{
  "id": "nyquist-shannon-sampling-theorem",
  "title": "奈奎斯特–香农采样定理",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "奈奎斯特–香农采样定理给出了从等间隔样本精确重建带限连续信号的条件。",
  "category": "mathematics",
  "subcategory": "applied",
  "type": "concept",
  "aliases": [
    "香农采样定理",
    "奈奎斯特采样定理",
    "惠特克–香农采样定理",
    "惠特克–科捷利尼科夫–香农采样定理"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/nyquist-shannon-sampling-theorem/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/nyquist-shannon-sampling-theorem/",
      "json": "https://aiwiki.page/en/nyquist-shannon-sampling-theorem.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "奈奎斯特–香农采样定理指出，对于频率成分局限于有限频带内的连续时间信号，在适当的数学条件下，其在等间隔时刻的取值可以完全确定该信号。在常见的低通形式中，如果一个信号不含高于 \\(B\\) 赫兹的频率成分，就可以通过每秒超过 \\(2B\\) 次的采样来重建该信号。数值 \\(2B\\) 称为该信号的奈奎斯特速率；给定采样率的一半则是相应的奈奎斯特频率。这两个量相互关联，但描述的是不同概念，不应混淆。\n\n该定理为将连续信号转换为离散表示提供了数学基础。它解释了数字音频、采样测量系统、电信和数字成像为何能够保留经过适当限制的模拟信号中的信息。其核心操作不仅是记录采样点，更在于通过插值重建连续信号，而傅里叶变换则将时域样本与信号的频率成分联系起来。\n\n作为一种具体的采样定理，这一定理的成立依赖于对带宽、采样点的几何分布以及所研究信号类别的假设。精确重建需要理想化的无限数据和滤波；实际系统则会受到记录长度有限、滤波器不理想、噪声、定时误差和幅度量化等因素的影响。该定理的扩展形式涵盖带通信号、非均匀采样、高维数据，以及由单一低通带宽以外的约束条件所刻画的信号。"
    },
    {
      "heading": "数学表述与假设",
      "text": "设 \\(x(t)\\) 为连续时间信号，并采用如下傅里叶变换约定：\n\n\\[X(f)=\\int_{-\\infty}^{\\infty}x(t)e^{-i2\\pi ft}\\,dt.\\]\n\n若在 \\(|f|>B\\) 时有 \\(X(f)=0\\)，则称该信号带限于 \\(B\\) 赫兹。这一表述涉及信号的整个频谱，包括负频率部分。对于实值信号，正、负频率分量互为复共轭；负频率部分并不代表额外的独立物理振荡。这里的频率变量 \\(f\\) 以每秒周期数为单位，而非每秒弧度数。\n\n假设在 \\(t=nT\\) 时刻采样，其中 \\(n\\) 遍历所有整数，\\(T>0\\) 为采样间隔，\\(f_s=1/T\\) 为采样频率。该定理的一种标准表述是：对于能量有限的带限信号，当 \\(f_s\\geq 2B\\) 时，\n\n\\[x(t)=\\sum_{n=-\\infty}^{\\infty} x(nT)\\, \\operatorname{sinc}\\!\\left(\\frac{t-nT}{T}\\right),\\]\n\n其中\n\n\\[\\operatorname{sinc}(u)= \\begin{cases} \\dfrac{\\sin(\\pi u)}{\\pi u},&u\\ne0,\\\\[4pt] 1,&u=0. \\end{cases}\\]\n\n能量有限是指 \\(\\int_{\\mathbb R}|x(t)|^2\\,dt<\\infty\\)。这类信号属于 L^2 空间，而傅里叶逆变换为其给出了一个自然的连续代表元，采样公式适用于这一代表元。\n\n需要谨慎区分 \\(f_s>2B\\) 与 \\(f_s=2B\\) 这两种情况。在有限能量的表述中，频谱在孤立端点处的取值不影响信号，因此以临界采样率进行重建是成立的。然而，对于更广泛的信号类别，恰好位于边界处的谱线可能导致重建失败。当 \\(f_s=2B\\) 时，正弦信号\n\n\\[x(t)=\\sin(2\\pi Bt)\\]\n\n的样本为 \\(x(nT)=\\sin(\\pi n)=0\\)，因而无法将其与零信号区分开来。这个正弦信号的总能量无穷大，不满足能量有限的假设。常见表述中采用严格不等式，既避免了这种端点歧义，也为实际滤波器的过渡带留出了余地。\n\n这些假设还区分了唯一性与物理可实现性。该定理表明，在指定的带限信号类别内，信号可由样本唯一确定；若没有这一限制，就会有无穷多个连续函数经过相同的采样点。另一方面，非零的有限能量信号不可能既严格带限，又仅存在于有限时间区间内。带限信号具有解析延拓性质：其傅里叶逆变换积分可以延拓为复时间变量上的整解析函数。因此，持续时间有限的实际信号只能近似满足带宽假设，不过对于特定应用，其带外分量可能小到可以忽略不计。"
    },
    {
      "heading": "频谱复制与频域证明",
      "text": "均匀采样在数学上可以表示为信号与冲激序列的乘积：\n\n\\[p_T(t)=\\sum_{n\\in\\mathbb Z}\\delta(t-nT),\\qquad x_s(t)=x(t)p_T(t) =\\sum_{n\\in\\mathbb Z}x(nT)\\delta(t-nT).\\]\n\n这里的冲激是狄拉克分布，而非普通函数，因此这些表达式需要用分布理论来解释。它们的作用是精确表示采样位置和幅值；实际的转换器则是在非零时长的时间区间内测量电压或电荷。\n\n冲激序列的傅里叶变换仍是冲激序列：\n\n\\[P_T(f)=\\frac{1}{T} \\sum_{k\\in\\mathbb Z}\\delta(f-kf_s).\\]\n\n时域中的乘法对应于频域中的卷积，因此\n\n\\[X_s(f)=\\frac{1}{T} \\sum_{k\\in\\mathbb Z}X(f-kf_s).\\]\n\n因此，采样会产生原始频谱的平移副本，其中心位于 \\(f_s\\) 的各个整数倍处。因子 \\(1/T\\) 来自所采用的归一化约定。这一频谱复制恒等式揭示了精确重建的核心机制，也解释了采样率不足时为何无法精确重建。\n\n如果原始频谱占据 \\([-B,B]\\)，那么当 \\(f_s\\geq2B\\) 时，相邻频谱副本的内部不会重叠。理想的重建滤波器可以选出中心副本，并恢复其幅值。例如，令滤波器的频率响应在 \\((-f_s/2,f_s/2)\\) 内等于 \\(T\\)，在此区间外等于零。其冲激响应为\n\n\\[h(t)=\\operatorname{sinc}(t/T).\\]\n\n用该滤波器对采样后的冲激序列进行滤波，便得到\n\n\\[(x_s*h)(t) =\\sum_{n\\in\\mathbb Z}x(nT)h(t-nT),\\]\n\n这正是重建级数。在临界采样率下，各频谱副本的边界恰好相接；高于临界采样率时，它们之间则存在一段未被占用的频率间隙。\n\n另一种证明使用傅里叶级数。将 \\(X(f)\\) 视为区间 \\([-f_s/2,f_s/2]\\) 上的平方可积函数，必要时在原频谱之外补零。它在指数函数基底下的系数与样本值成正比：\n\n\\[T\\int_{-f_s/2}^{f_s/2} X(f)e^{i2\\pi fnT}\\,df =T\\,x(nT).\\]\n\n因此，在该区间上，以适当的均方收敛意义，有\n\n\\[X(f)=T\\sum_{n\\in\\mathbb Z} x(nT)e^{-i2\\pi fnT}\\]\n\n对每个基函数项作傅里叶逆变换，就会得到一个平移后的 sinc 函数。这一证明表明，样本序列并不只是一组测量值：经过归一化后，它给出了频谱在一组完备的标准正交基下的坐标。它也解释了为什么采样间隔与频谱区间宽度互为倒数。"
    },
    {
      "heading": "Sinc 插值、收敛性与稳定性",
      "text": "重建核通常称为基数正弦函数，由此得到的展开称为基数级数。其插值性质来自\n\n\\[\\operatorname{sinc}(m-n)= \\begin{cases} 1,&m=n,\\\\ 0,&m\\ne n. \\end{cases}\\]\n\n在采样时刻 \\(t=mT\\)，除第 \\(m\\) 项外，其余各项均为零。然而，在采样时刻之间，通常所有样本都会对重建结果产生贡献。因此，精确重建是一种全局运算，不同于用直线连接相邻样本或选取最近的样本。\n\n这一理论的自然框架是由频谱支集位于 \\([-f_s/2,f_s/2]\\) 内的平方可积函数构成的希尔伯特空间。在该空间中，各个平移后的 sinc 函数彼此正交，且各自的范数平方均为 \\(T\\)。采样展开在能量范数意义下收敛，并满足\n\n\\[\\int_{-\\infty}^{\\infty}|x(t)|^2\\,dt = T\\sum_{n\\in\\mathbb Z}|x(nT)|^2.\\]\n\n这一恒等式表明，经过适当的缩放，采样保持能量不变。它也明确体现了唯一性：如果该空间中某个信号的所有样本均为零，那么该信号本身的能量也为零。\n\n对于这种有限能量的情形，收敛在整个时间轴上也是一致的。若 \\(e(t)\\) 是频谱支集位于同一频率区间内的带限重建误差，则由傅里叶逆变换积分和柯西—施瓦茨不等式可得\n\n\\[|e(t)|\\leq \\sqrt{f_s}\\,\\|e\\|_2.\\]\n\n因此，sinc 展开的部分和在能量意义下收敛，就意味着一致收敛。这类结论取决于所采用的函数空间：为有限能量信号写出的公式，并不能自动证明所有有界波形、广义函数或随机过程都具有相同的收敛性质。\n\n能量恒等式给出了精确的稳定性结论。若样本误差 \\(e_n\\) 构成平方可和序列，则其 sinc 插值的能量为\n\n\\[\\left\\|\\sum_n e_n\\operatorname{sinc}(t/T-n)\\right\\|_2^2 =T\\sum_n|e_n|^2.\\]\n\n不过，能量范数意义下的稳定性并不意味着具备所有形式的鲁棒性。各个平移后的 sinc 函数的绝对值之和通常无界，因此，一致有界但除此之外任意的误差，通过理想的临界采样率插值器后，未必能使输出得到一致的界限控制。\n\n过采样为重建提供了不同的可能性。若 \\(f_s>2B\\)，滤波器只需还原信号所占据的频带，同时抑制其他频谱副本；在这些频带之间的空隙内，可以更自由地选择其频率响应。更平滑的频率响应可以产生比 sinc 衰减更快的时域核。这种自由度改善了实际截断时的表现，也能在适用于有界扰动的范数下增强鲁棒性。此时，相对于较小的信号空间，样本中包含了冗余，而不再是每个采样时刻的样本都代表一个独立坐标。"
    },
    {
      "heading": "混叠与唯一性的丧失",
      "text": "当不同的连续时间频率分量产生相同的离散时间样本时，就会发生**混叠**。对于复指数信号，\n\n\\[e^{i2\\pi(f+kf_s)nT}=e^{i2\\pi fnT}\\]\n\n对任意整数 \\(k\\) 都成立。因此，采样会将模 \\(f_s\\) 同余的频率视为相同。在离散时间频谱中，频率具有周期性；即使选定一个代表区间，例如 \\([-f_s/2,f_s/2)\\)，也无法据此确定某个分量原本来自哪个连续时间频率。\n\n对于实正弦信号，正频率与负频率还会成对出现。因此，一个单频信号经过采样后所呈现的频率，可以通过将其原频率平移 \\(f_s\\) 的整数倍，再折叠到区间 \\([0,f_s/2]\\) 内得到。采样率为 \\(8\\) kHz 时，频率为 \\(6\\) kHz 的余弦信号与相位相应的 \\(2\\) kHz 余弦信号会产生相同的样本序列。除非提供额外的限制条件或测量结果，否则仅凭该序列进行任何处理，都无法判定实际存在的是哪一个信号。\n\n对于一般频谱，欠采样会使频谱复制公式中的各个平移副本相互重叠。它们的复振幅相加，并会随相位关系的不同而相互增强或抵消。这不仅是频谱显示上的错误，而是意味着采样操作在所假定的信号类上不再具有单射性。不同的输入信号可能映射为完全相同的数据。一旦不需要的频率折叠进目标频带，普通的数字低通滤波器便无法将它们与占据相同频率的有效分量分离。\n\n对序列降低采样率时也会发生混叠。每隔 \\(M\\) 个样本保留一个，会使采样率从 \\(f_s\\) 变为 \\(f_s/M\\)。除非事先已将序列的频谱限制在新的奈奎斯特频带内，否则原本可以区分的频谱分量在抽取后就会重叠。因此，减少样本数量通常需要先滤波，再选取样本，而不能只选取样本。\n\n定理中的带宽条件针对的是采样瞬间的输入，而不仅仅是预期信号。传感器噪声、射频干扰、谐波以及前级产生的失真，都可能在奈奎斯特频率以上引入能量。因此，即使所需波形变化缓慢，名义上的低频实验也可能出现混叠。反过来，如果事先已知信号所占据的频带，且采样后该频带仍可与其频谱副本分离，那么频率高于 \\(f_s/2\\) 的信号也并非一定无法恢复。这种情况属于带通采样，适用的是另一类允许输入的信号，而不是唯一性要求的例外。"
    },
    {
      "heading": "模拟滤波与物理重建",
      "text": "实际的信号采集链通常包含传感器、模拟**抗混叠滤波器和模数转换器**。滤波器在采样之前衰减不需要的高频成分。它所处的位置至关重要：转换后进行滤波可以去除数字信号中的某些频率成分，却无法消除采样过程中已经发生的未知模拟信号分量之间的混叠。\n\n理想低通滤波器会让某一频率区间内的信号完全通过，并将一个陡峭边界以外的所有频率成分彻底滤除。它的冲激响应在时间轴上向正、负两个方向无限延伸，因此无法以有限延迟的因果器件精确实现。实际滤波器具有通带、过渡带以及衰减程度有限的阻带。因此，工程指标通常会在所需的最高频率 \\(B\\) 与 \\(f_s/2\\) 之间留出间隔。可用的过渡带宽度会影响滤波器阶数、延迟、幅度纹波，以及残余的不需要的信号能量中有多少会造成混叠。\n\n数字音频体现了理论极限与实际限制之间的区别。\\(44.1\\) kHz 的采样率对应的奈奎斯特频率为 \\(22.05\\) kHz。如果所需通带的上限为 \\(20\\) kHz，那么距离这一边界还留有约 \\(2.05\\) kHz 的余量，而不是要求在可听通带的边缘实现理想的陡峭截止。许多转换器架构在内部以高得多的速率工作，利用数字滤波实现狭窄的过渡带，然后再降低采样率。科学仪器中将性能要求不高的模拟滤波与大幅过采样相结合时，也运用了同样的原理。\n\n重建硬件会引入另一个滤波问题。**数模转换器**可以在一个采样周期内保持每个样本值不变，从而产生阶梯状波形。零阶保持的归一化频率响应因子为\n\n\\[e^{-i\\pi fT}\\operatorname{sinc}(fT).\\]\n\n因此，它既会引入延迟，也会造成随频率变化的衰减，后者通常称为保持下垂。输出信号还包含位于采样频率各整数倍附近的频谱镜像。重建滤波器（也称抗镜像滤波器）用于抑制这些镜像，而均衡则可用于补偿通带下垂。\n\n理想定理采用瞬时点值，而实际采集电路具有有限的孔径时间，并需要一定的建立时间。对一个短时间区间内的信号取平均所得的测量值，是经过滤波的样本，并不严格等于 \\(x(nT)\\)。如果已知这种孔径响应，且它在整个所需频带内均不为零，就可能进行补偿。响应中的零点、建立不充分或削波，都可能以仅凭采样率条件无法描述的方式破坏信息。因此，正确选择采样率只是信号保真链中的一个环节，并不能保证每一种转换器实现都是无损的。"
    },
    {
      "heading": "有限记录、幅度量化与定时误差",
      "text": "重建公式需要整个整数时间轴上的样本，而记录文件只能提供有限个样本。截断 sinc 级数会舍弃可用区间之外的样本所产生的贡献；由此产生的误差取决于这些缺失的样本，以及核函数缓慢的 \\(1/|t|\\) 衰减。在记录边界附近，缺少相邻数据的影响尤为显著。如果不对信号的整体形式作出额外假设，任何有限记录都无法精确确定任意的有限能量带限信号。\n\n有限长度插值器通常将 sinc 函数乘以窗函数，并且只保留有限个系数。这样可以得到可实现的滤波器，但也会改变其频率响应。此时，通带误差、过渡带宽度和阻带泄漏都取决于窗函数和滤波器长度。同样，通过有限时间窗观测信号，相当于将信号的频谱与窗函数的傅里叶变换进行卷积。有限记录频谱中的**频谱泄漏**与混叠不同：泄漏源于时域加窗，而混叠源于采样使不同频率变得不可区分。\n\n离散傅里叶变换用有限个频率系数描述有限序列。其通常的解释包含对该序列进行周期延拓。因此，对这类数据进行傅里叶插值，重建出的是周期性的三角多项式，并不必然是原始的非周期波形。重复记录的末尾与开头之间若存在不连续，就可能引入很强的高频成分。快速傅里叶变换能够加速这些系数的计算，但不会改变其中的假设，也无法恢复样本中不存在的信息。\n\n幅度**量化**与时间采样是两个独立的过程。数学定理允许样本值具有无限精度，而 \\(b\\) 位转换器会将这些值映射到有限个电平。对于步长为 \\(\\Delta\\) 的理想均匀量化器，一种常用的近似是将误差建模为在 \\([-\\Delta/2,\\Delta/2]\\) 上均匀分布，其方差为 \\(\\Delta^2/12\\)。在针对理想满量程正弦信号的通常假设下，由此得到的信号量化噪声比约为 \\(6.02b+1.76\\) 分贝。这一模型并不普遍适用：量化误差可能与信号相关，尤其是在输入信号幅度较小或为简单周期信号时；而过载则会产生另一种机制的误差。\n\n定时不确定性，也称为**时钟抖动**，会使采样时刻发生偏移。当误差 \\(\\delta t_n\\) 很小时，\n\n\\[x(nT+\\delta t_n)-x(nT)\\approx x'(nT)\\delta t_n.\\]\n\n高频信号对此更加敏感，因为其斜率可能更大。对于频率为 \\(f\\) 的正弦输入，以及均方根值为 \\(\\sigma_t\\) 的微小、相互独立的定时误差，常用的近似为\n\n\\[\\mathrm{SNR}_{\\mathrm{jitter}} \\approx -20\\log_{10}(2\\pi f\\sigma_t).\\]\n\n即使标称采样率远高于奈奎斯特率，这些误差仍然存在。"
    },
    {
      "heading": "带通采样、复信号与采样率转换",
      "text": "熟悉的规则 \\(f_s>2B\\) 假定信号的频谱支集为低通型，从零频率延伸到最高频率 \\(B\\)。实值带通信号则占据两个互为镜像的区间，即 \\([f_L,f_H]\\) 和 \\([-f_H,-f_L]\\)，其正频率带宽为 \\(W=f_H-f_L\\)。由于中间的频率成分不存在，有可能以低于 \\(2f_H\\) 的速率采样而不丢失信息。其基本要求仍然是：各频谱副本所占据的区域不能重叠。\n\n对于频谱支集完全已知的理想实值带通信号，标准的均匀采样率允许区间可写为\n\n\\[\\frac{2f_H}{m}\\leq f_s\\leq \\frac{2f_L}{m-1},\\]\n\n其中，整数 \\(m\\geq2\\) 必须使该区间非空。通常的高采样率情形 \\(f_s\\geq2f_H\\) 对应于 \\(m=1\\)，此时没有上界。与低通采样一样，当边界取等号时，也必须谨慎处理端点处的频率成分。尽管 \\(2W\\) 是一个基本的带宽尺度，但对于给定的频带位置，并非所有高于 \\(2W\\) 的采样率都可用。\n\n例如，一个频谱局限于 \\(70\\)–\\(80\\) MHz 的实值信号，在理想情况下可以每秒 \\(30\\) 百万个样本的速率采样。取 \\(m=5\\) 时，允许的采样率区间为 \\(32\\) 至 \\(35\\) MHz，因此并不能支持这个例子；取 \\(m=6\\) 时，有\n\n\\[26\\tfrac{2}{3}\\ \\mathrm{MHz}\\leq f_s\\leq28\\ \\mathrm{MHz},\\]\n\n同样不包含 \\(30\\) MHz。事实上，\\(30\\) MHz 会使正、负频带的频谱副本重叠，因此并不适用。在理想频谱支集假设下，\\(34\\) MHz 位于 \\(m=5\\) 对应的区间内，可以避免这种重叠。这说明，不能仅凭带宽来选择欠采样率。实际的带通采集还要求输入电路能够跟踪原始高频波形，并配备滤波器以排除其他频带。\n\n复数采样改变了采样率的计数方式。正交接收机产生同相分量和正交分量，并将二者组合为 \\(z(t)=I(t)+iQ(t)\\)。对于频谱占据宽度为 \\(W\\) 的区间的复信号，在适当的边界假设下，理想情况下可以每秒 \\(W\\) 个复数样本的速率采样。每个复数样本包含两个实数；这与实值带通波形每秒约含 \\(2W\\) 个实数参数并不矛盾。\n\n采样率转换是在数字域中应用相同的频谱原理。将采样率提高整数倍时，先插入零值，再应用低通插值滤波器，以抑制由此产生的频谱镜像。降低采样率时，则必须先进行低通滤波，然后仅保留部分样本。有理数转换因子 \\(L/M\\) 将这两种操作结合起来，通常采用**多相滤波器**实现，以避免计算随后会被丢弃的输出。过采样可以降低滤波难度，并支持噪声整形架构，但对于一个已经完全已知的带限波形，额外的样本并不会带来新的信息。"
    },
    {
      "heading": "非均匀采样与高维推广",
      "text": "等间隔采样使经典定理的形式格外简单，但采样点的分布并不一定要等间隔。对于非均匀采样位置 \\(t_n\\)，能否恢复信号既取决于采样点的分布，也取决于单位时间内的平均采样点数。局部密集的采样点无法无限度地弥补其他位置的大幅空缺。研究稳定重建时，自然会用到**框架理论**：其中的框架是一组允许冗余的测量函数，并具有控制测量能量与信号能量之间关系的上界和下界。\n\n一个经典的充分性结果是卡德茨四分之一定理。在归一化单位下，如果\n\n\\[\\sup_{n\\in\\mathbb Z}|\\lambda_n-n|<\\frac14.\\]\n\n那么，频率为 \\(\\lambda_n\\) 的指数函数就在 \\([-\\pi,\\pi]\\) 上构成一个里斯基。借助傅里叶对偶性，这一定理保证：当带限信号的采样位置相对于临界均匀网格的偏差小于采样间隔的四分之一时，采样仍具有稳定性。这是一个充分条件，并非对所有稳定非规则采样集的完整刻画。在其他假设下，不规则程度大得多的采样分布也可能适用。\n\n采样密度给出了适用范围更广的必要条件。对于频谱支撑于有限测度集合上的整个平方可积信号类，兰道密度理论将稳定恢复所需的采样下密度与该频谱集合的测度联系起来。频谱支撑于 \\([-B,B]\\) 的实值低通信号类，其频谱测度为 \\(2B\\)，以赫兹计，与熟知的采样密度尺度一致。一般而言，密度本身并不足以保证稳定恢复：采样集的几何分布和所要求的稳定性仍然重要。\n\n在多维情形下，各频谱副本的平移量由空间采样晶格的倒易晶格决定。对于频谱支撑于\n\n\\[|f_x|<B_x,\\qquad |f_y|<B_y,\\]\n\n之内的二维图像，只要间距为 \\(\\Delta_x,\\Delta_y\\) 的矩形网格满足\n\n\\[\\Delta_x<\\frac{1}{2B_x},\\qquad \\Delta_y<\\frac{1}{2B_y}.\\]\n\n就足以实现重建。重建核可以分解为沿各坐标方向的 sinc 函数的乘积。对于圆形频谱支撑区域，其他晶格结构可能比矩形网格更有效地利用采样点。此外，在记录图像的空间样本之前，像素积分和光学模糊也会改变图像。\n\n另一些推广则用结构更明确的信号模型，替代不受额外限制的带限信号空间。**压缩感知**利用稀疏性和合适的测量算子，从较少的测量中重建某些稀疏信号，通常通过凸优化实现。其测量不必是均匀分布的点采样，其保证针对的是受限模型，而非给定带宽内的所有信号。类似地，有限新息率方法利用的是有限参数描述，例如单位时间内只有有限个脉冲。这些理论改变了先验假设和测量设计；它们并不能从不足以满足经典采样条件的样本序列中恢复任意带外信息。"
    },
    {
      "heading": "历史发展及其与信息论的关系",
      "text": "这一定理是在多种数学与工程传统中逐步发展起来的，并非源于某一次单独的发现。涉及基数正弦函数的插值公式早在现代数字电子技术出现之前就已问世。E. T. 惠特克于 1915 年开展的插值与基数函数研究，是一项重要的数学先驱工作。J. M. 惠特克随后进一步发展了相关的插值理论。这些贡献解释了“惠特克–香农插值”这一名称的由来；该名称强调的是重建公式，而不只是最低采样率。\n\n哈里·奈奎斯特在贝尔电话实验室的工作研究了电报信号传输的速率极限。他在 1924 年发表的《影响电报速度的若干因素》和 1928 年发表的《电报传输理论中的若干问题》两篇论文，将信号传输速率、波形结构与传输带宽联系起来。对于带宽为 \\(B\\) 的低通信道，每秒传输 \\(2B\\) 个独立实值脉冲幅度的理想速率，与采样定理密切相关。不过，奈奎斯特最初研究的工程问题涉及传输和码间干扰，不应将其简单地等同于后来重建定理的全部内容。\n\n弗拉基米尔·科捷利尼科夫于 1933 年在有关通信系统传输能力的研究中提出了一项采样结果。他的表述确立了这样一个结论：带限函数可以通过等间隔的函数值来表示，并利用插值级数重建。克劳德·香农在 1949 年的论文《噪声存在时的通信》中，对这一定理作出了广为人知的陈述和解释。这些不同的历史脉络，使其有了惠特克–科捷利尼科夫–香农定理、奈奎斯特–香农定理等名称。这些名称也反映出不同贡献之间的区别：插值恒等式的首次提出、从通信角度作出的解释，以及该定理后来的传播推广，并非同一回事。\n\n该定理与信息论有着深刻联系，但必须区分样本与比特。从有效时频集中的意义上说，带限信号在持续时间为 \\(\\tau\\) 的较长时间区间内，大约具有 \\(2B\\tau\\) 个实自由度。这并不意味着一段有限长度的记录恰好包含这么多个独立坐标：严格带限的信号在时间上无限延伸，而且端点效应也不可忽略。同样，每个理想样本也并不包含固定数量的比特。要精确表示任意一个实数幅度，需要无限的精度。\n\n引入噪声和幅度约束后，会得到另一项结果，即描述信道容量的香农–哈特利公式：\n\n\\[C=B\\log_2\\!\\left(1+\\frac{S}{N}\\right),\\]\n\n该公式适用于标准的带限加性高斯白噪声信道，其中信号功率为 \\(S\\)，带内噪声功率为 \\(N\\)，容量 \\(C\\) 的单位为比特每秒。采样描述的是如何在不丢失连续时间信息的情况下表示受限波形；信道容量则限定了通过有噪信道进行可靠通信的速率。有噪信道编码定理讨论的是如何通过编码实现这种可靠性。单纯提高采样率，既不会增加模拟信道的带宽，也不会消除其中的噪声，因此，每秒的样本数与每秒可靠传输的比特数始终是不同的量。"
    }
  ],
  "links": [
    "interpolation",
    "fourier-transform",
    "sampling-theorem",
    "lp-space",
    "analytic-function",
    "convolution",
    "fourier-series",
    "orthonormal-basis",
    "hilbert-space",
    "cauchy-schwarz-inequality",
    "uniform-convergence",
    "aliasing",
    "discrete-fourier-transform",
    "fast-fourier-transform",
    "quantization-signal-processing",
    "variance",
    "convex-optimization",
    "claude-shannon",
    "information-theory",
    "channel-capacity",
    "noisy-channel-coding-theorem"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}