No entiendo un concepto sobre el teorema de muestreo de Nyquist - Shannon.
Dice que es posible obtener perfectamente la señal analógica original de la señal obtenida por muestreo si y solo si la frecuencia de muestreo es mayor que el doble de la frecuencia máxima de la señal inicial.
Puedo entenderlo si pienso en lo que sucede en el dominio de la frecuencia, en el que el muestreo produce réplicas del espectro inicial y por lo tanto un reconstructor de filtro de paso bajo puede eliminarlas y mantener el espectro original.
Pero en el dominio del tiempo, el muestreo simplemente significa extraer valores de la señal original en instantes separados por el tiempo de muestreo T.
Una vez que he extraído estos valores, he perdido toda la información sobre los puntos entre dos instantes consecutivos de muestreo. ¿Cómo puede el dispositivo reconstructor obtener perfectamente la señal original? No sabe cómo conectar los puntos muestreados (se pueden conectar mediante infinitas curvas matemáticas y se pierde toda la información dentro de T tiempo). Por ejemplo, puede conectarlos como en la figura 1 (la señal original correcta), o como en la figura 2.
Figura 1
Figura 2
Esto me hace pensar que una frecuencia de muestreo muy alta seguramente es algo bueno, ya que los puntos están muy juntos, pero no hay una frecuencia que si se supera permita una reconstrucción 100% perfecta, ya que el muestreo implica perder información.
Si la señal está perfectamente limitada en banda, entonces no se puede obtener información adicional muestreando más rápido que el doble del ancho de banda. Así que la reconstrucción perfecta debe ser posible. Es como dijo @DanMills: hay una y solo una curva que pasará a través de los puntos muestreados y será correcta, y esa es la curva que obtendría de un filtro de reconstrucción perfecto.
(Tenga en cuenta que se vuelve más extraño, al menos en teoría, si el ancho de banda es , entonces no necesita probar en -- puedes probar y simultáneamente en , o muestrear hasta la tercera derivada (es decir, recolectar cuatro muestras) en , o cometer varios otros delitos a la señal antes de probar un vector ancho en . La mayoría de estos esquemas (definitivamente los derivados que menciono) serían terriblemente poco prácticos, pero en teoría funcionarán, y ocasionalmente te tropiezas con esquemas que realmente se usan en la realidad).
Puede pensar en cualquier señal perfectamente limitada en banda como la superposición de un conjunto de curvas, con sus picos posicionados uniformemente a lo largo del eje del tiempo. Su espaciado es .
sinc(x) también resulta ser la respuesta en el dominio del tiempo de un filtro de paso bajo perfecto, y explica cómo se logra la reconstrucción (interpolación) en el tiempo continuo a partir de una serie de muestras discretas.
Cuando muestreamos uniformemente una señal, cada muestra es una medida directa de la amplitud de una de esas ondas sinc(). Esto funciona porque es una propiedad de la función sinc() que es cero en cada punto de muestreo, excepto en su propio pico. En otras palabras, cuando realiza una medición, no recibe ninguna "interferencia" de ninguna de las otras funciones sinc(). Por lo tanto, el conjunto de N medidas discretas contiene toda la información en la señal de tiempo continuo representada por esa colección de ondas sinc().
Ahora, se vuelve aún más extraño de lo que aludía TimWestcott: ¡las muestras ni siquiera tienen que estar espaciadas uniformemente en el tiempo! Resulta que CUALQUIER N muestras únicas tomadas dentro de una ventana de tiempo (con ciertas limitaciones) de una señal perfectamente limitada en banda se pueden usar para reconstruir esa señal. ¡Sin embargo, se necesitan muchas más matemáticas para hacerlo!
Con el muestreo no uniforme, ya no obtiene una medición limpia de solo una de las amplitudes sinc(). En cambio, está obteniendo una combinación de muchos, si no todos. Sin embargo, dado que sabe exactamente dónde se encuentra en cada uno (obviamente, cada muestra debe tener una marca de tiempo), es posible resolver el gran sistema de ecuaciones lineales para encontrar las amplitudes reales y, por lo tanto, reconstruir la señal original. Por supuesto, este proceso es muy sensible a pequeñas perturbaciones (ruido y errores matemáticos, por ejemplo), y estoy descartando algunos detalles sobre las restricciones en el conjunto de muestras, pero el principio general se mantiene.
Ya hay buenas respuestas aquí. Tal vez aquí uno muy corto que podría ser útil. Supongo que sabes algo sobre FFT, espectro o al menos filas de Fourier.
Mira la segunda foto que publicaste. ¿Qué frecuencias aparecen en su descomposición de Fourier? Obviamente, tiene frecuencias mucho más altas que la curva de la imagen uno. Pero con la distancia entre los puntos de muestreo (y, por lo tanto, la frecuencia de muestreo), está limitado a algo cuya frecuencia más alta debe ser inferior a la mitad de la frecuencia de muestreo. O al revés:
Los puntos reconstruirán algo con la menor cantidad de sinusoides necesarios para llegar a los puntos.
Una forma de representar una señal es por su evolución en el tiempo (el dominio del tiempo). Otra forma equivalente es por sus componentes de frecuencia (el dominio de frecuencia). Cuanto más "pronunciada" o "más nítida" sea la variación en una señal en el dominio del tiempo, mayor será el contenido de frecuencia de esa señal.
La señal que muestra en la Figura 1 puede tener un espectro de frecuencia como el siguiente:
Hay una frecuencia máxima fmax1 más allá de la cual el contenido de frecuencia es cero, lo que significa que la señal tiene una banda limitada. Para reconstruir la señal sin errores, muestree a una tasa mínima de fs1 = 2*fmax1 (la tasa de Nyquist).
La señal que muestra en la Figura 2 tiene un contenido de mayor frecuencia ya que colocó fuertes variaciones entre varias muestras. Su espectro de frecuencia puede parecerse a esto:
El componente de frecuencia más alta en la señal de la Figura 2 ( fmax2 ) es mayor que el componente de frecuencia más alta en la señal de la Figura 1 ( fmax1 ). Esto significa que debe muestrear a una velocidad más alta para reconstruir la señal, fs2 = 2*fmax2 > fs1 .
En resumen, puede agregar tantas pequeñas variaciones a las señales como desee, pero al hacerlo introduce un contenido de mayor frecuencia y debe aumentar la frecuencia de muestreo de acuerdo con el teorema de Nyquist.
Puede argumentar que una señal sin banda limitada tiene un contenido de frecuencia que se extiende hasta el infinito, y para tal señal no podemos definir una tasa de muestreo mínima para una reconstrucción sin errores. En situaciones prácticas, limitamos la banda de las señales con filtros antialiasing para garantizar que el contenido de frecuencia por encima de cierta frecuencia sea cero.
Hogar
molinos dan
Neil_ES
kevin blanco
AndrejaKo
It says that...if the sampling frequency is higher than twice the maximum frequency of the initial signal
Ciertamente no lo hace. No confunda la frecuencia y el ancho de banda.