信号处理 / 系统课时
观察欠采样如何产生混叠
观察欠采样如何产生混叠
同一个模拟正弦在不同采样率下,可能得到完全不同的离散外观。本节用 900 Hz 信号对比充分采样与欠采样,直接观察频率如何越过奈奎斯特边界并折叠成更低频率。
学习目标
- 根据采样频率判断一个正弦是否会发生混叠
- 用离散样本验证 900 Hz 在 1 kHz 采样下为何表现为 100 Hz
- 解释混叠为什么进入数字域后无法靠普通滤波恢复原频率
采样后为什么会出现另一个频率
采样器只在离散时刻记录幅值。对采样频率 而言,离散序列无法区分相差整数倍 的连续时间频率;同时,正负频率在实信号中还会形成镜像。因此超过 的分量会折回到 到 的基带。
对单一频率 ,可先把它对 取余得到 ,再取 与 中较小者:
例如 Hz、 Hz 时, Hz,所以可见频率为 Hz。原来的 900 Hz 并没有被数字滤波器“搬到”100 Hz,而是这两种连续时间频率在该采样率下产生了等价的离散变化速度。

用两个采样率观察同一正弦
下面只使用 Python 标准库生成同一个 900 Hz 正弦的前 6 个样本。2400 Hz 采样时奈奎斯特频率为 1200 Hz,信号处于可表示范围;1000 Hz 采样时奈奎斯特频率只有 500 Hz,因此会发生混叠。
import math
f0 = 900.0
sample_rates = (2400.0, 1000.0)
sample_count = 6
def alias_frequency(frequency, sample_rate):
# 将连续时间频率折叠到 0 到 fs/2 的可见基带。
remainder = frequency % sample_rate
return min(remainder, sample_rate - remainder)
for fs in sample_rates:
samples = [math.sin(2 * math.pi * f0 * n / fs) for n in range(sample_count)]
shown = [0.0 if abs(x) < 1e-9 else round(x, 3) for x in samples]
print(f"fs={fs:.0f} Hz, Nyquist={fs / 2:.0f} Hz, alias={alias_frequency(f0, fs):.0f} Hz")
print(shown)预期输出
fs=2400 Hz, Nyquist=1200 Hz, alias=900 Hz
[0.0, 0.707, -1.0, 0.707, 0.0, -0.707]
fs=1000 Hz, Nyquist=500 Hz, alias=100 Hz
[0.0, -0.588, -0.951, -0.951, -0.588, 0.0]在 1000 Hz 采样下,这组样本与一个带相位反转的 100 Hz 正弦序列一致。示波图如果只画离散点,很容易把它误认为系统真的输入了 100 Hz,这正是混叠最危险的地方。
为什么数字域无法把它还原回来
一旦 900 Hz 与 100 Hz 已经映射成同一类离散序列,后续算法只看到样本,缺少判断“它原来到底来自哪个模拟频率”的信息。数字低通、高通或频谱分析都可以处理当前离散信号,却不能凭空恢复采样前已经丢失的频率身份。
改变采样率可以帮助诊断混叠:如果同一模拟输入在不同 下显示出的离散峰值随折叠规律移动,就很可能是混叠而非真实低频分量。但诊断并不等于恢复,真正的预防必须发生在采样之前。
判断欠采样时抓住两个边界
先比较输入最高频率与 。只要模拟输入中存在超过奈奎斯特频率且没有被充分衰减的能量,就可能折叠进目标频带;频率越高并不意味着它会在数字域中“自动消失”。
实际系统还要为模拟滤波器留下过渡带,因此采样率通常不能只按理论下限机械选择。最稳妥的思路是先确定需要保留的最高频率,再选择更高的采样率,并在 ADC 前用抗混叠滤波器压低奈奎斯特边界之外的能量。