数字信号处理4：采样定理

采样定理又称奈奎斯特定理，它规定了连续信号抽样成为离散信号时的采样率与信号最大频率之间的关系，那就是：

对于连续信号$x(t)$进行抽样时，抽样信号的最小频率$p(t)$的频率要大于$x(t)$的最大频率的2倍，采样得出的信号$x[n]$才能还原出原始信号$x(t)$。

这一点其实容易想明白，比如下面三个信号：

如果在T的整数倍处对三个信号采样，你会发现采样出的信号是完全一致的，这就导致你无法还原原始信号。因此，我们要明确采样频率和原信号的中包含的最高频率分量的关系。

通常来说，我们对于一个连续信号采样时，是截取$x(t)$在某一时刻的值，因此不妨将整个采样过程看做$x(t)$与$p(t)$的乘积，其中$p(t)$是梳妆函数，它是一系列冲激信号的延时叠加：
$$p(t)=\sum _{n=-\infty }^{+\infty }\delta (t-nT)$$

它的时域图像如下：

对它做傅里叶变换得到频域图像如下：

对应的表达式为

$$P(jw)=\sum _{k=-\infty }^{+\infty }\delta (w-k{w}_s)$$

而对于$x(t)$，我们需要假设它是一个带限信号，意味着它在频率上是有界的（否则就会发生频谱混叠）。它的频域图像如下：

以上就是我们对输入信号$x(t)$和采样信号$p(t)$的直观认识，接下来推导采样定理。

1. 卷积定理

之前我们有说过，时域卷积等于频域相乘，频域相乘等于时域卷积。这个结论对于我们推导采样定理以及建立对傅里叶变换后的频域的认识非常重要。因此先推导这个结论。

假设有信号
$$y(t)=x(t)\ast h(t)={\int }_{-\infty }^{+\infty }x(\tau )h(t-$$