数字信号处理Python示例（2-3）奈奎斯特采样与时域混叠

---

前言

本文首先介绍并解释了奈奎斯特采样定理，然后给出Python仿真代码，演示了违反奈奎斯特采样定理导致的时域混叠现象。

---

一、奈奎斯特采样定理

奈奎斯特采样定理（Nyquist Sampling Theorem），也称为香农采样定理（Shannon Sampling Theorem），是信号处理中的一个基本原理。它说明了为了能够从其采样值完全恢复一个连续时间信号，采样频率必须满足一定的条件。

奈奎斯特采样定理的数学表述如下：

如果一个连续时间信号x(t) 是带限的，即它的最高频率成分不超过fmax，那么要能够从采样信号中完全无失真地恢复 x(t)，采样频率 fs 必须满足以下条件：

fs ≥ 2fmax

其中，fs是采样频率， fmax是信号的最高频率成分。

换句话说，采样频率必须是信号最高频率的两倍以上，这样才能避免混叠现象（aliasing），即不同频率的信号在采样后具有相同的样本值，导致无法区分。

以下是对奈奎斯特采样定理的几个关键点的解释：

（1）带限信号：一个带限信号是指其傅里叶变换（或频谱）在某个特定频率以上为零。这意味着信号不包含高于该频率的频率成分。

（2）无失真恢复：如果采样频率满足奈奎斯特定理，那么可以通过低通滤波器从采样值中无失真地重建原始连续时间信号。

（3）混叠现象：如果采样频率低于奈奎斯特率，那么信号中高于fs/2 的频率成分会“折叠”回0≤f<fs/2 的频率范围内，导致混叠现象。

（4）实际应用：在实际应用中，通常会在采样之前使用抗混叠滤波器来确保信号的最高频率不超过fs/2。

奈奎斯特采样定理是数字信号处理和通信系统设计中的一个核心概念，它确保了数字系统可以准确地表示和处理模拟信号。

二、在时域中演示混叠的Python仿真

根据奈奎斯特采样定理，若fs ≥ 2fmax，将可以从采样信号中完全无失真地恢复连续时间信号 x(t)。反之，若fs ＜ 2fmax，导致混叠现象。以下的Python仿真将在时域演示这一情况。