证明奈奎斯特抽样定理

从数学严谨推导到现代数字信号处理的基石，全面解析奈奎斯特频率与香农采样定理。

⚡ 奈奎斯特抽样定理的数学证明

在数字信号处理（DSP）领域，奈奎斯特抽样定理（Nyquist-Shannon Sampling Theorem）是连接模拟世界与数字世界的桥梁。该定理指出：如果一个连续时间信号 是带限的，即其频谱 在 时为零，那么当采样频率 满足 时，信号 可以完全由其采样值 唯一确定，且无失真地重建。

这里的 被称为奈奎斯特速率，而 则是信号的最高频率分量。以下我们将通过频域分析的方法，严谨地证明这一结论。

证明步骤详解

• 步骤一：建立采样信号的数学模型
  设连续信号 的傅里叶变换为 。理想采样过程可以看作是将 与一个周期冲激串 相乘。周期冲激串的表达式为：
  其中 为采样间隔，采样频率 ，角频率 。
• 步骤二：展开冲激串的傅里叶级数
  由于 是周期的，我们可以将其展开为傅里叶级数。其傅里叶系数 为：
  因此， 可以表示为：
• 步骤三：推导采样信号的频谱
  采样信号 。根据傅里叶变换的卷积定理，时域相乘对应频域卷积并除以 ：
  首先求 。对 的级数形式进行傅里叶变换：
  代入卷积公式：
  这一结果表明，采样信号的频谱 是原信号频谱 以采样频率 为周期进行周期性延拓的结果。
• 步骤四：分析频谱混叠与无失真条件
  原信号 是带限信号，最高频率为 。这意味着 在 时为零。
  在延拓后的频谱 中，中心项（）占据 。第一项（）的中心在 ，占据 。
  为了能从采样信号中无混叠地恢复原信号，相邻周期的频谱不能重叠。即要求：
  当满足此条件时，我们可以通过一个理想低通滤波器（截止频率 满足 ）滤出 的分量，从而完美重建 。

⚙️ 奈奎斯特定理的工程应用场景

理解证明过程有助于我们更好地应用该定理。在实际工程中，不同领域对采样率的要求各不相同。以下通过选项卡展示主要应用场景。

? 奈奎斯特定理的历史沿革

❓ 网友最关心的 10 个问题

以下是关于证明奈奎斯特抽样定理及相关知识的高频提问，我们为您整理了深度解答。

? 网友们还关心：与抽样定理紧密相关的知识

在深入理解奈奎斯特抽样定理后，以下周边概念对于构建完整的数字信号处理知识体系至关重要。

import numpy as np
import matplotlib.pyplot as plt
信号参数
f_signal = 50  # 信号频率 50Hz
f_nyquist = 2  f_signal  # 奈奎斯特频率 100Hz
1. 过采样 (200Hz) - 无混叠
fs_over = 200
t_over = np.arange(0, 1, 1/fs_over)
x_over = np.sin(2  np.pi  f_signal  t_over)
2. 欠采样 (80Hz) - 发生混叠
fs_under = 80
t_under = np.arange(0, 1, 1/fs_under)
x_under = np.sin(2  np.pi  f_signal  t_under)
print("奈奎斯特采样定理验证：")
print(f"信号频率: {f_signal}Hz")
print(f"过采样率: {fs_over}Hz (> {f_nyquist}Hz) -> 正确重建")
print(f"欠采样率: {fs_under}Hz (< {f_nyquist}Hz) -> 混叠失真")