Biến đổi Fourier :
X( j 2 πf) = F{ X ( t ) } ≜ ∫- ∞+ ∞x ( t ) e - j 2 πft d t
Biến đổi Fourier ngược:
x ( t ) = F- 1{ X( j 2 πf) } = ∫- ∞+ ∞X( j 2 πf) e j 2 πft d f
Hàm xung hình chữ nhật :
trực tràng( U ) ≜ { 01if |u|>12if |u|<12
"Sinc" function ("sinus cardinalis"):
sinc(v)≜{1sin(πv)πvif v=0if v≠0
Define sampling frequency, fs≜1T as the reciprocal of the sampling period T.
Note that:
F{rect(tT)}=T sinc(fT)=1fs sinc(ffs)
Dirac comb (a.k.a. "sampling function" a.k.a. "Sha function"):
IIIT(t)≜∑n=−∞+∞δ(t−nT)
Dirac comb is periodic with period T. Fourier series:
IIIT(t)=∑k=−∞+∞1Tej2πkfst
Sampled continuous-time signal:
xs(t)=x(t)⋅(T⋅IIIT(t))=x(t)⋅(T⋅∑n=−∞+∞δ(t−nT))=T ∑n=−∞+∞x(t) δ(t−nT)=T ∑n=−∞+∞x(nT) δ(t−nT)=T ∑n=−∞+∞x[n] δ(t−nT)
where x[n]≜x(nT).
This means that xs(t) is defined solely by the samples x[n] and the sampling period T and totally loses any information of the values of x(t) for times in between sampling instances. x[n] is a discrete sequence of numbers and is a sorta DSP shorthand notation for xn. While it is true that xs(t)=0 for nT<t<(n+1)T, the value of x[n] for any n not an integer is undefined.
N.B.: The discrete signal x[n] and all discrete-time operations on it, like the Z-Transform, the Discrete-Time Fourier Transform (DTFT), the Discrete Fourier Transform (DFT), are "agnostic" regarding the sampling frequency or the sampling period T. Once you're in the discrete-time x[n] domain, you do not know (or care) about T. It is only with the Nyquist-Shannon Sampling and Reconstruction Theorem that x[n] and T are put together.
The Fourier Transform of xs(t) is
Xs(j2πf)≜F{xs(t)}=F{x(t)⋅(T⋅IIIT(t))}=F{x(t)⋅(T⋅∑k=−∞+∞1Tej2πkfst)}=F{∑k=−∞+∞x(t) ej2πkfst}=∑k=−∞+∞F{x(t) ej2πkfst}=∑k=−∞+∞X(j2π(f−kfs))
Important note about scaling: The sampling function T⋅IIIT(t) and the sampled signal xs(t) has a factor of T that you will not see in nearly all textbooks. That is a pedagogical mistake of the authors of these of these textbooks for multiple (related) reasons:
- First, leaving out the T changes the dimension of the sampled signal xs(t) from the dimension of the signal getting sampled x(t).
- That T factor will be needed somewhere in the signal chain. These textbooks that leave it out of the sampling function end up putting it into the reconstruction part of the Sampling Theorem, usually as the passband gain of the reconstruction filter. That is dimensionally confusing. Someone might reasonably ask: "How do I design a brickwall LPF with passband gain of T?"
- As will be seen below, leaving the T out here results in a similar scaling error for the net transfer function and net frequency response of the Zero-order Hold (ZOH). All textbooks on digital (and hybrid) control systems that I have seen make this mistake and it is a serious pedagogical error.
Note that the DTFT of x[n] and the Fourier Transform of the sampled signal xs(t) are, with proper scaling, virtually identical:
DTFT:
XDTFT(ω)≜Z{x[n]}∣∣∣z=ejω=XZ(ejω)=∑n=−∞+∞x[n] e−jωn
It can be shown that
XDTFT(ω)=XZ(ejω)=1TXs(j2πf)∣∣∣f=ω2πT
The above math is true whether x(t) is "properly sampled" or not. x(t) is "properly sampled" if x(t) can be fully recovered from the samples x[n] and knowledge of the sampling rate or sampling period. The Sampling Theorem tells us what is necessary to recover or reconstruct x(t) from x[n] and T.
If x(t) is bandlimited to some bandlimit B, that means
X(j2πf)=0for all|f|>B
Consider the spectrum of the sampled signal made up of shifted images of the original:
Xs(j2πf)=∑k=−∞+∞X(j2π(f−kfs))
The original spectrum X(j2πf) can be recovered from the sampled spectrum Xs(j2πf) if none of the shifted images, X(j2π(f−kfs)), overlap their adjacent neighbors. This means that the right edge of the k-th image (which is X(j2π(f−kfs))) must be entirely to the left of the left edge of the (k+1)-th image (which is X(j2π(f−(k+1)fs))). Restated mathematically,
kfs+B<(k+1)fs−B
which is equivalent to
fs>2B
If we sample at a sampling rate that exceeds twice the bandwidth, none of the images overlap, the original spectrum, X(j2πf), which is the image where k=0 can be extracted from Xs(j2πf) with a brickwall low-pass filter that keeps the original image (where k=0) unscaled and discards all of the other images. That means it multiplies the original image by 1 and multiplies all of the other images by 0.
X(j2πf)=rect(ffs)⋅Xs(j2πf)=H(j2πf) Xs(j2πf)
The reconstruction filter is
H(j2πf)=rect(ffs)
and has acausal impulse response:
h(t)=F−1{H(j2πf) } = fSchân thành( fSt )
Hoạt động lọc này, được biểu thị bằng phép nhân trong miền tần số tương đương với tích chập trong miền thời gian:
x ( t )= h ( t ) ⊛ xS( t )= H ( t ) ⊛ T Σn = - ∞+ ∞x [ n ] δ ( t - n T)= T Σn = - ∞+ ∞x [ n ] ( h ( t ) ⊛ delta ( t - n T) )= T Σn = - ∞+ ∞x [ n ] h ( t - n T ) )= T Σn = - ∞+ ∞x [ n ] ( f Schân thành( fS( t - n T) ) )= ∑n = - ∞+ ∞x [ n ] sinc ( fS( t - n T) )= ∑n = - ∞+ ∞x [ n ] sinc ( t - n TT)
Điều đó nói lên rõ ràng như thế nào ban đầu x ( t ) được xây dựng lại từ các mẫu x [ n ] và kiến thức về tỷ lệ lấy mẫu hoặc thời gian lấy mẫu.
Vì vậy, đầu ra từ Bộ chuyển đổi kỹ thuật số sang tương tự (DAC) thực tế là gì
Σn = - ∞+ ∞x [ n ] sinc ( t - n TT)
không cần điều trị bổ sung để phục hồi x ( t ), cũng không
xS( T ) = Σn = - ∞+ ∞x [ n ] T δ( t - n T)
trong đó, với một LPF brickwall lý tưởng phục hồi x ( t ) bằng cách cách ly và giữ lại hình ảnh dải cơ sở và loại bỏ tất cả các hình ảnh khác.
Điều gì đến từ một bộ xử lý thông thường, nếu không có quá trình xử lý hoặc chia tỷ lệ được thực hiện cho tín hiệu số hóa, là giá trị x [ n ]được giữ ở một giá trị không đổi cho đến khi mẫu tiếp theo được xuất ra. Điều này dẫn đến một hàm hằng số piecewise :
xBộ giải mã( T ) = Σn = - ∞+ ∞x [ n ] trực tràng ( t - n T- T2T)
Lưu ý sự chậm trễ của 12 giai đoạn mẫu áp dụng cho trực tràng( ⋅ )chức năng. Điều này làm cho nó nhân quả. Nó có nghĩa đơn giản là
xBộ giải mã( t ) = x [ n ] = x ( n T)khi nàon T≤ t < ( n + 1 ) T
Nói cách khác
xBộ giải mã( t ) = x [ n ] = x ( n T)chon = sàn( tT)
Ở đâu sàn nhà( U ) = ⌊ u ⌋là hàm sàn , được định nghĩa là số nguyên lớn nhất không vượt quábạn.
Đầu ra DAC này được mô hình hóa trực tiếp dưới dạng hệ thống bất biến thời gian tuyến tính (LTI) hoặc bộ lọc chấp nhận tín hiệu được lấy mẫu lý tưởngxS( t ) và đối với mỗi xung trong tín hiệu được lấy mẫu lý tưởng, sẽ đưa ra đáp ứng xung này:
hZOH( t ) = 1Ttrực tràng( t - T2T)
Cắm vào để kiểm tra điều này ...
xBộ giải mã( t )= hZOH( t ) ⊛ xS( t )= hZOH( T ) ⊛ T Σn = - ∞+ ∞x [ n ] δ ( t - n T)= T Σn = - ∞+ ∞x [ n ] ( h ZOH( T ) ⊛ delta( t - n T) )= T Σn = - ∞+ ∞x [ n ] h ZOH( t - n T) )= T Σn = - ∞+ ∞x [ n ] 1 Ttrực tràng( t - n T- T2T)= ∑n = - ∞+ ∞x [ n ] trực tràng ( t - n T- T2T)
Đầu ra DAC xBộ giải mã( t ), là đầu ra của một hệ thống LTI với đáp ứng xung hZOH( t )đồng ý với việc xây dựng liên tục piecewise ở trên. Và đầu vào của hệ thống LTI này là tín hiệu được lấy mẫuxS( t ) thận trọng thu nhỏ để hình ảnh cơ sở của xS( t ) hoàn toàn giống với phổ của tín hiệu gốc được lấy mẫu x ( t ). Đó là
X( j 2 πf) = XS( j 2 πf)cho- fS2< f< + fS2
Phổ tín hiệu ban đầu giống như phổ được lấy mẫu, nhưng với tất cả các hình ảnh, đã xuất hiện do lấy mẫu, bị loại bỏ.
Hàm truyền của hệ thống LTI này, mà chúng tôi gọi là giữ không thứ tự (ZOH) , là Biến đổi Laplace của đáp ứng xung:
HZOH( s )= L{ hZOH( t ) }≜ ∫- ∞+ ∞hZOH( t ) e - s t d t= ∫- ∞+ ∞1Ttrực tràng( t - T2T) e - s t d t= ∫0T1T e- s t d t= 1T1- se- s t|||T0= 1 - e- s Ts T
Đáp ứng tần số có được bằng cách thay thế j 2 πf→ s
HZOH( j 2 πf)= 1 - e- j 2 πfTj 2 πfT= e- j πfTej πfT- e- j πfTj 2 πfT= e- j πfTtội( πfT)πfT= e- j πfTchân thành( fT)= e- j πfTchân thành( ffS)
Điều này cho thấy bộ lọc pha tuyến tính với độ trễ không đổi trong khoảng thời gian một nửa mẫu,T2và với mức tăng giảm theo tần số ftăng. Đây là một hiệu ứng bộ lọc thông thấp nhẹ. Tại DC,f= 0, mức tăng là 0 dB và tại Nyquist, f= fS2mức tăng là -3,9224 dB. Vì vậy, hình ảnh dải tần cơ sở có một số thành phần tần số cao giảm đi một chút.
Như với tín hiệu được lấy mẫu xS( t ), có hình ảnh trong tín hiệu được lấy mẫu xBộ giải mã( t ) tại bội số nguyên của tần số lấy mẫu, nhưng những hình ảnh đó bị giảm đáng kể về biên độ (so với hình ảnh dải cơ sở) bởi vì | HZOH( j 2 πf) | đi qua không khi f= k ⋅ fS cho số nguyên k đó không phải là 0, nằm ngay giữa những hình ảnh đó.
Kết luận:
Nắm giữ không thứ tự (ZOH) là mô hình bất biến theo thời gian tuyến tính của quá trình tái tạo tín hiệu được thực hiện bởi bộ chuyển đổi Digital-to-Analog (DAC) thực tế giữ hằng số đầu ra ở giá trị mẫu, x [ n ], cho đến khi được cập nhật bởi mẫu tiếp theo x [ n + 1 ].
Trái với quan niệm sai lầm phổ biến, ZOH không liên quan gì đến mạch giữ mẫu (S / H) mà người ta có thể tìm thấy trước bộ chuyển đổi Tương tự sang số (ADC) . Miễn là DAC giữ đầu ra ở một giá trị không đổi trong mỗi giai đoạn lấy mẫu, không có vấn đề gì nếu ADC có S / H hay không, hiệu ứng ZOH vẫn còn. Nếu DAC xuất ra thứ gì đó không phải là đầu ra không đổi piecewise (chẳng hạn như một chuỗi các xung hẹp nhằm mục đích xấp xỉ các xung dirac) được mô tả ở trên nhưxBộ giải mã( t ), sau đó không có hiệu ứng ZOH (thay vào đó là một thứ khác) cho dù có mạch S / H trước ADC hay không.
Hàm truyền ròng của ZOH là HZOH( s ) = 1 - e- s Ts T
và đáp ứng tần số ròng của ZOH là HZOH( j 2 πf) = e- j πfTchân thành( fT)
Nhiều sách giáo khoa bỏ ra T yếu tố trong mẫu số của hàm truyền và đó là một sai lầm.
ZOH làm giảm hình ảnh của tín hiệu được lấy mẫuxS( t )đáng kể, nhưng không loại bỏ chúng. Để loại bỏ hình ảnh, người ta cần một bộ lọc thông thấp tốt như trước đây. BrickF LPF là một lý tưởng hóa. LPF thực tế cũng có thể làm giảm hình ảnh dải tần cơ sở (mà chúng tôi muốn giữ) ở tần số cao và sự suy giảm đó phải được tính như với sự suy giảm dẫn đến ZOH (mức suy giảm nhỏ hơn 3.9224 dB). ZOH cũng làm chậm tín hiệu trong khoảng thời gian một nửa mẫu, có thể phải xem xét (cùng với độ trễ của LPF chống hình ảnh), đặc biệt nếu ZOH nằm trong vòng phản hồi.