利用本地振荡器（LO）进行频率混频

超外差接收机：频率混频与中频揭秘

一、接收机的核心任务

收音机抓住高频信号后，关键一步是“剥”出里面的音频，让喇叭放出人声。这个过程叫解调——既然发射时把音频“调制”到高频载波上，接收时自然要反向操作。

以常见的**单边带(SSB)**信号为例：音频的波形像温柔的大波浪，骑在高频载波（密密麻麻的小波浪）身上。调制后，高频信号的幅度会跟着音频波形上下变化，形成“包络”——就像用音频的轮廓在高频信号上画了个像。
高频信号被音频信号的对称形状“包裹”着，音频的长周期特征依然藏在剧烈起伏的高频里。接收机的绝活，就是从这个高频“包裹”里，把低频音频重新提取出来。

二、超外差的秘密武器：混频

超外差接收机的核心思路是：不直接处理高频，而是通过混频把它降到一个更低的频率，同时保留音频包络。降频之后，滤波更容易，音频信号也更干净。

混频原理：把两个不同频率的信号搅在一起，会生出四个新频率：

1. 原来的高频
2. 原来的低频
3. 两者之和（和频）
4. 两者之差（差频）

接收机只留下差频（最低的那个），其他三个统统滤掉。这个差频信号，就叫中频（IF）——它介于原始射频和最终音频之间。

三、举个代码例子（模拟混频过程）

假设我们用 Python 来模拟两个信号混频：

import numpy as np
import matplotlib.pyplot as plt

# 采样参数
fs = 10000  # 采样率 10kHz
t = np.linspace(0, 0.01, fs, endpoint=False)  # 0.01秒

# 两个输入信号
f1 = 1000  # 射频信号 1kHz
f2 = 800   # 本振信号 800Hz
sig_rf = np.sin(2 * np.pi * f1 * t)      # 接收到的射频
sig_lo = np.sin(2 * np.pi * f2 * t)      # 本振

# 混频（乘法）
sig_mix = sig_rf * sig_lo

# 差频分量频率 = |f1 - f2| = 200Hz
# 可以通过低通滤波器提取，这里简单演示波形
plt.plot(t[:200], sig_mix[:200])  # 画出前200个点
plt.title("混频后的信号（含差频分量）")
plt.xlabel("时间 (秒)")
plt.ylabel("幅度")
plt.show()

这个乘法混频，在硬件里就是一个混频器芯片做的事。实际接收机中，中频信号还会再经过放大、滤波、解调，最终推动喇叭。

四、包络如何保留？

重点来了：如果输入的射频信号本身带有音频包络（比如幅度在变化），那么混频得到的差频信号会原样保留这个包络形状。换句话说，调制信息一点没丢，只是被搬到了更低的频率上。

接收机后续只要对这个中频信号做包络检波（比如二极管加电容），就能把音频波形还原出来。

五、为什么叫“超”外差？

早期有“外差”接收机（直接用差频），而超外差加了一个“超”字，是因为它使用的中频高于音频范围，通常几百千赫到几十兆赫。这样做可以避免镜像干扰，提高选择性。有些高级接收机甚至会用两次或三次混频，一级一级把频率降下来。

六、总结流程

天线 → 高频放大 → 混频器（+本振） → 中频滤波放大 → 解调 → 音频输出

混频的核心就是：两个频率入，四个频率出，只留差值（中频），包络不丢。

七、动手思考

• 如果本振频率选得比射频低，差频还是正的吗？对实际电路有影响吗？
• 如果射频信号是调幅（AM）广播，混频后的中频波形长什么样？
• 试着改上面 Python 代码里的 f1 和 f2，看看混频波形如何变化。