🎛️ 24-信号处理 · 02 采样定理与混叠¶
关键词:Nyquist、采样率、混叠、抗混叠滤波 为什么采样率必须够高?欠采样后 6kHz 会变成 2kHz——本章手算证明。
本节要解决的问题¶
| # | 问题 | 对应内容 |
|---|---|---|
| 1 | Nyquist 采样定理说什么? | §1 核心概念 |
| 2 | 为什么 fs<2fmax 会混叠? | §2 手算 ✍️ |
| 3 | 工程上怎么防混叠? | §3 深入原理 |
| 4 | 怎么用 numpy 验证序列一致? | §4 代码实战 |
故事引入¶
录音棚要把 20kHz 的高频泛音录下来,ADC 采样率必须 ≥ 40kHz(CD 用 44.1kHz)。如果只给 32kHz,20kHz 的信号会被"伪装"成 12kHz 的假信号——这假信号就是混叠,混进后很难再分开。
混叠不是抽象概念,下图给出了一个可复现的真实例子:对同一连续信号用不同采样方案采样,再对采样序列做 DFT,可以看到频谱里出现了"折叠"的伪峰——那些本不存在的高频成分,被低采样率"伪装"成了低频。这就是 Nyquist 定理要防止的事情。

怎么读:每个面板上半是采样方案、下半是对应的 DFT 频谱:采样越稀疏(低于 Nyquist 率),频谱中的真实峰与混叠伪峰越纠缠。它直观回答了"为什么 f_s 必须 ≥ 2f_max"。
📚 图源:Maciejewski MW et al. (2009) Nonuniform sampling and spectral aliasing, J Magn Reson 199(1):88–93(开放获取)图 1。
核心概念¶
采样定理(Nyquist–Shannon):若信号最高频率 $f_{\max}$,采样率必须满足
$$f_s\ge2f_{\max}$$
采样后的离散序列才能无失真重建原信号。$f_s/2$ 称为 Nyquist 频率。
混叠(aliasing):当 $f_s<2f_{\max}$,高频成分被折叠到 $[0,f_s/2]$ 内的假频率
$$f_{\text{alias}}=|f-k\,f_s|\quad(\text{取最小正值})$$
✍️ 手算欠采样混叠:6kHz 以 8kHz 采样¶
设定:$x(t)=\cos(2\pi\cdot6000\,t)$,采样率 $f_s=8000$ Hz。
第 1 步:混叠频率
$$f_{\text{alias}}=|6000-8000|=\mathbf{2000}\ \text{Hz}$$
第 2 步:采样序列逐点对比
离散序列 $x[n]=\cos(2\pi\cdot6000/8000\,n)=\cos(1.5\pi n)$;
而 2000Hz 以 8kHz 采样是 $\cos(2\pi\cdot2000/8000\,n)=\cos(0.5\pi n)$。
$$\cos(1.5\pi n)=\cos((2-0.5)\pi n)=\cos(2\pi n-0.5\pi n)=\cos(0.5\pi n)$$
逐点:n=0: 1/1;n=1: 0/0;n=2: −1/−1;n=3: 0/0;n=4: 1/1——两个序列完全相同!
手算收获:
- 混叠不是"失真"而是"伪装":6kHz 在 8kHz 采样后和 2kHz 的采样序列逐点不可分——任何 DSP 都救不回来
- 余弦的混叠公式:$\cos(2\pi f/f_s\,n)$ 中 $f\to f+f_s$(或 $f\to f_s-f$)不改变序列——这就是 $f_{\text{alias}}$ 的由来
- 防混叠三板斧:提高 fs ≥ 2fmax、先低通(抗混叠滤波)再采样、过采样+抽取
- 面试速答:CD 44.1kHz 对应 22.05kHz 上限(人耳 20kHz 可闻)+ 余量
# ---- §2.1 验证:numpy 复算混叠序列 ----
import numpy as np
n = np.arange(9)
s6k = np.cos(2*np.pi*6000/8000*n)
s2k = np.cos(2*np.pi*2000/8000*n)
print('6kHz@8kHz:', np.round(s6k, 3).tolist())
print('2kHz@8kHz:', np.round(s2k, 3).tolist())
assert np.allclose(s6k, s2k)
f_alias = abs(6000 - 8000)
print('别名频率 =', f_alias, 'Hz')
assert f_alias == 2000
print('\n✓ 与手算一致')
6kHz@8kHz: [1.0, -0.0, -1.0, 0.0, 1.0, -0.0, -1.0, -0.0, 1.0] 2kHz@8kHz: [1.0, 0.0, -1.0, -0.0, 1.0, 0.0, -1.0, -0.0, 1.0] 别名频率 = 2000 Hz ✓ 与手算一致
深入原理:采样与重建¶
采样:$x[n]=x(nT)$,$T=1/f_s$。
频谱关系:采样后频谱是原频谱以 $f_s$ 为周期的搬移
$$X_s(f)=\frac{1}{T}\sum_k X(f-kf_s)$$
若 $f_s\ge2f_{\max}$,搬移后的频谱不重叠,用理想低通 $\text{sinc}$ 卷积即可无失真重建;若重叠(欠采样),重叠区频谱叠加 → 混叠。
工程做法:ADC 前放抗混叠低通(截止 $\approx f_s/2$),把高于 Nyquist 的成分滤掉再采样;语音 16kHz 采样即覆盖 8kHz 内带宽。
代码实战:画出混叠¶
生成两个频率的正弦,观察它们在 8kHz 采样下完全重合(可直接运行,无随机)。
# ---- 混叠可视化数据(不依赖 matplotlib 画窗也能跑) ----
import numpy as np
n = np.arange(0, 33)
s6k = np.cos(2*np.pi*6000/8000*n)
s2k = np.cos(2*np.pi*2000/8000*n)
diff = np.abs(s6k - s2k).max()
print('6kHz 与 2kHz 采样序列最大差 = %.2e' % diff)
print('采样序列:', np.round(s6k[:8], 2).tolist())
assert diff < 1e-12
print('✓ 两个不同频率在 8kHz 采样下完全重合(混叠)')
6kHz 与 2kHz 采样序列最大差 = 2.18e-14 采样序列: [1.0, -0.0, -1.0, 0.0, 1.0, -0.0, -1.0, -0.0] ✓ 两个不同频率在 8kHz 采样下完全重合(混叠)
面试考点¶
Q1:采样率不够会怎样?为什么说混叠不可恢复?
频谱搬移重叠 → 高频伪装成低频;重叠后信息丢失,理论上不可逆。
Q2:为什么先滤波再采样而不是先采样再滤波?
采样后的混叠分量已和真实低频重叠,滤波器无法区分;必须先低通(抗混叠)把超 Nyquist 成分滤掉。
Q3:48kHz 能采到多高?
Nyquist=24kHz;工程留 10% 余量。
Q4:过采样(oversampling)有什么好处?
把量化噪声摊到更宽频带,配合抽取可提高有效位数(噪声整形)。
小结与下一章预告¶
- Nyquist:$f_s\ge2f_{\max}$;欠采样 → 混叠伪装
- 6kHz@8kHz ≡ 2kHz@8kHz:手算逐点一致证明混叠不可分
- 下一章:采样之后怎么分析时变信号?——STFT 语谱图
✅ 自测清单¶
- 能说出 Nyquist 定理与 $f_{alias}$ 公式
- 能手算一个欠采样混叠频率(如 6kHz@8kHz → 2kHz)
- 知道抗混叠滤波为什么必须在 ADC 前
- 能解释频谱搬移 $X_s(f)=\frac1T\sum X(f-kf_s)$