我正在閱讀我的講座并找到了這個圖： 頻域中的采樣信號
所以，我采樣后得到的連續函式，在頻域中，應該重復原始連續函式的模式。但是在我的 Python 代碼中，我只得到一個正方形，它應該有更多的正方形重復。我是信號的新手（我不是工程師，這是一門附加課程）所以我對我的代碼有點困惑。我錯過了什么嗎？對不起，如果這是愚蠢的或概念誤解。
def g(t):
if t == 0:
return 1
return np.sin(1.5*np.pi*t) / (1.5*np.pi*t)
if __name__ == '__main__':
n = 40
fs = 100 # 0.01
t = np.arange(-n, n, 1.0/fs)
y = [g(i) for i in t]
plt.plot(t, y)
plt.xlim(-5, 5)
plt.show()
# Impulse train
n = 40
T = 1.0/2.5
tn = np.arange(-n, n, T)
# y2 = [1 for i in range(len(tn))]
nT = tn*T
y2 = [g(i) for i in nT]
# Sampled g
plt.stem(nT, y2, 'r', markerfmt='C3o', use_line_collection=True)
plt.xlim(-0.9, 0.9)
plt.show()
fft_s = fft(y2)
plt.plot(fftshift(fftfreq(len(fft_s ))),
fftshift(np.abs(fft_s )))
plt.show()
uj5u.com熱心網友回復：
a Fourier-Transformation（您在圖中具有）和 a FFT（您正在計算）之間存在細微但重要的區別。的FFT是傅里葉變換的離散（和計算上有效的）版本。然而，由于 FFT 是一種在樣本上定義的方法，它從 -Fs/2 到 Fs/2，其中 Fs 是采樣率。我相信您已經將頻率標準化，因此它從 -0.5 變為 0.5。但是，您所描述的效果只能在高于采樣頻率一半的頻率下看到（因此剛好在 FFT 之外）。
您提供的圖片顯示的是采樣對“真實”即連續光譜的影響。通過定義和一些積分求解函式實際計算傅立葉變換，您可能會看到這種效果。
在使用 FFT 時，您可以看到當采樣頻率選擇不正確時會發生什么，即采樣頻率大于信號帶寬的兩倍（這被稱為奈奎斯特定理）。在這種情況下，外部頻譜“移動”得非常接近原始頻譜，以至于它們重疊并導致所需信號不正確。在這種情況下，重建不再可能。
轉載請註明出處，本文鏈接：https://www.uj5u.com/yidong/383411.html
標籤：Python 麻木的 matplotlib 信号处理
上一篇：矩陣對角線上的亂數（可能重復）