抽样定理和取样定理-采样定理句话

理想取样 vs 实际取样

在讨论取样定理时，我们常假设采用理想取样函数。理想取样函数 $s(t)$ 的频谱在 $pm f_s/2$ 处为矩形，傅里叶级数系数为 $1$。

实际取样与频谱展宽

实际信号采样后，通常通过一个幅度为 1、宽度为 $1/f_s$ 的低通滤波器得到离散序列 $x[n] = x(t_s n)$。

关键发现：

1.如果原始信号是等间隔采样，那么经过低通滤波器后，其频谱不再是周期性的，而是一个连续的矩形脉冲。

2.这个矩形脉冲的幅度变为 $f_s$，而宽度变为 $1/f_s$。

3.这意味着，经过取样过程（特别是低通滤波）后，信号频谱发生了展宽。原本在采样率范围外的频谱分量，现在都“渗”进了采样率以下的频段。

举例说明：避免混叠的必要性

假设有一个高频信号，其频率正好位于采样率的一半，即 $f_{signal} = f_s/2$。

如果不进行抽样（即不采样），这个信号是存在的。

如果我们进行了理想取样，根据取样定理，频率为 $f_s/2$ 的信号应该被完全滤除（因为理想滤波器截止频率通常为 $f_s/2$），不会出现在输出中。

在实际工程中，如果我们在取样之后直接去滤波器，而不采用插值或近似方法，那么频率恰好为 $f_s/2$ 的信号分量，会因为频谱展宽而被保留，甚至都可能混叠到其他频率成分中。

这一现象说明了什么？

说明信号不能简单地离散化后直接用于计算。

说明我们必须在信号离散化和滤波器设计之间找到一个平衡点。

说明单纯依赖“理论上的无失真”是不够的，必须考虑工程上的可实现性。

内插的原理与插值方法

为什么需要取样定理？

因为从 $x(t)$ 到 $x[n]$ 是从“线”到“点”的跳跃，这种突变会导致波形出现阶梯状或锯齿状畸变。

为了还原真正的 $x(t)$，我们需要 $x[n]$ 的序列能够无限逼近 $x(t)$ 的曲线。

这就需要一种基于 $x[n]$ 的插值方法，即取样定理（在信号处理语境下常称为内插定理或重采样定理）。

这种逼近的本质是利用 $x[n]$ 的周期性或稀疏性，推导出 $x(t)$ 的连续性。

多项式插值法

对于均匀采样点，最常用的方法是拉格朗日插值或牛顿差分公式。

具体而言，如果在某两点 $n$ 和 $n+1$ 之间搭建一个弦（线性插值），那么该点处的信号值 $x[n+0.5]$ 可以通过线性方程组解出。

这种方法能保持信号是线性的，但对于非线性信号（如正弦波），线性插值无法保证在 $t=0$ 或 $t=T$ 处回到初始值，从而产生相位偏差。

非线性插值法

对于更复杂的波形，如正弦波，我们需要使用正弦插值法或余弦插值法。

其核心思想是：认为在两个采样点 $t_1, t_2$ 之间的信号是平滑的二次函数（局部抛物线）。

通过最小二乘法或一阶二次展开，我们可以计算出 $x[n+0.5]$ 的值，使得函数在采样点处的导数（斜率）与 $x[n]$ 处的导数保持一致。

以正弦波为例

假设两个采样点 $x_1 = sin(omega t_1)$ 和 $x_2 = sin(omega t_2)$。

我们假设中间点是 $x_{0.5} = sin(omega(t_1 + t_2)/2 + Delta)$，其中 $Delta$ 是相位偏移。

为了使插值后的波形与真实正弦波在采样点处的斜率匹配，必须解出 $Delta$。

通常，简单的内插会导致高频噪声，而复杂的内插（如最小均方误差）能显著降低高频噪声，提高重建质量。

从采样到码率控制的流程

在实际的音频、视频和数据通信中，抽样定理的应用通常紧接着就进入了数据压缩环节。

1.采样（Sampling）：以获得足够的数据密度，防止混叠。

2.量化（Quantization）：将连续幅值映射为有限个离散值（例如 8 位 PCM）。这是引入误差的来源。

3.编码（Coding）：将量化后的数据转换为二进制比特流。

抽样定理的隐含影响

如果采样率过低，即使进行了完美的量化，由于混叠效应，原始信息已经丢失，后续编码也无法挽救，因为彻底的信息已不可逆。

因此，抽样定理是数据压缩的前置条件。它决定了压缩数据的基础信息量。

举例：MP3 编码

在 MP3 编码过程中，首先进行高频数据的抽样。

如果使用过低的抽样率（例如 12kHz），虽然压缩效果好（码率低），但听感上会有明显的失真，因为高频信息因为混叠而丢失了。

如果使用过高的抽样率（例如 44.1kHz），虽然听感更清晰，但数据量巨大，压缩效率低。

工程师需要在两者之间找到最佳平衡点，这直接依赖于对抽样定理的理解。

抗混叠滤波的作用

在信号链路的起点

在设计数字滤波器或 ADC（模数转换器）前，必须使用抗混叠滤波器（Anti-Aliasing Filter）。

这个滤波器的作用是带宽限制，将信号频谱中的高频分量彻底滤除，使其不混叠到采样率以下的频段。

根据取样定理，理想的抗混叠滤波器截止频率应略低于 $f_s/2$（例如 $0.85 f_s$），并实现理想的矩形切比雪夫斯基响应。

实际设计中的权衡

由于理想低通滤波器在通带内幅度响应不平坦，在阻带内波纹较大，很难实现。

因此，实际设计中通常采用 FIR 或 IIR 滤波器，通过折衷来近似理想响应。

如果滤波器设计过于激进（截止频率过低），会导致通带衰减过大，信号失真；如果过于宽容，则无法有效抑制混叠。

鲁棒性设计

为了应对电网频率波动或器件参数漂移，现代系统会设计带有“容差带”的滤波器。

即允许 $f_{pass}$ 上下浮动一个范围，只要保证 $f_{pass}$ 始终满足 $f_s/2$ 的抽样定理条件即可。

从理想采样到混合采样的挑战

随着嵌入式设备的发展，完全理想的连续时间信号采样变得越来越困难。

通常采用混合采样技术，即同时采样模拟信号和数字信号。

在这种情况下，必须更严格地应用抽样定理来确保模拟部分不会引入混叠干扰到数字部分。

超采样技术（Super Sampling）

为了应对量化噪声，可以采用超采样技术。

通过提高采样率（例如从 44.1kHz 提高到 192kHz），并将信号进行插值，可以将量化噪声的带宽扩展至奈奎斯特频率范围。

这样，通过滤波即可将这些噪声完全滤除，从而显著提高信噪比（SNR）。

这再次验证了抽样定理的普适性：只要采样率足够高，就能通过技术手段改善质量。

深度学习与 AI 的信号处理

近年来，深度学习在信号恢复领域取得了巨大成功。

尽管 AI 方法理论上可以超越传统的 FIR 滤波器，但其底层逻辑依然离不开对信号采样特性的建模。

许多深度学习模型（如 Pre-trained ResNet）实际上是带有采样过程的卷积网络。

这意味着，它们在处理数据时，实际上是在应用某种形式的“取样定理”来提取特征，只是实现方式更加复杂。

这就是抽样定理与取样定理的永恒魅力。