18.5
sous-échantillonnage
Lorsque l'on considère une séquence échantillonnée avec des valeurs nulles entre les instants d'échantillonnage, on peut la remplacer en prenant chaqu…
Considérons une séquence échantillonnée avec des valeurs nulles entre les instants d’échantillonnage. Remplacez-le en prenant chaque N-ième valeur de la séquence échantillonnée.
Les séquences d’origine et échantillonnées sont égales à des multiples entiers de N.
La décimation extrait chaque Nième échantillon d’une séquence, ce qui rend la nouvelle séquence plus efficace.
La transformée de Fourier de la séquence décimée est une combinaison de versions mises à l’échelle et décalées du spectre d’origine.
Cette transformation simplifie l’analyse en se concentrant sur les intervalles non nuls.
La relation finale montre que la transformée de Fourier de la séquence décimée est une version mise à l'échelle de la transformée de l'original.
Cette échelle met l’accent sur la nature périodique introduite par la décimation, les spectres ne différant que par l’échelle de fréquence.
Si le spectre d’origine est limité en bande passante sans repliement, la décimation étend le spectre sur une bande de fréquences plus grande.
La décimation d’une séquence à partir d’un signal en temps continu réduit la fréquence d’échantillonnage d’un facteur N, évitant ainsi le repliement si le signal d’origine est suréchantillonné.
Lors de l’interprétation de la séquence originale comme des échantillons d’un signal en temps continu, la décimation est appelée sous-échantillonnage.
View the full transcript and gain access to JoVE Core videos
Q1: What is decimation in signal processing?
Decimation extracts every N-th sample from a sequence, creating a more efficient representation. The original and decimated sequences are equal at integer multiples of N. This process reduces data while maintaining essential signal characteristics, making it valuable for digital signal processing applications.
Q2: How does downsampling affect the Fourier transform of a signal?
The Fourier transform of a decimated sequence is a scaled version of the original spectrum. Decimation introduces periodic repetitions of scaled and shifted versions of the original spectrum, emphasizing the periodic nature created by the downsampling process. This transformation simplifies analysis by focusing on non-zero intervals.
Q3: Why is oversampling important before downsampling?
Oversampling ensures the original signal's sampling frequency is sufficiently high relative to its highest frequency component. This prevents aliasing when decimating a sequence from a continuous time signal. Without adequate oversampling, downsampling spreads the spectrum over a larger frequency band, risking information loss and signal distortion.
Q4: What happens to the spectrum when a band-limited signal is decimated?
If the original spectrum is band-limited with no aliasing, decimation spreads the spectrum over a larger frequency band. The decimated spectrum differs from the original only in frequency scaling. This spreading occurs because decimation reduces the sampling rate by a factor of N, compressing the frequency axis.
Q5: How does downsampling reduce data while preserving signal information?
Downsampling reduces the data rate by extracting every N-th sample, decreasing the number of samples needed. By maintaining critical spectral information through proper oversampling before decimation, the process preserves essential signal characteristics. This enables efficient data handling in telecommunications, audio processing, and data compression applications.
Q6: What is the relationship between decimation and downsampling?
Decimation and downsampling are equivalent processes when interpreting the original sequence as samples from a continuous time signal. Both involve extracting every N-th sample to create a more efficient sequence. The terms are used interchangeably in digital signal processing to describe reducing the sampling rate.
Q7: When should downsampling be applied in signal processing workflows?
Downsampling should be applied after confirming the original signal is adequately oversampled to prevent aliasing. It is most effective when the signal contains redundant samples or when reducing data rate is necessary. After downsampling, reconstruction of signal using interpolation can recover the original signal if the sampling theorem conditions were met.