Fourier分析入门——第7章——采样理论

信号与系统MATLAB实践:从Laplace变换到采样定理的仿真实现 信号与系统是电子信息类专业的基础核心课程,其核心在于掌握连续与离散信号的分析方法。Laplace变换和z变换作为关键的数学工具,分别将微分方程和差分方程转化为代数方程,极大简化了系统分析过程。在工程实践中,这些理论需要通过数值仿真进行验证和应用,其中采样定理是连接连续与离散世界的桥梁,它规定了无失真采样的最低频率要求。通过MATLAB等工具进行仿真,可以直观展示混叠现象、系统频率响应等关键概念,培养工程实践能力。本文聚焦于**MATLAB仿真**和**采样定理**的实践应用,通过具体代码示例,帮助读者打通从 阅读详情

目录

第 7 章  采样定理

7.1 引言

7.2 采样定理

7.3 错误识别(aliasing)

7.4 Parseval定理(Parseval[pázeifa:l])

7.5 截断Fourier级数和回归理论(Truncated Fourier Series & Regression Theory)


第 7 章  采样定理

7.1 引言

在第 6 章中,我们发现有限区间内的离散函数和连续函数的Fourier分析在概念上几乎没有区别。两种类型的函数都有离散谱,唯一的区别是离散函数具有有限数量的谐波分量(图 5.1 中的情况 1),而连续函数原则上具有无限数量的谐波(图 5.1 中的情况 3)。 然而,作业集中出现了一个奇怪的结果 #6 。在一个问题 (6.1) 中,发现连续函数的频谱和该函数的采样版本明显不同,而在另一个问题 (6.2) 中,两个频谱在谐波范围内完全相同 是可以比较的。这表明在某些情况下,函数完全由有限数量的样本决定。在本章中,我们探讨了获得该结果的条件。

7.2 采样定理

通常,定义在有限区间上的连续函数可以表示成第6章所展示的那样的有限项的Fourier级数

f ( x ) = \frac{a_0}{2} + \sum_{k=1}^{\infty}[a_k cos(kx)+b_k sin(kx)] -----------------------------[6.1]

然而,对于某些函数,对于大于某个值 W 的所有频率,Fourier系数可能全部为零。对于这样的频谱,我们可以将 W 视为频谱的带宽(bandwidth)。请注意术语带宽的先前用法与本次用法之间的细微差别。在讨论具有有限频谱的离散函数时,我们使用术语带宽来表示频谱中定义的最高频率。在这种情况下,W = D/2L。该定义意味着所有连续函数都具有无限带宽,因为 D = ∞。如果所有Fourier系数的幅度在某个极限频率 W 之外都为零,则另一种定义允许连续函数具有有限带宽。对于实际目的,这是一个更有用的定义,因此通常使用的术语带宽指的就是这种意义上的带宽。

现在考虑具有有限带宽的连续函数的结果。 图 7.1 显示了一个示例,其中只有常数项和前三个谐波的频谱不为零。现在想象一下试图从这个频谱“重建”空间/时间函数。在这方面我们有两种选择。首先,我们可以假设所有高于 W 的频率都不存在,在这种情况下,IDFT 运算将产生一个离散函数,如图 7.1 左侧的实心点所示。另一方面,我们可以使用整个为无限数量的谐波定义的频谱,在这种情况下,Fourier级数将产生图中所示的连续函数。现在我们断言重构的连续函数必须通过所示的离散点。这是成立的,因为虽然高次谐波已被接纳,但它们没有贡献,因为所有系数都为零。因此,在重构的过程中是否包含大于W 的谐波并不重要。唯一的区别是,当定义了无限数量的系数并给定值为零时,可以在每个 x 值而不是仅对应于 \Delta x = \frac{W}{2} 的倍数的 x 值处合理地计算原始函数。

 -----------------------------------------------图 7.1 有限带宽的频率谱---------------------------------------------

我们可以通过令  f(x_j) 为由

f ( x ) = \frac{a_0}{2} + \sum_{k=1}^{D/2}[a_k cos(kx_j)+b_k sin(kx_j)] ( x_j = j \Delta x,j =整数)-------------[7.1]

定义的离散函数,并令g(x)为由

f ( x ) = \frac{a_0}{2} + \sum_{k=1}^{\infty}[a_k cos(kx)+b_k sin(kx)]+\sum_{1+D/2}^{\infty}[0.cos(kx)+0.sin(kx)](所有x )------------------------------------------------------------------[7.2]

定义的连续函数, 将前面的论证,置于一个量化的基础上(a quantitative footing)。因为[7.1]和[7.2]的右边是相等的,可以推导出,对于采样点 x_j , f ( x ) =  g( x ) ,对于所有其它 x 值而言,g( x ) 插值(interpolates) f ( x ) (译注:使连续曲线 g( x ) 通过全部离散数据点,或使全部离散数据点适配连续函数 g( x ) )。

前面的讨论表明,连续函数 g( x ) 是离散函数 f ( x ) 的合理插值。 持怀疑态度的学生可能仍然不相信这是正确的插值。为了说服,假设我们从连续函数 g( x ) 开始,我们预先知道它的频带限制为 W 。据此信息,则我们对 g( x ) 进行采样以生成离散函数 f ( x )。上述论点表明,如果我们以 R = 2W 的速率采样,则对于所有小于 W 的频率,f ( x ) 的频谱将与 g( x ) 的频谱相同。因此,g( x ) 的频谱可以通过添加无限数量的高次谐波从计算 f ( x ) 和频谱中导出,所有高次谐波的振幅均为零。这种用零填充频谱的策略被广泛用于提高 具有IDFT功能的重构函数空间分辨率的数值方法。 由于这个合成光谱将准确地重建 g( x ),因此我们得出结论:

精确地在有限区间内重建带限函数所需的所有信息都包含在有限数量的样本中。如果 采样率 R 超过 2W,其中 W 是给定函数的带宽;并且采样过程没有错误,则重建将没有错误。

这就是著名的采样定理,Whittaker[hwítikə](1935)在插值理论的背景下发展了该定理, 而Shannon[ʃǽnən](1949) 在信息论的背景下发展了该定理。Bergmann[bə:gmən] (1858) 在视网膜图像(retinal image)的神经采样(neural simpling)的背景下发现了这个思想,这是一个历史性的疏忽(oversight),后来 Helmholtz[hélmhoults](1867)在他被广泛引用的规则中推广了这个思想,即视觉分辨率要求在两个相对未受刺激的神经元(unstimulated neuron)之间至少需要一个相对的未受刺激神经元(即每个视觉模式周期至少有 2个神经样本)。 这条规则随后在 1930 年代被贝尔电话实验室的通信工程师 Nyquist[ˈnaɪ.kwɪst]重新发现。

7.3 错误识别(aliasing)

假如采样定理所要求的条件 R > 2W未被满足,则在函数重建的过程中将会引发错误。当由于欠采样(undersampling)而引发错误的时候,就称发生了错误识别(aliasing)。这个词“错误识别”用于这种背景下,是因为当采样率过低的时候,高频分量被误作(或伪装成(masquerades))低频分量。如图 7.2所示的一个例子,对区间上 D = 4的采样。因此,根据采样定理,可充分采样的最高频率(译注:指的是被采的频谱的频率)为 ΔfD/2,在本例中为 2Δf 。这个临界频率称为Nyquist频率,在图中用 fN 表示。由于实曲线具有低于临界频率的频率,因此它满足采样定理要求并且可以从频谱忠实地重建。

 

--------------------------------------------------图 7.2 欠采样产生错误识别-----------------------------------------

然而,虚线曲线的频率高于Nyquist频率,因此是欠采样的。欠采样虚曲线的频谱将与实曲线的频谱相同,因为这两个函数在样本点处相等。因此,虚线曲线似乎具有由标记为“错误识别”的空心圆圈所示的频谱。 虽然我们还不能证明这一说法,但事实证明,可以通过反映关于临界Nyquist频率的真实频谱,从真实频谱中预测欠采样函数的频谱。因此,Nyquist频率有时被称为“折叠频率”。我们将在第 13 章回到这个问题。

7.4 Parseval定理(Parseval[pázeifa:l])

在第 3 章中,我们介绍了离散函数的 Parseval 定理。承诺在以后的章节中我们将看到如何将 Parseval定理解释为一种能量守恒定理,该定理表示信号包含给定量的能量,而不管该能量是在空间/时间域还是在Fourier/频域中计算的。我们现在能够迎接这一挑战。

在第 5 章中,我们注意到连续函数与其自身的内积在许多物理情况下具有重要的解释,即信号中的总能量

energy = \int_{0}^{T}v^2(t)dt = v(t)\bullet v(t)= 数据函数的长度平方---------------------[5.8]

假如我们将v(t) 替换为相应的Fourier级数,并选一个方便的观察区间(0,2π)以简化记法,我们求得无限级数

E = \int_{0}^{2\pi} \{ \frac{a_0}{2} + \sum_{k=1}^{\infty}[a_k cos(kt)+b_k sin(kt)]\}^{2}dt

= \int_{0}^{2\pi}\frac{a_0}{2} \{ \frac{a_0}{2} + \sum_{k=1}^{\infty}[a_k cos(kt)+b_k sin(kt)]\}dt

+ \int_{0}^{2\pi} a_{1}\cdot cost(t) \cdot \{ \frac{a_0}{2} + \sum_{k=1}^{\infty}[a_k cos(kt)+b_k sin(kt)]\}dt

+ \int_{0}^{2\pi} b_{1}\cdot sin(t) \cdot \{ \frac{a_0}{2} + \sum_{k=1}^{\infty}[a_k cos(kt)+b_k sin(kt)]\}dt

+ ... --------------------------------------------------------------------------------------------------------------[7.3]

积分的线性属性意味着和的积分是积分的和。由于正交性,这个无限系列的积分(每个积分在被积函数中都有无限数量的项)可以缩减为一个可管理的结果。

E = \int_{0}^{2\pi}(\frac{a_0}{2})^{2} dt

+\int_{0}^{2\pi}[{a_1cos(t)}]^{2} dt

+\int_{0}^{2\pi}[{b_1sin(t)}]^{2} dt

+... ---------------------------------------------------------------------------------------------------------------[7.4]

我们先前求得(等式[5.5]) sin^{2}(kx) 或 cos^{2}(kx) 在区间(0,2π)上的积分等于π 。因此,等式[7.4]简化为

E = (\frac{\pi a_0^{2}}{2} + \pi \sum_{k=1}^{\infty}(a_k^2+b_k^2) ------------------------------------------------------------------------[7.5]

将等式[5.7]和[7.5]结合在一起,我们得到连续函数的Parseval定理。

E = \int_{0}^{T}v^{2}(t)dt = \frac{\pi a_0^{2}}{2} + \pi \sum_{k=1}^{\infty}(a_k^2+b_k^2)

power=\frac{energy}{time} = \frac{1}{2\pi}\int_{0}^{2\pi}v^{2}(t)dt

=(\frac{a_0}{2})^{2} + \frac{1}{2} \sum_{k=1}^{\infty}(a_k^2+b_k^2)= (\frac{a_0}{2})^{2} + \sum_{k=1}^{\infty}\frac{m_k^2}{2}

=\frac{1}{2}[(\frac{a_0}{\sqrt{2}})^{2} + \sum_{k=1}^{\infty}(a_k^2+b_k^2)]

= \frac{1}{2} { Fourier向量能量的平方 }--------------------------------------------------------------------------------[7.6]

因此,Parseval 定理告诉我们,总功率等于均值的平方加上正弦Fourier分量幅值平方和的一半,即Fourier系数向量的平方长度的一半。但是,任何给定Fourier分量的幅度平方的一半就是该分量的功率。 因此,总功率是每个Fourier分量的功率之和。 通常,均值 (DC,Direct Current)(译注:直流) 项并不重要,因为信息仅由信号关于均值的变化(例如视觉刺激的空间或时间对比度)携带。 在这种情况下,我们可以说信号功率等于Fourier分量的平方幅度之和的一半,这也是信号均值为零时信号的方差。虽然理论要求Fourier相量的长度是无限的,但任何物理信号总是带限的,因此功率是有限的。

7.5 截断Fourier级数和回归理论(Truncated Fourier Series & Regression Theory)

为了进行稍微不同的推理,假设给定了一个定义在区间 (-π,π)上的函数 f ( x )。我们知道 f ( x )正好等于无限Fourier级数

f ( x ) = \frac{a_0}{2} + \sum_{k=1}^{\infty}[a_k cos(kx)+b_k sin(kx)] ----------------------------------------------------[7.7]

然而,我们希望通过带宽限于 M 次谐波的有限Fourier级数带来逼近 f ( x )。 也就是说,我们试图通过截断的Fourier级数 g ( x )

f ( x ) = \frac{a_0}{2} + \sum_{k=1}^{\infty}[\alpha_k cos(kx)+\beta_k sin(kx)]----------------------------------------------------[7.8]

来逼近 f ( x )。

在回归统计理论(statistical theory of regression)中,近似值的“拟合优度(goodness of fit)”通常用“均方误差(mean squared error)”(译注:差的平方再取平均)来衡量。通过该度量,上述逼近的误差可以通过定义为的均方误差 ε 来量化,定义为

\mathsf{\epsilon} = \frac{1}{2\pi} \int_{-\pi}^{\pi}[f(x)-g(x)]^2 dx

= \frac{1}{2\pi}\int_{-\pi}^{\pi}f^2 (x)dx - \frac{1}{\pi}\int_{-\pi}^{\pi}f(x)g(x)dx + \frac{1}{2\pi}\int_{-\pi}^{\pi}g^2(x)dx---------------------------------[7.9]

根据 Parseval 定理,我们将 [7.9] 中的第一个积分解释为数据函数中的功率,第三个积分是Fourier级数模型中的功率。中间项是模型与给定函数的内积。

现在的目标是找出什么Fourier系数 \alpha_k 和 \beta_k 的值会使ε最小。要了解答案的结果,请考虑 M = 1 的最简单情况。也就是说,我们希望通过函数 g(x)=\frac{a_0}{2} 来逼近 f ( x )。 在这种情况下,错误是

\mathsf{\epsilon}= \frac{1}{2\pi}\int_{-\pi}^{\pi}f^2 (x)dx - \frac{\alpha_0}{2\pi}\int_{-\pi}^{\pi}f(x)dx + \frac{\alpha^{2}_0}{4}

= f ( x )中的功率 -  \frac{\alpha_{0}a_{0}}{2} + \frac{\alpha_0^2}{4} ------------------------------------------------------------------------------[7.10]

采用标准方法来最小化此类问题,为了最小化错语,我们必须针对 \alpha_0 微分这个二次等式[7.9],并将微分结果置为0,并解 \alpha_0 这个方程,产生

\frac{d\mathsf{\epsilon}}{d\alpha_0} = \frac{- a_0}{2} + \frac{\alpha_0}{2}=0 

∴ \alpha_0 = a_0 ------------------------------------------------------------------------------------------------------[7.11]

总之,这个结果表明,如果我们用函数 g ( x ) = 常数来逼近 f ( x ),给出最佳拟合的常数就是 f ( x ) 的第一个Fourier系数。也就是说,截断Fourier级数也是函数f( x )的“最小二乘估计(least squares estimate)”。

在接受上述结论为普遍正确之前,让我们考虑用 3 项Fourier级数

g( x ) = \frac{\alpha_0}{2} + \alpha_1 cos(x)+ \beta_1 sin(x) ------------------------------------------------------------------[7.12]

来逼近 f ( x )。

再次,我们使用考察均方误差

ε =  f ( x )中的功率 - \frac{1}{\pi}\int_{-\pi}^{\pi}f(x)[\frac{\alpha_0}{2} + \alpha_1 cos(x)+\beta_1 sin(x)] + g ( x ) 中的功率—----------------------------------------------------------------------------------------------------------------------------------------[7.13]

中间项在给定信号与模型的三个分量中的每一个分量之间生成三个内积。但是这些内积被认为是Fourier系数的定义。因此错误减少到

ε =  f ( x ) 中的功率 

- \frac{\alpha_0}{2\pi} \int_{-\pi}^{\pi}f(x)dx - \frac{\alpha_1}{\pi} \int_{-\pi}^{\pi}f(x)cos(x)dx - \frac{\beta_1}{\pi} \int_{-\pi}^{\pi}f(x)sin(x)dx + \frac{\alpha_0^2}{4} + \frac{\alpha_1^2}{2} + \frac{\beta_1^2}{2}

constant - \frac{\alpha_0a_0}{2} - \alpha_1a_1 - \beta_1b_1 + \frac{\alpha_0^2}{4} + \frac{\alpha_1^2}{2} + \frac{\beta_1^2}{2} --------------------------------------------[7.14]

现在,我们首先针对 \alpha_0 最小化这个错误(译注:对 \alpha_0 偏微分 )

\frac{\partial \varepsilon}{\partial \alpha}_0 = -\frac{a_0}{2} + \frac{\alpha_0}{2} = 0 

\alpha_0=a_0 --------------------------------------------------------------------------------------------------------[7.15]

然后针对 \alpha_1 最小化这个错误

\frac{\partial \varepsilon}{\partial \alpha}_1 = -\frac{a_1}{2} + \frac{\alpha_1}{2} = 0

∴  \alpha_1=a_1 -----------------------------------------------------------------------------------------------------[7.16]

然后针对 \beta_1 最小化这个错误

\frac{\partial \varepsilon}{\partial \beta}_1 = -b_1+\beta_1=0 

∴  \beta_1=b_1 -----------------------------------------------------------------------------------------------------[7.17]

我们再次发现截断Fourier级数也是最小化均方误差的模型。 鉴于这些具体示例,我们无需进一步证明即可断言函数的截断Fourier级数始终是该函数的最小二乘Fourier模型。 这同样适用于部分Fourier级数(即缺少某些项的级数),因为证明基本上是逐项进行的。

请注意,包含基波谐波不会改变第一个示例中确定的最佳常数值。这个结果是由于Fourier级数中基函数的正交性。因此,一般而言,为 k 次谐波计算的最佳Fourier系数与任何其他系数的计算无关。其他不相互正交的拟合(即基)函数的选择,例如多项式或Taylor级数,不具有这个很好的属性。因此,当使用多项式或Taylor级数对数据建模时,获得的系数取决于级数中包含的项数。Fourier级数模型不会出现这种困难,因为基函数是正交的。

我们观察到截断Fourier级数也是最小二乘Fourier模型,这表明了一种处理采样数据不等距分布的两种常见情况的方法。首先,经验记录中可能缺少数据样本,其次,样本可能是在不规则的时间间隔内获得的。在这两种情况下,数据的基函数(三角或复指数)的最小二乘法拟合可用于恢复感兴趣的Fourier系数。 最小二乘算法不像 DFT 那样稳健,并且一次运行一个基函数,但在这种情况下仍然是一种常用的方法。

内容来源:

<< Fourier Analysis for Beginners>> Larry N. Thibos

 

 

数字信号处理4:采样定理 文章目录1. 卷积定理2. 采样定理推导3. 傅里叶变换的频域标度 采样定理又称奈奎斯特定理,它规定了连续信号抽样成为离散信号时的采样率与信号最大频率之间的关系,那就是: 对于连续信号x(t)x(t)x(t)进行抽样时,抽样信号的最小频率p(t)p(t)p(t)的频率要大于x(t)x(t)x(t)的最大频率的2倍,采样得出的信号x[n]x[n]x[n]才能还原出原始信号x(t)x(t)x(t)。 ... 阅读详情

相关推荐

傅里叶变换在光刻中的物理意义:频谱上每个点都是一个真实的衍射方向

掩模频谱不是抽象数学——频谱上每个点对应一个真实的衍射方向。本文从方波谐波合成讲到周期图形的离散衍射级与非周期缺陷的连续频谱,并给出关键结论:NA 限定了可接收的空间频率,直接决定最小可检缺陷尺寸。附 Python/MATLAB 实验代码。

weixin_41041772的博客 39

Fourier分析入门——第1章——数学预备知识

学习Fourier分析的数学预备知识

ComputerInBook的专栏 1592

FOC控制必看:单/双/三电阻电流采样方案全对比(附NXP实战避坑指南)

本文深入对比了FOC控制中单电阻、双电阻和三电阻电流采样方案的优劣与适用场景,重点剖析了采样时序、窗口与ADC转换的工程挑战。针对NXP平台,提供了解决采样窗口过窄的实战方案与配置指南,帮助工程师根据成本与性能需求做出最优选择,并规避常见设计陷阱。

n2o3p4的博客 417

采样定理总结

一、基本概念 采样定理:A/D转换器中,奈奎斯特定理规定采样速率必须至少是模拟信号带宽最大值的两倍,以便完全恢复信号。 适用条件:定理仅适用于具有傅里叶变换的一类数学函数,即频率在有限区域以外为零。 混叠:如果不能满足采样定理,采样后信号的频率就会重叠,即高于采样频率一半的频率成分将被重建成低于采样频率一半的信号。这种频谱的重叠导致的失真称为混叠,而重建出来的信号称为原信号的混叠替身,因为这两个信

kaixinshier的博客 6万+

AHB2eflash 控制器设计笔记

① SRAM② DRAM③ SSD④ SATA⑤ U 盘⑥ 移动硬盘⑦ 机械磁盘eflash。

weixin_46220498的博客 3078

别再死磕MuJoCo了!用PyBullet+Stable-Baselines3搞定机械臂强化学习(保姆级环境配置)

本文详细介绍了如何使用PyBullet和Stable-Baselines3构建机械臂强化学习系统,绕过昂贵的MuJoCo许可壁垒。通过实战指南,包括环境配置、机械臂Gym环境构建、训练策略与调优技巧,帮助开发者快速掌握机器人强化学习技术,提升智能控制效率。

weixin_42667269的博客 266

采样定理

一、采样定理概述 采样定理,又称香农采样定理,奈奎斯特采样定理,只要采样频率大于或等于有效信号最高频率的两倍,采样值就可以包含原始信号的所有信息,被采样的信号就可以不失真地还原成原始信号。 二、采样定理解释 1、采样:指的是理想采样, 即直接记录信号在某时间点的精确取值,所以采样定理只涉及到了从连续信号到离散信号的理想采样过程, 而未涉及到对测量值的量化过程。 2、采样频率:指单位时间内的采样点数...

weixin_43702663的博客 1万+

告别手动复制粘贴!用Python脚本+pywinauto实现PC微信消息自动发送(附完整源码)

本文详细介绍了如何利用Python和pywinauto实现PC微信消息的自动化发送,告别繁琐的手动操作。从环境搭建、UI控件定位到构建健壮的发送流程,再到高级功能扩展和项目打包部署,全面解析了自动化办公的实现方案,显著提升工作效率。

weixin_30315723的博客 585

通信入门系列——采样定理

采样定理的内容:如果一个带宽有限的信号(即带限信号)的最高角频率为ωm=2πfm,在等间隔采样的条件下,采样频率必须不小于2fm,才能用采样信号无失真地恢复原来的信号,也就是说,采样频率最小为信号最高频率的两倍。采样后的信号,被采样信号与采样周期信号的乘积,根据卷积定理,其傅里叶变换是两个信号傅里叶变换的卷积,采样后信号的频谱,是连续信号的频谱X(ω)以ωs为周期重复,用采样信号的傅里叶系数加权并且累加得到。用周期冲激函数采样的信号的频谱,是连续信号的频谱X(ω)以ωs为周期重复并且累加得到。

小灰灰的FPGA的博客 1904

08-SD卡-TF卡硬件电路设计

SD卡-TF卡硬件电路设计

weixin_66510961的博客 8266

【FPGA教程案例49】控制案例1——基于FPGA的PID控制器verilog实现

PID控制器产生于1915年,PID控制律的概念最早是由LYAPIMOV提出的,到目前为止,PID控制器以及改进的PID控制器在工业控制领域里最为常见。PID控制器(比例-积分-微分控制器),由比例单元 P、积分单元 I 和微分单元 D 组成。通过Kp,Ki和Kd三个参数的设定。PID控制器主要适用于基本线性和动态特性不随时间变化的系统。图1为PID控制器的基本结构框图。PID控制器以其结构简单、稳定性好、工作可靠、调整方便而成为工业控制的主要技术之一。...

FPGA/MATLAB学习教程/源码/项目合作开发 4532

Sobol灵敏度分析实战:从报错排查到论文得分的全流程指南

灵敏度分析是量化模型不确定性传播的核心技术,其本质是通过方差分解揭示输入参数对输出不确定性的贡献比例。Sobol法凭借严格的一阶主效应与二阶交互效应分离能力,成为数学建模、系统仿真及参数校准中的工业级标准;相比Morris法的定性排序和FAST法的计算约束,Sobol在非线性、强耦合场景下具备不可替代的精度与可解释性。本文聚焦真实建模现场高频痛点——如NaN报错、采样失效、多目标适配与论文转化难,提供基于SALib的‘懒人专用版’端到端实现方案,并深度融合参数敏感性与模型结构优化逻辑,助力用户将灵敏度结果直

weixin_34150830的博客 374

麒麟系统无法进入单用户模式该怎么办?

🏆本文收录于《全栈Bug调优(实战版)》专栏,主要记录项目实战过程中所遇到的Bug或因后果及提供真实有效的解决方案,希望能够助你一臂之力,帮你早日登顶实现财富自由🚀;同时,欢迎大家关注&&收藏&&订阅!持续更新中,up!up!up!! 备注:部分问题/疑难杂症搜集于互联网。

**My Coding Family** 1822

领悟《信号与系统》之 采样定理

在一定条件之下,模拟信号可以用该信号在等时间间隔点上的值或样本来表示,且利用这些样本值能将该信号全部恢复出来。由此可知,采样后信号的频谱是采样前信号频谱的平移和叠加,只要采样频率足够大,就可用低通滤波器,从采样后的信号中恢复出采样前信号。模拟(连续)信号 f (t),通过一个开关电路,即抽样器,开关以一定的频率闭合、打开,这样输出信号 f。(t) 就是 f (t) 经过采样后的信号,这个采样过程叫 自然采样,也称为脉冲采样。(t) 保留了原连续信号 f(t) 的全部信息,完全可以用 f。

洪源兄 4万+

python实现序列比对之Needleman-wunsch算法 (附完整源码)

python实现序列比对之Needleman-wunsch算法 (附完整源码)

希望我的博客,能帮上你解决学习中工作中所遇到的问题 464

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

带通采样定理及其公式推导

2022年电赛F题-信号调制度测量装置说明中提到带通采样定律。低通采样定理在《信号与系统》教材中进行了详细的讨论,但未对带通信号的采样定理进行描述,国内《通信原理》第10章第2小节有所描述,但没有详细的公式推导,容易给初学者产生超过该最低采样频率即不会产生频谱混叠的假象.

weixin_50891416的博客 1万+

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

采样定理的详细解释

目录所需理论推导一般的时域抽样理想的时域抽样与基带信号采样定理 所需理论推导 周期信号的傅里叶变换: 在之前对傅里叶变换的介绍中我们了解到,傅里叶变换主要针对的是非周期信号,有 F(ω)=∫−∞+∞e−jωt∗f(t)dtF(\omega)=\int_{-\infty}^{+\infty}e^{-j\omega t}*f(t)dtF(ω)=∫−∞+∞​e−jωt∗f(t)dt 周期信号的表示: 傅里叶级数针对的是周期连续信号,一个周期连续信号,可以表示成若干个正余弦信号的叠加,如下公式: f(t)=

weixin_44888557的博客 5297

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

奈奎斯特采样定理(Nyquist)

采样定理在1928年由美国电信工程师H.奈奎斯特首先提出来的,因此称为奈奎斯特采样定理。 1933年由苏联工程师科捷利尼科夫首次用公式严格地表述这一定理,因此在苏联文献中称为科捷利尼科夫采样定理。 1948年信息论的创始人C.E.香农对这一定理加以明确地说明并正式作为定理引用,因此在许多文献中又称为香农采样定理。 奈奎斯特采样定理解释了采样率和所测信号频率之间的关系。 阐述了采样...

weixin_30436891的博客 1万+

图说Fourier变换

如同熟知的泰勒级数一样,Fourier

tugouxp的专栏 5153

Nyquist Theorem(取样定理)

随着科学技术的不断发展,我们对取样定理的理解和应用将会变得越来越深入,为未来的数字信号处理和应用提供更加可靠的基础和支持。对于连续时间信号x(t),其频谱范围为[-B, B],则根据奈奎斯特定理,对x(t)进行采样时,采样频率Fs不应小于2B。其次,取样定理忽略了一些特殊情况下的采样方式,比如非均匀采样、混沌系统的采样等,在这些情况下,取样定理可能不再适用。具体来说,在信号处理中,假设原始信号是连续时间信号,其频谱范围为[-B, B],则根据奈奎斯特定理,首先,取样定理要求信号的频谱范围是有界的,

m0_70911440的博客 6327

浅谈采样定理

一、采样定理概述   采样定理,又称香农采样定理,奈奎斯特采样定理,只要采样频率大于或等于有效信号最高频率的两倍,采样值就可以包含原始信号的所有信息,被采样的信号就可以不失真地还原成原始信号。 二、采样定理解释   1、采样:指的是理想采样, 即直接记录信号在某时间点的精确取值,所以采样定理只涉及到了从连续信号到离散信号的理想采样过程, 而未涉及到对测量值的量化过程。   2、采样频率:指...

qingfeng_博客 6万+

数字信号处理基础----采样定理

1. 采样的过程

black_pigeon博客 1万+

关于Bessel不等式和Parseval等式的几点注解

设为内积空间,为标准正交集,不等式如下:   证明较简单,如下:   下面考虑一种特殊的内积空间,即空间: 一定是收敛的; 如果为标准正交基(完全的标准正交集),则    ...

qq_24694761的博客 1万+

采样定理的证明与推导

采样定理,又称香农采样定理,奈奎斯特采样定理,只要采样频率大于或等于有效信号最高频率的两倍,采样值就可以包含原始信号的所有信息,被采样的信号就可以不失真地还原成原始信号。 设输入连续信号: 采样输出信号: 采样的过程如下图所示,可看作一段周期为T、宽度为τ的矩形脉冲载波信号S(t) 显然,τ越窄,采样越精确,当τ&lt;&lt;T时,采样的矩形脉冲信号接近于冲击信号,具有冲击信号的性质...

qq_35771020的博客 3万+
上一篇: Fourier分析入门——第6章——连续函数的Fourier分析
下一篇: Fourier分析入门——第8章——Fourier系数的统计描述
ComputerInBook
博客等级 码龄19年 1168粉丝 465原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值