采样定理是整个数据采集领域最重要的定理，没有之一。它一句话就能说完，但背后藏着大量工程细节：为什么是2倍不是1.5倍？fs=2fN时为什么还会失真？混叠到底是什么样子？5倍法则从何而来？本文从零推起，把这些问题一次讲清，并给出可直接复现的Python实验。全文约4500字。

一、定理本身：一句话与三个推论

奈奎斯特采样定理：采样率fs必须大于被测信号感兴趣最高频率分量fN的两倍，即：

fs > 2 × fN

其中fN被称为奈奎斯特频率，fs/2被称为折叠频率。这个定理可以直观理解为：一个正弦波每个周期最少两个点才能还原。

三个重要推论：

1. 推论一：若fs < 2fN，采样点连成的波形将出现"混叠"——虚假的低频成分凭空出现；
2. 推论二：fs = 2fN只是理论下限，且要求相位恰好对准波峰波谷，实际中不可依赖；
3. 推论三：工程实践采用"5倍法则"——采样率取信号最高频率的5倍以上，波形衰减可控制在2%以内。

下面逐一展开论证。

二、为什么fs=fN不行？——一次思想实验

设想一个频率为fN的正弦波，采样率恰好等于fN。因为两者周期一致，每个采样周期内ADC只能采到一个点。更糟的是，如果第一次采样恰好落在过零点，之后每个采样点都落在过零点——你采到的将是一条永恒的直线（幅度为零），原始信号完全消失。即使相位不巧落在别的位置，采到的点也永远在同一个相位上，连接起来仍是一条直线，波形严重失真。假设不成立，fs必须大于fN。

三、为什么fs=(4/3)fN还不行？

把采样率提高到1.33倍呢？此时不同周期内采到的点数不一样：有时采到2个点，有时只有1个点，各周期的采样相位不断漂移，连接后的波形呈现复杂的失真形状——依然不是原信号。这说明"略高于1倍"远远不够。

四、fs=2fN的极限与缺陷

当fs恰好等于2fN时，每个正弦周期严格采到2个点。如果第一个点恰好落在波峰，第二个点就落在波谷，连接后得到一个三角波——经过适当的函数处理（低通滤波恢复）理论上可以还原正弦。但这个结论有个致命前提：必须恰好找到波峰或波谷。如果第一个点落在幅度0.707的位置，两个点幅度相同，波形信息大量丢失。采样相位无法预知，所以2倍只是数学下限，工程上不能只给2倍。

从另一个角度理解：任何实际信号都不是纯净单频，而是占据一段频带（基波+谐波+噪声）。只要频带内存在接近fs/2的分量，边界处就会有恢复失真。因此实际系统总是留足余量。

五、混叠：数字世界的"海市蜃楼"

当信号频率高于fs/2时会发生什么？答案不是"采不到"，而是更糟——它会以镜像频率出现在低频段，伪装成真实信号。混叠频率的计算公式：

f_alias = |f_signal - N × fs|，N为使结果落入0~fs/2的整数

举个例子：fs=10kHz，输入7kHz正弦。7k - 10k = -3k，取模得3kHz——你的数据里会出现一条"完美的3kHz正弦"，频谱仪上一览无余，但它根本不存在。更可怕的是：一旦数据中出现混叠频率，后期即便增加软件滤波，也难以剔除，因为混叠在采样的瞬间就完成了"身份洗白"，它与真实低频信号在数据层面完全无法区分。

5.1 混叠的三大诊断手法

虽然混叠无法事后消除，但可以事后诊断：

1. 频谱对比法：已知信号应为7kHz，频谱却出现3kHz峰——立即立案；
2. 变采样率法：把fs从10k改到20k。真实信号在频谱上的位置不动；混叠假波的频率会随fs跳变。一动一不动，真假立辨。这是最强的诊断术；
3. 波形包络法：混叠波形常呈现幅度周期起伏的"拍频"形状。

5.2 混叠的预防：抗混叠低通滤波器

唯一可靠的预防方法是让高于fs/2的频率在进ADC之前就消失——这就是第2篇讲过的抗混叠滤波器。它在链路中的位置必须在ADC模拟前端，任何"先采样后滤"的方案都是自欺欺人。

六、5倍法则：工程世界的折中圣典

教科书说2倍，工程师用5倍。原因在于测量仪器的幅频响应：

对于带宽BW≤1GHz的中低端仪器（包括大多数采集卡），内部幅频响应基本等效为一个RC低通滤波器。RC低通在标称带宽处（f=f_H）的响应只有0.707（-3dB）——如果你的信号频率恰好等于仪器带宽，测到的幅度永远打七折。RC响应的衰减表如下（f为信号频率，f_H为仪器带宽）：

整理成"损失"视角：f=f_H/5时，幅度响应为1/√(1+0.04)=0.9806，衰减约2%——这就是著名的**“98%-5倍法则”**：测试波形带宽取仪器设置带宽的1/5，可保证被测波形衰减≤2%。

需要补充的是：对于BW>1GHz的高端仪器，内部通常有补偿算法，幅频响应比较平坦，此时"98%-5倍"不一定适用——这是规则应用的边界条件，教科书也诚实注明了。

6.1 5倍法则在采集卡上的三重应用

1. 选采样率：测1kHz正弦 → fs≥5kHz起步，看波形细节建议10~20倍；
2. 选前端带宽：模拟输入通道的-3dB带宽应≥5倍信号频率；
3. 测方波看谐波：方波的能量集中在奇次谐波，要看清1kHz方波的边沿，至少考虑5次谐波5kHz，按5倍法则就是fs≥25kHz起步。

七、欠采样：让混叠为我所用（进阶）

有趣的是，混叠并非永远是敌人。对于带通信号（能量集中在某个高频窄带，如10.7MHz中频信号），可以故意用低fs采样，让高频带"折叠"到低频段且不与自身重叠——这叫欠采样/带通采样，是软件无线电的基石。但前提是：信号必须是带限的，且需要带通（而非低通）抗混叠滤波器保护。对基带信号（0~fN），欠采样就是灾难。此话题本系列第11篇（采样率选择）还会回来。

八、Python实验：亲眼看见混叠

以下代码用合成信号复现混叠全过程，可保存为脚本运行：

importnumpyasnpimportmatplotlib.pyplotasplt f_sig=7_000# 真实信号 7kHzfs_list=[100_000,10_000]# 两种采样率fig,axes=plt.subplots(2,2,figsize=(12,8))forcol,fsinenumerate(fs_list):# 时域t=np.arange(0,0.002,1/fs)x=np.sin(2*np.pi*f_sig*t)axes[0,col].plot(t*1000,x,'o-')axes[0,col].set_title(f'fs={fs/1000:.0f}kHz 时域')# 频域n=16384t2=np.arange(n)/fs x2=np.sin(2*np.pi*f_sig*t2)X=np.abs(np.fft.rfft(x2*np.hanning(n)))f_axis=np.fft.rfftfreq(n,1/fs)axes[1,col].plot(f_axis/1000,20*np.log10(X/X.max()+1e-9))axes[1,col].set_title(f'fs={fs/1000:.0f}kHz 频谱')axes[1,col].set_xlabel('kHz')axes[1,col].set_xlim(0,fs/2000)plt.tight_layout();plt.show()

运行后你会看到：fs=100kHz时频谱在7kHz处一根干净的峰；fs=10kHz时，7kHz消失，3kHz处凭空出现一根峰——那就是混叠的"海市蜃楼"。亲手跑一次，胜过读十遍文字。

九、常见问题FAQ

Q1：采样率高了有什么坏处？
数据量大（存储与传输压力）、占带宽、噪声带宽也变大。所以采样率不是越高越好，而是在覆盖信号频带的前提下适度。

Q2：我用25K采样率测10kHz方波行吗？
不行。方波边沿包含丰富高次谐波，10kHz方波的5次谐波已达50kHz，远超fs/2=12.5kHz，必然混叠。测方波请按"10次谐波+5倍法则"估算。

Q3：混叠了还能救吗？
数据里的混叠不能救；但如果是重复信号，可以改高采样率重新采。预防永远优于抢救。

Q4：示波器的采样率怎么看？
示波器标称的实时采样率与单次捕获的存储深度共同决定有效波形细节，同样遵循奈奎斯特与5倍法则的约束。

Q5：5倍法则和奈奎斯特定理矛盾吗？
不矛盾。奈奎斯特是"不失真的数学下限"，5倍是"工程上波形保真的实践值"。下限保命，实践保真。

十、总结

采样定理三句话：fs必须大于信号最高频率2倍；低于此限混叠出现且不可逆；工程取5倍保真98%。混叠是数字测量世界里最阴险的敌人——它不删除数据，而是伪造数据；不报错误，而是伪装正常。对付它的唯一武器是ADC之前那颗不起眼的抗混叠低通滤波器。理解了本篇，你就理解了为什么采集卡参数表上"采样率"永远排在第一位。

下一篇预告：《量化与编码：1LSB、Δ²/12噪声底与6.02N+1.76dB》