我们如何对连续时域信号进行采样？
How do we sample continuous time domain signals?
每当给出连续时间信号时，我们必须先将其离散化，然后再将其转换为频率。域名。
但是当我们进行采样时，我们使用 Nyquist 定理来告诉最小采样频率，在那里我们告诉所需的最小频率 > 2 倍最大频率。
但实际上我们不知道频率，所以我们怎么知道最大值。频率 ？我们的最终目的只是求信号的频率。
那么当我们只得到一个连续信号时，我们如何离散化一个信号？
如果我们知道它的频率先于它自己，为什么我们要进行大量采样、dft、...来再次找到频率？
如果我们（以某种方式）知道信号的带宽限制在 F Hz 以下，则通过 the Nyquist–Shannon sampling theorem，通过函数在 2 F Hz 处的采样点值将其离散化就足以能够通过sinc插值精确恢复连续信号。
但是，如果在 F 以上的频率 f 处有频率内容，则 aliases 会下降到 2 F - f。这是一个真正的问题。
理想情况下，使用模拟组件执行低通滤波来解决混叠问题，以便在离散化之前衰减混叠频率。例如，模拟麦克风可以在 ADC 之前先通过模拟低通电路传递音频。或者在数码相机中，大多数都有一个 "optical lowpass filter" (OLPF)，具有特殊折射特性的板，位于图像传感器的前面。
即使没有模拟处理，对我们有利的是许多自然信号分布在频域（具有功率谱密度），如 1/f，aka "pink noise"。因此，在足够高的采样率下，混叠内容的幅度往往很小。
每当给出连续时间信号时，我们必须先将其离散化，然后再将其转换为频率。域名。
但是当我们进行采样时，我们使用 Nyquist 定理来告诉最小采样频率，在那里我们告诉所需的最小频率 > 2 倍最大频率。
但实际上我们不知道频率，所以我们怎么知道最大值。频率 ？我们的最终目的只是求信号的频率。
那么当我们只得到一个连续信号时，我们如何离散化一个信号？
如果我们知道它的频率先于它自己，为什么我们要进行大量采样、dft、...来再次找到频率？
如果我们（以某种方式）知道信号的带宽限制在 F Hz 以下，则通过 the Nyquist–Shannon sampling theorem，通过函数在 2 F Hz 处的采样点值将其离散化就足以能够通过sinc插值精确恢复连续信号。
但是，如果在 F 以上的频率 f 处有频率内容，则 aliases 会下降到 2 F - f。这是一个真正的问题。
理想情况下，使用模拟组件执行低通滤波来解决混叠问题，以便在离散化之前衰减混叠频率。例如，模拟麦克风可以在 ADC 之前先通过模拟低通电路传递音频。或者在数码相机中，大多数都有一个 "optical lowpass filter" (OLPF)，具有特殊折射特性的板，位于图像传感器的前面。
即使没有模拟处理，对我们有利的是许多自然信号分布在频域（具有功率谱密度），如 1/f，aka "pink noise"。因此，在足够高的采样率下，混叠内容的幅度往往很小。