通信系统与信号分析(4) -

通信系统与信号分析(4)

假设信号被周期性采样(例如每 Ts 秒采样一次),我们能否从采样点 x(0)、x(Ts)、x(2Ts)、x(3Ts) ,...? 中重建原始信号 x(t)?需要多少个采样点才足够?

答案:一个带限信号可通过以固定时间间隔间隔采集的采样点唯一地确定。

但是前提条件是必须满足奈奎斯特采样定理:

\[\mathrm{T_s\leqslant\frac{1}{2W}~[Seconds]\Rightarrow f_s=\frac{1}{T_s}\geqslant2W~[Samples/Second]} \]

  • 采样时间间隔:\(T_s \le \frac{1}{2W}\) (秒)
  • 采样频率:\(f_s = \frac{1}{T_s} \ge 2W\) (样本/秒)

含义:只要采样频率 \(f_s\) 大于或等于信号最高频率 \(W\) 的 2倍,这个连续信号就能被这些离散采样值唯一确定(即可以无失真恢复)。


证明过程(请注意,采样操作可表示为乘积形式):

\[\mathrm{x_s~(t)=x~(t)~s~(t)} \]

其中 s(t) 是一个由极窄脉冲组成的脉冲序列,该脉冲序列称为采样信号。

\[\mathrm{s}\left(\mathrm{t}\right)=\sum_{\mathrm{k}=-\infty}^\infty\mathrm{p}\left(\mathrm{t}-\mathrm{k}\mathrm{T}_\mathrm{s}\right),\mathrm{x_s\left(t\right)=x\left(t\right)\sum_{k=-\infty}^\infty p\left(t-kT_s\right)} \]

s(t)这里代表其是一个周期信号,只要是周期信号,那就能用于采样,无论这个周期信号图像形状如何(虽然我们喜欢计算简单的冲激函数)

如果我们选择的采样频率足够快,那么就能无限接近真实的图像。


\(f_s\) 与开关符号:表示采样过程,就像是一个电子开关每隔一段时间闭合一次。\(f_s\) 是采样频率,对应的 \(T_s = 1/f_s\) 。

\(x_s(t) \approx \sum_{k=-\infty}^{\infty} x(kT_s) p(t-kT_s)\):这是采样信号的数学表达。意思是采样后的信号由无数个脉冲组成,每个脉冲出现在 \(kT_s\) 时刻,其幅度等于原信号在该时刻的值 \(x(kT_s)\)。

\(p(t)\) 与 \(\tau << 1\):\(p(t)\) 代表一个极窄的单脉冲(图中画成细高的矩形),\(\tau\) 是脉冲宽度。\(\tau << 1\) 表示脉冲宽度极窄,趋近于 0。这在物理上对应“实际采样”(窄脉冲采样),当 \(\tau \to 0\) 时,它就逼近了“理想采样”(冲激函数)。

\(s(t) = \sum_{k=-\infty}^{\infty} p(t-kT_s)\):\(s(t)\) 是由无数个 \(p(t)\) 按 \(T_s\) 间隔平移叠加而成的,称为周期冲激串(或狄拉克梳状函数)。最下方的波形图直观画出了 \(s(t)\) 在 \(T_s, 2T_s, 3T_s...\) 等时刻的等间隔脉冲。


将采样函数 \(s(t)\) 展开为傅里叶级数

\(s(t) = \sum_{n=-\infty}^{\infty} s_n e^{j2\pi \frac{n}{T_s} t}\)

既然采样信号 \(x_s(t) = x(t) \cdot s(t)\),将级数代入

\[x_s(t) = x(t) \sum_{n=-\infty}^{\infty} s_n e^{j 2\pi n f_s t} = \sum_{n=-\infty}^{\infty} s_n \left[ x(t) e^{j 2\pi (n f_s) t} \right] \]

其中 \(f_s = \frac{1}{T_s}\) 是采样频率。

在时域中给信号乘以 \(e^{j 2\pi f_0 t}\),对应于在频域中将频谱整体平移 \(f_0\)。

即:\(\mathcal{F}\{ x(t) e^{j 2\pi f_0 t} \} = X(f - f_0)\)。

对上面的求和式逐项求傅里叶变换,每一项 \(x(t)e^{j 2\pi n f_s t}\) 就变成了 \(X(f - n f_s)\)。

最后结果如下:

\[X_s(f)=\sum_{n=-\infty}^\infty s_nX(f-nf_s) \]

其中采样频率fs就是1/Ts

Sn就是展开式中第n次谐波对应的权重(系数)。 “where Sn are constants independent of time”,意思是这些系数只是数字,不随时间t变化,决定了各个频率成分的大小。

现在,我们展开频域中的表达式:

\[\text{公式 }X_s(f)=\cdots+s_{-1}X(f+f_s)+s_0X(f)+s_1X(f-f_s)+\ldots\text{是上一步 }X_s(f)=\sum s_nX(f-nf_s)\text{ 的展开写法。} \]

\[s_0X(f)\text{:当 }n=0\text{ 时,对应原始信号频谱 }X(f)\text{,只是幅度被系数 }s_0\text{ 缩放 }(\text{理想采样中 }s_0=1/T_s) \]

S0X叫做original signal。其他项称作混叠干扰(aliasing interference)


系数 \(s_n\) 的计算公式是:

\[s_n = \frac{1}{T_s} \int_{-T_s/2}^{T_s/2} s(t) e^{-j2\pi n f_s t} dt \]

其实本来是可以任意周期信号

\[p_n = \frac{1}{T_s}\int_{-T_s/2}^{T_s/2} p(t) e^{-jn2\pi f_s t}dt \]

但是如果n变大,Pn会越来越小,不方便研究,所以我们习惯使用理想冲激采样。

在一个周期 \([-T_s/2, T_s/2]\) 里只有 \(t=0\) 处的一个 \(\delta(t)\),代入积分得:

\[s_n = \frac{1}{T_s} \cdot e^{0} = \frac{1}{T_s} = f_s \]

这就意味着所有的sn系数均为fs,非常美观🐶


现在通过一个滤波器就能分离出原始信号。前提是信号之间没有任何干扰。

如上图所示,如果X(f)没有与X(f-fs)产生干扰,那么我们就能分离出来原始信号,很容易得到关系式:

fs-W大于等于W,所以采样频率必须大于信号最高频率的两倍。

此时由于fs小于2W,信号产生重叠,就完全恢复不了了。

这里就是一个复原信号的完整过程,最后得到的信号通过一个低通滤波器就能复原出原始信号

其中,如果s(t)是矩形脉冲序列(rec函数),那么采样信号 xs(t) 被称为自然采样信号。


理想采样信号 \(s_\delta(t)\)

公式:\(s_\delta(t) = \sum_{k=-\infty}^{\infty} \delta(t - kT_s)\)

含义:这是一个周期为 \(T_s\)的理想冲激串(也叫狄拉克梳状函数)。每个 \(t = kT_s\) 时刻有一个冲激,冲激强度(积分)为 1。

理想采样信号 \(x_\delta(t)\)

公式:\(x_\delta(t) = x(t) \sum_{k=-\infty}^{\infty} \delta(t - kT_s) = \sum_{k=-\infty}^{\infty} x(kT_s) \delta(t - kT_s)\)

关键等式推导:根据冲激函数的筛选性质,\(x(t)\delta(t - kT_s) = x(kT_s)\delta(t - kT_s)\)。相乘后,时域上只保留了 \(t=kT_s\) 瞬间的幅度 \(x(kT_s)\),其余时间全为 0。这就是理想采样的结果(一串带权重的冲激)

\(s_\delta(t)\) 是周期信号,展开为复傅里叶级数:

\[s_\delta(t) = \sum_{k=-\infty}^{\infty} \frac{1}{T_s} e^{j 2\pi k f_s t} \]

其频谱为:\(S_\delta(f) = \frac{1}{T_s} \sum_{k=-\infty}^{\infty} \delta(f - kf_s)\)

最终采样频谱:

\[X_\delta(f)=X(f)*S_\delta(f)=\frac{1}{T_s}\sum_{k=-\infty}^\infty X(f-kf_s)\text{(时域相乘,频域卷积)} \]

现在返回到时域:

\[\mathrm{s_{\delta}\left(t\right)=\sum_{k=-\infty}^{\infty}\delta\left(t-kT_{s}\right)=\sum_{k=-\infty}^{\infty}s_{n}~e^{j2\pi\frac{n}{T_{s}}t}=\sum_{k=-\infty}^{\infty}\frac{1}{T_{s}}~e^{j2\pi\frac{n}{T_{s}}t}}\text{,这里就是之前提到过的,}sn\text{的系数全部为}1/Ts \]

\[\mathrm{x_\delta\left(t\right)=f_s\sum_{n=-\infty}^\infty x\left(t\right)e^{j2\pi\frac{n}{T_s}t}}\Rightarrow\mathrm{~X_\delta\left(f\right)=f_s\sum_{n=-\infty}^\infty X\left(f-nf_s\right)} \]


脉冲幅度调制(平顶采样PAM),指采样得到的脉冲顶部保持为平坦的固定电平,不会随输入信号变化。


脉冲幅度调制与自然采样的对比 Pulse Amplitude Modulation versus Natural Sampling

这里的脉冲幅度调制(PAM)x内为nTs,这就意味着一旦在 nTs​ 时刻取到值,整个脉宽 \(\tau\) 内这个高度不再变化,像电容充电后保持(零阶保持)。所以输出是矩形平顶。

而自然采样中x内为一段连读的时间,在脉冲宽度 \(\tau\) 内,开关自然闭合,原信号怎么变,脉冲顶部就怎么变。它相当于用矩形窗 \(p(t)\) 直接“切”原信号,所以顶部完美贴合曲线,跟着时间走。

这个公式的含义就是:在每个采样周期里,\(x(t)\) 只会在脉冲 \(p(t-nT_s)\) 非零的 \(\tau\) 宽度时间内“露出来”,其他时间被 \(p(\cdot)\) 的0挡住,所以每个脉冲段内的 \(x\) 就是原信号在该 \(\tau\) 区间的真实连续值,自然就跟着原信号走了。


PAM 信号的频谱

有时域的公式:

\[x_{\mathrm{PAM}}\left(t\right)=\sum_{n=-\infty}^\infty x\left(nT_s\right)p\left(t-nT_s\right) \]

我们知道一个时域的函数卷积一个冲激函数,得到的是时域函数本身的时移。

\[substitute:p(t)\otimes\delta(t-nT_s)=p(t-nT_s) \]

我们将P(t-nTs)就可以视作P(t)乘上一个周期为Ts理想冲激函数,又因为理想的冲激函数只在nTs上存在值,所以又可以改写为$$x_\delta(t)$$,这就是理想冲激采样后的信号。

\[\begin{align*} x_{PAM}(t) &= \sum_{n=-\infty}^\infty x(nT_s) \cdot \left[p(t) \circledast \delta(t-nT_s)\right] \\ &= p(t) \circledast \sum_{n=-\infty}^\infty x(nT_s) \cdot \delta(t-nT_s) \quad \text{// 卷积分配律:公共因子 }p(t)\text{ 可以整体提出来} \\ &= p(t) \circledast \underbrace{\sum_{n=-\infty}^\infty x(nT_s)\delta(t-nT_s)}_{x_\delta(t)} \\ &= \boldsymbol{p(t) \circledast x_\delta(t)} \end{align*}\]

由于时域卷积计算,所以频域就相乘:

\[\mathrm{X_{PAM}\left(f\right)=P\left(f\right)X_\delta\left(f\right)=P\left(f\right)f_s\sum_{n=-\infty}^\infty X\left(f-nf_s\right)} \]

例子图像如下:


PAM信号的复原:

理想采样 → 低通恢复(第一行)

  • 输入:\(\sum x(nT_s)\delta(t-nT_s)\),即理想冲激采样信号 \(x_\delta(t)\)。
  • 处理:方框内是低通滤波器(低通滤波本质也是进行卷积操作)。
  • 输出:\(x(t)\)。
  • 含义:理想采样后,只要满足奈奎斯特准则,直接通过低通滤波就能完美恢复原信号。频域上看,就是截取 \(X_\delta(f)\) 的基带。

平顶PAM的构成(第二行)

  • 输入:\(\sum x(nT_s)p(t-nT_s)\),这是用矩形脉冲 \(p(t)\) 替代冲激后的信号,也就是平顶PAM信号 \(x_{PAM}(t)\)。
  • 处理:同样是滤波/卷积操作。
  • 输出:\(x(t) * p(t)\)。
  • 含义:这里其实在表达时域卷积关系。理想冲激串 \(x_\delta(t)\) 与矩形脉冲 \(p(t)\) 卷积,就得到平顶PAM:

频域补偿:平顶 → 理想(第三行)

  • 输入:平顶PAM信号。
  • 处理:除以 \(P(f)\)(频域操作)。
  • 输出:变回理想冲激串 \(\sum x(nT_s)\delta(t-nT_s)\)。
  • 含义:因为平顶PAM频域多乘了 \(P(f)\)(sinc包络),所以除以 \(P(f)\) 就能抵消孔径效应,把平顶信号“还原”成理想冲激采样,为后续低通恢复做准备。

\[\mathrm{X_{PAM}(f)=P(f)X_\delta(f)} \]

PAM完整恢复流程(第四行,核心总结)

  • 输入:\(x_{PAM}(t)\)。
  • 处理:先经过 \(\frac{1}{P(f)}\)(孔径校正/补偿滤波器),再经过低通滤波器(波形图标)。
  • 输出:\(x(t)\)。

这里就是在处理sinc衰减:

矩形脉冲 \(p(t)\) 的傅里叶变换正是:

\[P(f)=\tau\cdot\text{sinc}(f\tau) \]

\[X_{PAM}(f)=\tau\cdot\text{sinc}(f\tau)\cdot X_\delta(f) \]

\[\text{sinc}(f\tau) = \frac{\sin(\pi f \tau)}{\pi f \tau} \]

如果fτ的值非常大,那么sinc(fτ)的值就不为1,那么就会对高频部分产生影响,

平顶的本质 = 丢失了采样点之间的信号变化信息 → 等价于滤掉了高频 → 对应sinc高频衰减


带通信号的高效采样

带通信号的频率所处太高,如果使用fs大于等于2W,那么采样率过高,硬件难以实现。

高效方法:将实带通信号 \(x(t)\) 转化为复低通信号 \(x_c(t) = x_I(t) + jx_Q(t)\),其带宽仅为 \(W/2\)。

数学表达:\(x(t) = \text{Re}\{x_c(t) e^{j2\pi f_c t}\} = x_I(t)\cos(2\pi f_c t) - x_Q(t)\sin(2\pi f_c t)\)。其中 \(x_I\)(同相)和 \(x_Q\)(正交)都是带宽仅为 \(W/2\) 的低通信号。

采样率优势:\(x_I, x_Q\) 带宽为 \(W/2\),各自最低按 \(W\) 采样(复数采样率 \(W\)),合起来等效于实采样率 \(2W\),远低于 \(2f_{max}\)。

核心结论:通过频移(下变频),带通信号只需 \(2W\) 实采样/秒即可完整表征,这就是带通采样的本质(注:特定条件下带通采样率还可更低,但I/Q法最稳健)。

简单理解:带通信号可以通过IQ调制,使其变成两个在时域上的低频复信号,因为这两半信号共轭对称,所以我们可以仅仅只研究一边,另外一边使用低通滤波器进行过滤;研究正半轴的那一边信号(时域复信号,频域不对称),通过采样信号得到不同的副本

由于这里是研究的复信号,所以此时的采样频率fs大于等于复基带信号带宽,如果将其复原为原信号(只有正数部分,不存在虚数部分),那么采样频率fs需要大于等于复基带信号带宽的两倍。因子 2 = 实信号有正负对称双份谱,复信号砍掉了负半边只剩单份 → 复采样率减半,但每个样本是双实数,抵消后总实数率仍相同。

posted @ 2026-10-21 23:39  narilove  阅读(27)  评论(0)    收藏  举报