feng

started from 11.28.2025

首页·个人博客

采样

C/D转换

我们真实的信号都是模拟的,连续的,而数字信号处理无法处理模拟的信号。为了能让我们对信号进行处理,我们需要对模拟信号进行采样,转化为离散的信号。
离散信号只在特定时间点上有信号,而连续信号在每一个时间点都有信号,也就是说,我的采样的信号只是真实信号的子集。那么我应该怎么采样才能保证我的信号基本信息不丢失呢?假设我的连续信号为\(x_c(t)\),我现在间隔T时间对其进行采样,那么我得到的离散信号可以写为

\[x_s[t]=\sum_{k=-\infty}^{\infty}x_c(t)\delta(t-kT)=x_c(t)\sum_{k=-\infty}^{\infty}\delta(t-kT)\]


这样得到的信号在时间上还是连续的,只是只在T的整数倍上取值。而时域相乘等于频域相卷,并且由于信号都是连续时间的,可以采用傅里叶变换进行分析.设\(x_c(t)\xleftrightarrow{F} X(j\Omega)\),现在只需要考虑\(\sum_{k=-\infty}^{\infty}\delta(t-kT)\)的傅里叶变换.
我们先规定 \(\Omega\)为连续(模拟)信号的角频率,w为数字信号的角频率.由泊松求和公式离散信号与系统

\[\sum_{k=-\infty}^{\infty}x(t+kT)=\frac{1}{T}\sum_{k=-\infty}^{\infty}X(\frac{2\pi k}{T})e^{j2\pi\frac{k}{T}t}\]

可以推出

\[\sum_{k=-\infty}^{\infty}\delta(t-kT)=\frac{1}{T}\sum_{k=-\infty}^{\infty}\hat{\delta}(\frac{2\pi k}{T})e^{j2\pi\frac{k}{T}t}\]

而

\[\hat{\delta(t)}=1\]

于是得到

\[\sum_{k=-\infty}^{\infty}\delta(t-kT)=\frac{1}{T}\sum_{k=-\infty}^{\infty}e^{j2\pi\frac{k}{T}t}\]

而\(x(t)=e^{jw_0t}\xleftrightarrow{F}X(jw)=2\pi\delta(w-w_0)\)因此对\(\sum_{k=-\infty}^{\infty}\delta(t-kT)\)做傅里叶变换得到

\[\frac{2\pi}{T}\sum_{k=-\infty}^{\infty}\delta(\Omega-\frac{2\pi k}{T})\]

于是可以得到

\[X_s(j\Omega)=\frac{1}{2\pi}X(j\Omega)\enclose{circle}{*}\frac{2\pi}{T}\sum_{k=-\infty}^{\infty}\delta(\Omega-\frac{2\pi k}{T})=\frac{1}{T}\sum_{k=-\infty}^{\infty}X(j(\Omega-\frac{2\pi k}{T}))\]

其中\(\frac{2\pi}{T}=\Omega_S\),即采样率.这个式子意味着是把原信号的频谱向左右进行搬移

Pasted image 20251118154410.png

但是这个频谱目前还是连续信号的频谱,我们现在要将其离散化,或者说把时间进行归一化,即让\(n=\frac{t}{T}\),

Pasted image 20251130135413.png

实际上就是在时域上做一个\(\frac{1}{T}\)的收缩,对\(x_s(t)\)做傅里叶变换得

\[\begin{aligned}X_{s}(j\Omega)&=\int_{-\infty}^{\infty}x_{s}(t)e^{-j\Omega t}dt=\int_{-\infty}^{\infty}\left[\sum_{n=-\infty}^{\infty}x_{c}(nT)\delta(t-nT)\right]e^{-j\Omega t}dt\\&=\sum_{n=-\infty}^{\infty}x_{c}(nT)\biggl[\int_{-\infty}^{\infty}\delta(t-nT)e^{-j\Omega t}dt\biggr]=\sum_{n=-\infty}^{\infty}x_{c}(nT)e^{-j\Omega Tn}\end{aligned}\]

再对\(x[n]\)做离散傅里叶变换得到

\[X(e^{j\omega})=\sum_{n=-\infty}^\infty x[n]e^{-j\omega n}=\sum_{n=-\infty}^\infty x_c(nT)e^{-j\omega n}\]

于是就可以建立上下的关系了

\[\boxed{X_s(j\Omega)=X(e^{j\omega})|_{\omega=\Omega T}=X(e^{j\Omega T}),w=T\Omega}\]

可以看到,得到的结果实际上是在频率上乘了一个T,即采样信号的频谱和离散信号的频谱只差一个尺度变换

Pasted image 20251130141313.png

联立两式

\[\begin{cases}X_s(j\Omega)=\frac{1}{T}\sum_{k=-\infty}^{\infty}X(j(\Omega-\frac{2\pi k}{T}))\\X_s(j\Omega)=X(e^{j\omega})|_{\omega=\Omega T}=X(e^{j\Omega T})\end{cases}\]

可以解出

\[X(e^{j\Omega T})=\frac1T\sum_{k=-\infty}^\infty X_c\left(j(\Omega-\frac{2\pi k}{T})\right)\Leftrightarrow X(e^{j\omega})=\frac1T\sum_{k=-\infty}^\infty X_c\left(j\left(\frac\omega T-\frac{2\pi k}T\right)\right)\]

上面的这一整个过程称为C/D(Continuous to discrete-time).分为两个步骤:
1.冲激串采样
2.将冲激串信号转换为离散时间信号

Pasted image 20251130141120.png

我们刚刚说到,C/D的过程是在对信号的频谱进行搬移,那么现在就可以看出,如果搬移的不够远,那么频谱就会发生重叠,就会导致信号不能被完整还原.为了避免重叠,必须满足两个条件:
1.原信号必须是带限的,否则无论搬多远都会发生重叠
2.搬移必须足够远,远过信号的带宽.
于是有

\[\Omega_s=\frac{2\pi}{T}>2\Omega_N\]

这说明我们的采样频率要大于两倍带宽,这就是奈奎斯特采样定理.

D/C转换

现在经过采样,我们把频谱进行搬移,如果我想要复原原信号,我就需要用一个理想低通滤波器把信号滤出来.但是在此之前,我需要使用同样的办法把现在的离散信号\(x[n]\)变为连续信号\(x_s(t)\).前面是做了一个T倍的收缩,那么现在就应该做一个T倍的拓展

\[x_s(t)=\sum_{n=-\infty}^\infty x[n]\delta(t-nT)\]

完成后再到频域上进行滤波

Pasted image 20251130142303.png

而这个滤波器的截止频率就是\(\Omega_c=\frac{\Omega_s}{2}=\frac{\pi}{2}\).

\[H(j\Omega)=\begin{cases}T,|\Omega|\leq\Omega_c\\0,others\end{cases}\]

实际上由于分母前还有一个\(\frac{1}{T}\),我的滤波器实际上还会有个T的增益。那我的输出信号就等于

\[x_r(t)=s_s(t)\enclose{circle}{*}h(t)=x_s[t]=(\sum_{k=-\infty}^{\infty}x_c(kT)\delta(t-kT))\enclose{circle}{*}h(t)=\sum_{k=-\infty}^{\infty}x_c(kT)h(t-kT)\]

现在问题来了,我采样得到的信号是原信号的子集,如果满足了采样定理,那么我信号的信息就没有被丢失了,但是我们应该怎么用呢?为了还原原本的信号,我们需要进行插值.我们的\(h(t)\)是个理想低通滤波器,利用反傅里叶变换,代入\(\Omega_c=\frac{\pi}{T}\)得到

\[h(t)=\frac{1}{2\pi}\int_{-\infty}^{\infty}H(j\Omega)e^{j\Omega t}d\Omega=\frac{1}{2\pi}\int_{-\Omega_c}^{\Omega_c}e^{j\Omega t}d\Omega=\frac{Tsin(\pi t/T)}{\pi t/T}\]

然后把这个结果代入

\[x_r(t)=\sum_{k=-\infty}^{\infty}x_c(kT)h(t-kT)\]

进行插值,我们就能完美还原原本的信号了.

\[x_r(t)=\sum_{n=-\infty}^\infty x[n]\frac{\sin(\pi(t-nT)/T)}{\pi(t-nT)/T}\]

Pasted image 20251130144116.png

这一整个过程就叫做D/C Converter
现在我们已经有办法能够将信号从连续信号转换为离散信号,再把离散信号还原回连续信号的方法.那我们就可以对信号进行处理了,先转到离散信号,再进行处理后还原回连续信号.

Pasted image 20251130152333.png

变采样率采样与信号处理

如果我们已经通过采样得到了\(x[n]=x_c(nT)\),现在我希望得到另一个采样率下的信号\(x_1[n]=x_c(nT_1)\),一个最简单的方法是先把信号还原后再重新进行采样,但是这种做法显然不够优雅,接下来我们来推导一下变采样的公式

降采样

降采样本质上是在对我们采样得到的信号进行抽取

Pasted image 20251130172406.png

即对我们采样取得的信号再做一次采样率为M的采样

Pasted image 20251130172510.png

现在我们把这个变化对应到频域上.前面我们已经推出了

\[X(e^{j\omega})=\frac1T\sum_{k=-\infty}^\infty X_c\left(j\left(\frac\omega T-\frac{2\pi k}T\right)\right)\]

而现在只需要把T变成MT就能得到

\[\begin{aligned}X_d(e^{jw})&=\frac1{MT}\sum_{r=-\infty}^\infty X_c\left(j\left(\frac\omega{MT}-\frac{2\pi r}{MT}\right)\right)\\&令r=i+kM,代入上式.\\&=\frac{1}{M}\sum_{r=0}^{M-1}\left[\frac{1}{T}\sum_{k=-\infty}^{\infty}X_{c}\left(j\left(\frac{\omega-2\pi i}{MT}-\frac{2\pi}{T}k\right)\right)\right]\end{aligned}\]

由于是双元变量,换元以后会多一个雅可比,变成两个求和.现在形式又变回上面的那样了.代入

\[X(e^{j\omega})=\frac1T\sum_{k=-\infty}^\infty X_c\left(j\left(\frac\omega T-\frac{2\pi k}T\right)\right)\]

可得

\[X_d(e^{j\omega})=\frac{1}{M}\sum_{i=0}^{M-1}X(e^{j(\frac{\omega-2\pi i}{M})})\]

这说明:下采样对频谱的影响是先频率拓展M倍再进行\(2\pi i\)的平移,同时将幅值压缩到原来的\(\frac{1}{M}\).

Pasted image 20251130173931.png

为了避免发生混叠,需要满足

\[w_NM\leq\pi\]

所以往往会在信号下采样前加一个抗混叠滤波器,它的本质是一个截止频率为\(\frac{\pi}{w_N}\)的低通滤波器.

Pasted image 20251130174221.png

最终我们得到下采样的系统:

Pasted image 20251130174241.png

升采样

升采样实际上做的事情是内插,但是应该怎么内插比较合适?

Pasted image 20251130175006.png

我们先考虑原始信号已知,分别用采样周期T和\(\frac{T}{L}\)去利用冲激串采样,得到的结果为

\[\begin{gather}s(t)=\sum_{n=-\infty}^{\infty}\delta(t-nT)\xLeftrightarrow{FS}S(w)=\frac{2\pi}T\sum_{n=-\infty}^{\infty}\delta(\frac{w}{T}-k\frac{2\pi}{T})\\s_i(t)=\sum_{n=-\infty}^{\infty}\delta(t-\frac{nT}{L})\xLeftrightarrow{FS}S(w)=\frac {2\pi L}T\sum_{n=-\infty}^{\infty}\delta[(\frac{w}{T}-k\frac{2\pi}{T})L]\end{gather}\]

最终表现在频谱上实际上是频域压缩到了原来的\(\frac{1}{L}\)倍.

Pasted image 20251213190632.png

但是实际上,我们希望的是基于现有的采样结果去进行增采样.也就是说我需要对现有的采样信号进行内插,去补充我的信号.首先做的事情是在我原有的信号中进行内插0

Pasted image 20251213191358.png

这样我们得到的信号就变成了

\[x_{e}[n]=\sum_{k=-\infty}^{\infty}x[k]\delta[n-kL]=\begin{cases}x[n/L],&n=0,\pm L,\pm2L,\cdots\\0,&otherwise\end{cases}\]

这个信号只在\(n=kL\)处有值.对其作离散时间傅里叶变换可得

\[\begin{aligned}X_e(e^{j\omega})&=\sum_{n=-\infty}^\infty x_e[n]e^{-j\omega n}\:=\sum_{n=-\infty}^\infty\left(\sum_{k=-\infty}^\infty x[k]\delta[n-kL]\right)e^{-j\omega n}\\&=\sum_{k=-\infty}^\infty x[k]\Bigg(\sum_{n=-\infty}^\infty\delta[n-kL]e^{-j\omega n}\Bigg)\\&=\sum_{k=-\infty}^\infty x[k]e^{-j\omega Lk}=X(e^{j\omega L})=X(e^{jw ‘})\end{aligned}\]

可以看到,在直接内插0以后,频谱\(X_e(e^{jw’})=X(e^{jwL})\),相当于将\(X(e^{jw})\)的\(w\)轴缩放到原来的\(\frac{1}{L}\).

Pasted image 20251213192714.png

对比上面直接对完整信号的图进行采样得到的结果,我们发现它多出了圈出的结果,所以我只需要一个低通滤波把这个部分的信号滤去即可

Pasted image 20251213192807.png

而这个低通滤波器的单位脉冲响应为

\[h_i[n]=\frac{sin(\pi n/L)}{\pi n/L}\]

所以输出信号为

\[\begin{aligned}x_{i}[n]&=x_{e}[n]*h_{i}[n]=\left(\sum_{k=-\infty}^{\infty}x[k]\delta[n-kL]\right)*h_{i}[n]\\&=\sum_{k=-\infty}^{\infty}x[k]\big(\delta[n-kL]*h_{i}[n]\big)\\&=\sum_{k=-\infty}^{\infty}x[k]h_{;}[n-kL]\\&=\sum_{k=-\infty}^{\infty}x[k]\frac{\sin[\pi(n-kL)/L]}{\pi(n-kL)/L}\end{aligned}\]

如果想要把采样率(注意和采样周期区分开).变为原来的\(\frac{M}{L}\)倍,只需要先升采样M倍,再降采样L倍即可

AD与DA

我们前面的分析实际上是一个数学上的模型,现实中不会有理想的冲激函数,而且也不会存在理想的带限环境。而且,我们只对时间进行了离散化,而实际上,真正的数字信号除了时间是离散的,信号幅度的取值也是离散的。而且,如果带外是有内容的,一经过搬移就会混在一起,而噪声是全频段都存在的,如果直接采集,经过搬移后无论多远的能量都会被搬移过来,那么信噪比就很低了。为了避免这个事情,我们在采集前需要加一个抗混叠滤波器。这个滤波器的通带覆盖有源信号,阻带很低,它的作用是把带外信号的能量滤去。
正常来说,剩下只要满足奈奎斯特就可以,但是由于有噪声的存在,采两倍很有可能是不够的。尽管有抗混叠滤波器,由于滤波器过渡带的存在,不可能全部滤去,因此还是会有噪声能量发生搬移导致混叠,因此我需要进行过采样,以此来改善信噪比。采样完成后要做保持,原因是我采样得到的信号

\[x_s[t]=x_c(t)\sum_{k=-\infty}^{\infty}\delta(t-kT)\]

而现实中根本没有\(\delta(t)\)这个东西.为了能成功采样,我需要让采集到的东西保持一段时间.这个东西本质上是一个滤波器.

\[h(t)=\begin{cases}1,1<t<T\\0,other\end{cases}\]

只有经过保持,才能被允许做读出操作(持续时间太短根本读不到).完成后就得到了离散时间的信号.而完整的离散信号还需要让幅度也离散化,AD做的就是这个事情.这一整个过程叫做AD变换(Analog to Digit).
幅度的离散化本质上是在把一个实数变成二进制序列,而量化是有一个最小分度值的,我们的模拟信号经过采样得到的幅值不一定是我最小分度的整数倍,就会带来量化误差.我们记量化函数为Q,于是有

\[\hat{x}(kT)=Q(x(kT))=x(kT)+\rho(kT)\]

其中\(\rho(KT)\)为量化误差.它最大不会超过一个最小分度的一半(四舍五入).即

\[-\frac{\Delta k}{2}<\rho(kT)<\frac{\Delta k}{2}\]

并且由于噪声的存在,

\[\rho(kT)\sim U(-\frac{\Delta k}{2},\frac{\Delta k}{2})\]

所以

\[E(e(kT))=\int_{-\frac{\Delta k}{2}}^{\frac{\Delta k}{2}}ef(e)de=0,D(e(kT))=E(e^2(kT))=\int_{-\frac{\Delta k}{2}}^{\frac{\Delta k}{2}}e^2f(e)de=\frac{\Delta k^2}{12}\]

随机变量

Pasted image 20251119142012.png

假设我们的字长是B,那么我们的量化级为\(2^B\),所以我的量化步长是\(\Delta k=X_m 2^{-B}\).此时我们就可以计算信噪比,记\(\sigma_x\)为信号的方差,\(\sigma_e\)为误差的方差,而信号功率与信号方差 σx2​ 成正比,噪声功率与量化噪声方差 σe2​ 成正比所以可以计算:

\[SNR=10log_{10}(\frac{\sigma_x^2}{\sigma_e^2})=10log_{10}(\frac{\sigma_x^2}{\frac{\Delta k^2}{12}})=10log_{10}(\frac{\sigma_x^2}{\frac{(X_m 2^{-B})^2}{12}})=6.02B+10.08-20log_2(\frac{X_m}{\sigma_x})\]

所以只要提高B的值,就可以提高信噪比.

Pasted image 20251119155206.png

例题

1.对于这样一个系统,改变T和T’,求\(y(t)\)

Pasted image 20251130145625.png

1.\(T=\frac{1}{6},T’=\frac{1}{6}\).

\[x[n]=x_c(nT)=cos[\frac{2}{3}\pi n]\]

所以\(w=\frac{2}{3}\pi+2k\pi\),因此\(\Omega=\frac{w}{T’}=4\pi+12k\pi\).所以

\[y(t)=cos(4\pi t)\]

2.\(T=\frac{1}{3},T’=\frac{1}{3}\).

\[x[n]=x_c(nT)=cos[\frac{4}{3}\pi n]=cos[\frac{2}{3}\pi n]\]

所以\(w=\frac{2}{3}\pi n+2k\pi\),因此\(\Omega=2\pi+6k\pi\),所以

\[y(t)=cos(2\pi t)\]

2.**考虑一个连续时间(CT)信号 \(x_c(t)\),其傅里叶变换(FT)\(X_c(j\Omega)\)如图1-1所示。
(a) 通过图1-2所示的过程得到一个连续时间信号\(x_r(t)\)。确定使得\(x_r(t) = x_c(t)\)的\(T_1\)的取值范围。
(b) 考虑图1-3所示的系统。找出使得\(x_o(t) = x_c(t)\)能够成立的\(T_2\)的取值范围。对于你所确定的、仍能实现\(x_c(t)\)恢复的最大\(T_2\),选择连续时间理想线性时不变(LTI)滤波器\(H_s(j\Omega)\),使得\(x_o(t) = x_c(t)\)画出\(H_s(j\Omega)\)的图形。**

Pasted image 20251130152919.png
Pasted image 20251130152950.png

(1).由奈奎斯特采样定理可知

\[\Omega_S>2\Omega_0\]

所以

\[\frac{2\pi}{T_1}>2\Omega_0\Rightarrow T_1\leq\frac{\pi}{\Omega_0}\]

(2).只需要保证频谱不会发生混叠,就一定有办法进行复原,所以我们只需要对这个频谱进行\(\frac{2}{3}\Omega_0\)的整数倍进行搬移就一定可以复原,所以

\[\frac{2\pi}{T_2}\geq\frac{2}{3}\Omega_0\Rightarrow T_2\leq\frac{3\pi}{\Omega_0}\]


因此只需要进行带通滤波即可恢复.

Pasted image 20251130154019.png

考虑图 2 所示的系统。已知:\(x_c(t)\)的 CTFT 为\(X_c(j\Omega)=0~for~|Ω| ≥ 2π(1000)\),且离散时间系统是一个平方器,即\(y[n]=x^2[n]\)。请问:采样周期T的最大值为多少,可以保证\(y_r(t)=x_c^2(t)\)?

Pasted image 20251130155234.png

已知\(x_c(t)\)频域范围为\(-2\pi(1000)<\Omega<2\pi(1000)\),由于时域相乘对应频域相卷,m长度的序列和n长度的序列相卷会得到m+n长的序列,所以频率范围会变成

\[-4\pi(1000)<\Omega<4\pi(1000)\]

为了保证采样时信号不丢失,所以需要满足奈奎斯特采样定理,即

\[\frac{2\pi}{T}>8\pi(1000)\Rightarrow T<\frac{1}{4000}\]

同时为了保证能正确复原信号,低通滤波器的截止频率

\[\frac{\pi}{T}>4\pi(1000)\Rightarrow T<\frac{1}{4000}\]

所以

\[T_{max}=\frac{1}{4000}\]

← 上一篇:
下一篇: →