。
-
频率带宽(Bandwidth):信号中所包含的频率范围,通常指的是信号中最高频率与最低频率之间的差值。
-
带宽(Bandwidth):在通信系统中,指的是可以无失真传输信号的频率范围。
-
截止频率(Cutoff Frequency):在滤波器中,指的是滤波器开始显著衰减信号的频率点。
-
低频(Low Frequency, LF):通常指的是相对较低的频率范围,但具体数值取决于上下文。
-
中频(Medium Frequency, MF):介于低频和高频之间的频率范围。
-
高频(High Frequency, HF):通常指的是相对较高的频率范围。
-
超高频(Ultra High Frequency, UHF):比高频更高的频率范围,通常用于特定的无线通信。
-
甚高频(Very High Frequency, VHF):在UHF和HF之间的频率范围,常用于电视和无线电通信。
-
特高频(Super High Frequency, SHF):比UHF更高的频率范围,常用于卫星通信和雷达系统。
-
极高频(Extremely High Frequency, EHF):比SHF更高的频率范围,用于某些军事和科研应用。
-
奈奎斯特频率(Nyquist Frequency):在数字信号处理中,是采样频率的一半,超过这个频率的信号将无法被正确采样和重建。
-
信号频率范围(Signal Frequency Range):信号中包含的所有频率成分的范围。
-
频谱(Spectrum):一个信号在频率域的表示,展示了不同频率成分的幅度或功率。
3. 奈奎斯特采样理论
如果一个连续时间信号的最大频率成分(即带宽)是B赫兹,那么为了能够从其样本完全重建原始信号,该信号必须以至少2B赫兹的速率进行采样。这个最低的采样频率被称为奈奎斯特率。如果采样率低于奈奎斯特率,就会发生混叠现象,即高频信号的样本会错误地表示为低频信号,导致原始信号无法被准确重建。
想象一下,你正在用相机拍摄一个快速移动的物体。如果你的快门速度不够快,拍摄出来的照片可能会模糊,因为物体在快门打开的那段时间内移动了。奈奎斯特采样定理就像是在告诉我们,为了捕捉到物体清晰的每一个瞬间,快门速度需要达到一定的标准。在信号处理中,这个“快门速度”就是采样率,而“物体”就是信号。
如果我们的采样率不够高,就相当于快门速度太慢,我们得到的信号样本会因为信号的快速变化而变得模糊不清。这会导致我们无法区分信号中不同频率的成分,就像是在模糊的照片中无法区分物体的细节一样。为了避免这种情况,我们需要以足够快的速率采样,这样每个瞬间的信号都能被清晰地捕捉到,从而能够准确地重建原始信号。
声明
声明:这里只对有关采样的部分知识进行了总结,读者可以自主学习降采样,欠采样,混叠等概念和相关的办法,下一次我们讲量化。讲完量化以后,直接是实战部分!!!!
如有侵权,联系作者。