在上一篇文章《你好，我叫采样，来认识一下呗！》中，我们介绍了奈奎斯特-香农定理。我们看到，当波形采样频率不能提供每个周期至少2个样本时，正弦波的频率特性就会彻底丢失。换句话说，如果我们以低于奈奎斯特速率的频率进行采样，那么将无法完美地重构正弦信号。
然而，大多数信号都不是单频正弦信号。例如，受调制的射频信号具有与载波和基带波形相关的频率，并且表示人类语音的音频信号将覆盖一定范围的频率。
我们使用傅立叶变换对信号频率进行可视化处理。在单频信号的情况下，时域图是一种表达“采样率不足的影响”的好方法，但对于其他类型的信号，我宁愿使用频域。
采样的频域效应
假设我们要对一个音频信号进行数字化处理，这个音频信号包含了一定范围内的多种不同频率的混合信号。该范围的高端被定义为fmax，我们假设范围延伸到了DC，即使我们听不到那么低的频率。这样一个信号的傅立叶变换，可能看起来是这样的：
时域的数学采样
在数学领域，理想的采样相当于原始时域波形乘以一系列增量函数，这些函数之间的间隔等于1/f(样本)，我们称之为T(样本)。在本文的其余部分，我们将使用fs表示f(样本)、使用Ts表示T(样本)。这种乘法使得采样信号在增量函数之间为零，并在
最低0.47元/天 解锁文章
1464
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
