信号处理仿真：信号调制与解调_（1）.信号处理基础.docxVIP

PAGE1

PAGE1

信号处理基础

1.信号的基本概念

在信号处理中，信号是指用来传输信息的物理量或数量。信号可以是连续的，也可以是离散的。连续信号通常是时间的连续函数，而离散信号则是在离散时间点上的值。信号可以分为周期信号和非周期信号。周期信号在一定时间间隔内重复出现，而非周期信号则没有固定的周期。

1.1信号的分类

连续信号与离散信号

连续信号：在时间上连续变化的信号，可以用数学函数表示。例如，正弦波信号xt

离散信号：在时间上离散变化的信号，通常用序列表示。例如，采样后的正弦波信号xn=Asin2

周期信号与非周期信号

周期信号：在时间上以固定周期重复的信号。例如，正弦波信号xt=sin2π

非周期信号：没有固定周期的信号。例如，矩形脉冲信号xt=

1.2信号的表示

信号可以用时域表示，也可以用频域表示。时域表示直接反映了信号在时间上的变化，而频域表示则反映了信号在频率上的分布。

时域表示

连续信号：x

离散信号：x

频域表示

傅里叶变换：X

离散傅里叶变换（DFT）：X

1.3信号的特性

信号的特性包括幅度、频率、相位、带宽等。这些特性决定了信号的行为和用途。

幅度

信号的最大值或瞬时值。

例如，正弦波信号xt=Asin2

频率

信号在单位时间内变化的次数。

例如，正弦波信号xt=sin2π

相位

信号的初始位置或时间偏移。

例如，正弦波信号xt=sin2π

带宽

信号在频域上的范围。

例如，一个矩形脉冲信号的频谱带宽是无限的，但在实际应用中，可以通过傅里叶变换确定其主要带宽。

2.信号的采样与量化

在数字信号处理中，连续信号需要通过采样和量化转换为离散信号。采样是将连续信号在时间上离散化，而量化是将采样后的信号幅值离散化。

2.1采样定理

采样定理是数字信号处理中的基本原理，它指出为了无失真地恢复连续信号，采样频率fs必须大于或等于信号最高频率的两倍，即f

2.1.1采样过程

采样过程可以通过理想采样器或实际采样器实现。理想采样器将连续信号转换为冲激序列，实际采样器则将连续信号转换为离散时间信号。

importnumpyasnp

importmatplotlib.pyplotasplt

#定义连续信号

t=np.linspace(0,1,1000,endpoint=False)

f=5#信号频率

A=1#信号幅度

phi=0#信号相位

x_t=A*np.sin(2*np.pi*f*t+phi)

#定义采样频率

fs=20#采样频率

Ts=1/fs#采样周期

n=np.arange(0,1,Ts)#采样点

x_n=A*np.sin(2*np.pi*f*n+phi)

#绘制连续信号和采样信号

plt.figure(figsize=(10,5))

plt.plot(t,x_t,label=连续信号)

plt.stem(n,x_n,linefmt=r-,markerfmt=ro,basefmt=k-,label=采样信号)

plt.xlabel(时间(s))

plt.ylabel(幅度)

plt.title(连续信号和采样信号)

plt.legend()

plt.grid(True)

plt.show()

2.2量化

量化是将采样后的信号幅值转换为有限个离散值的过程。量化过程包括量化间隔的确定和量化方法的选择。

2.2.1量化间隔

量化间隔Δ决定了量化后的信号精度。量化间隔越小，信号的精度越高，但所需的存储空间也越大。

2.2.2量化方法

常见的量化方法包括均匀量化和非均匀量化。均匀量化将信号幅值均匀地分成若干区间，每个区间对应一个量化值。非均匀量化则根据信号的分布特性，将区间非均匀地划分。

importnumpyasnp

importmatplotlib.pyplotasplt

#定义采样后的信号

n=np.arange(0,1,0.01)

x_n=np.sin(2*np.pi*5*n)

#定义量化间隔

delta=0.1

#量化信号

x_quantized=np.round(x_n/delta)*delta

#绘制原始信号和量化信号

plt.figure(figsize=(10,5))

plt.plot(n,x_n,label=原始信号)

plt.plot(n,x_quantized,label=量化信号,linestyle=--,marker=o,markersize=2)

plt.xlabel(时间