企业官网建设流程全解析

网站建设是固定资产嘛,百度竞价价格查询,表情包在线制作模板大全,商业网站建设常识第一步#xff1a;图 25.12 25.13 —— 寻找“完美的采样点”这两张图是在教我们怎么“偷懒”。1. 笨办法但很完美#xff08;图 25.12#xff09;2. 聪明的偷懒#xff08;图 25.13#xff09;第二步#xff1a;图 25.14 —— 频域里的“乾坤大挪移”这张图解释了…第一步图 25.12 25.13 —— 寻找“完美的采样点”这两张图是在教我们怎么“偷懒”。1. 笨办法但很完美图 25.122. 聪明的偷懒图 25.13第二步图 25.14 —— 频域里的“乾坤大挪移”这张图解释了在上述的“聪明采样”下信号在频率轴上发生了什么。这叫直接数字下变频 (Direct DDC)。第三步文字图片 (图 25.15/16 的文字解释) —— 极致的省钱技巧这部分文字主要解释了为什么图 25.14 第 4 行那个带通滤波器特别好做。文中提到“除中心以外的所有奇数号系数都为零”。这是什么意思总结这部分内容的“核心套路”这几页书其实就在教你如何设计一个**“极其高效、极低成本”**的雷达或通信接收机不蛮干不用超高速 ADC 去硬采 75MHz而是用 100MHz 或 60MHz 去“智取”带通采样。利用巧合让采样点刚好落在波峰波谷把乘法运算变成简单的开关切换。利用混叠不去对抗混叠而是利用混叠把高频信号“免费”搬运到低频处理。精简算法使用系数有一半是 0 的特殊滤波器让计算量再减半。import numpy as np import matplotlib.pyplot as plt from scipy.signal import firwin, lfilter, freqz # 配置区域 # 自动选择中文字体确保中文能正常显示 import platform system_name platform.system() if system_name Windows: plt.rcParams[font.sans-serif] [SimHei] elif system_name Darwin: # Mac plt.rcParams[font.sans-serif] [Arial Unicode MS] else: # Linux 等 plt.rcParams[font.sans-serif] [WenQuanYi Micro Hei] plt.rcParams[axes.unicode_minus] False print( 直接数字下变频 (Direct DDC) 深度仿真开始 \n) # 第一部分时域采样原理 (复刻图 25.12/25.13) # 目标展示不同采样率下采样点是否能落在波峰/波谷/零点上 def plot_time_sampling(): f_if 75e6 # 中频信号 75 MHz period_if 1 / f_if # 模拟连续信号 (为了画出光滑的余弦波) t_analog np.linspace(0, 6 * period_if, 1000) sig_analog np.cos(2 * np.pi * f_if * t_analog) # 也就是 I路波形 fig, axes plt.subplots(3, 1, figsize(10, 12), constrained_layoutTrue) # 定义三种采样率 # 定义三种采样率 # 修改颜色改为单字母代码 (r, g, b) 以兼容 markerfmt 格式 scenarios [ {fs: 300e6, title: (a) 300MHz 采样 (标准4倍采样), color: r}, # red - r {fs: 100e6, title: (b) 100MHz 采样 (4/3倍 - 带通采样), color: g}, # green - g {fs: 60e6, title: (c) 60MHz 采样 (4/5倍 - 带通采样), color: b} # blue - b ] for i, scen in enumerate(scenarios): fs scen[fs] # 计算采样点时间 # 我们取足够多的点来覆盖模拟时间段 ts np.arange(0, t_analog[-1], 1 / fs) # 计算这些时间点上的信号值 samples np.cos(2 * np.pi * f_if * ts) ax axes[i] # 画背景的模拟波形 ax.plot(t_analog * 1e9, sig_analog, k--, alpha0.3, label75MHz 原始信号) # 画采样点 ax.scatter(ts * 1e9, samples, colorscen[color], s60, zorder5, labelf采样点 (Fs{fs / 1e6:.0f}M)) ax.stem(ts * 1e9, samples, linefmtscen[color], markerfmtscen[color] o, basefmt ) # 装饰 ax.set_title(scen[title], fontsize14, fontweightbold) ax.set_ylabel(幅度, fontsize12) ax.set_ylim(-1.5, 1.5) ax.grid(True, alpha0.3) ax.legend(locupper right) # 标注特殊序列 # 我们检查前几个点看看是不是 1, 0, -1, 0 txt_y 1.2 for j, val in enumerate(samples[:8]): # 标注前8个点 # 判断接近整数的值 if np.isclose(val, 1, atol0.1): lbl 1 elif np.isclose(val, -1, atol0.1): lbl -1 elif np.isclose(val, 0, atol0.1): lbl 0 else: lbl f{val:.1f} ax.text(ts[j] * 1e9, val 0.2, lbl, hacenter, fontsize10, colorscen[color], fontweightbold) axes[2].set_xlabel(时间 (ns), fontsize12) plt.suptitle(为什么不需要乘法器\n看采样点是否完美落在 1, 0, -1 上, fontsize16) save_path DDC_Time_Domain.png plt.savefig(save_path, dpi150) print(f[图1保存成功] {save_path} - 展示了时域上的完美采样点) # 第二部分频域处理流程 (复刻图 25.14) # 目标展示 75MHz 信号如何通过 100MHz 采样和滤波变成基带 def plot_freq_process(): # 参数设置 fs_analog 1000e6 # 模拟域 fs_adc 100e6 # ADC 采样率 f_sig 75e6 # 信号中心频率 bw 10e6 # 信号带宽 duration 50e-6 # 仿真时长 t np.arange(0, duration, 1 / fs_analog) # 1. 生成带通信号 (75MHz) np.random.seed(0) noise np.random.randn(len(t)) b_bp firwin(101, [f_sig - bw / 2, f_sig bw / 2], fsfs_analog, pass_zeroFalse) sig_analog lfilter(b_bp, 1, noise) # 2. ADC 采样 (100MHz) decim int(fs_analog / fs_adc) sig_adc sig_analog[::decim] # 只有实数部分 # 3. 构造复数带通信号 (模仿图25.14第4-5行) # 在 100MHz 采样下75MHz 混叠到 -25MHz (和 25MHz因为是实数) # 我们用一个带通滤波器保留 25MHz 的部分滤掉 -25MHz 的部分 # 这一步把实数变成了复数 (Hilbert 变换也是类似原理) # 设计一个复数带通滤波器 (只通正频率 25MHz) # 这里的 25MHz 对应 normalized freq 25/(100/2) 0.5 # 为了演示简单我们直接用移频法来模拟这个提取正频率的过程 # 实际上是用 Hilbert 变换或者复数滤波器 # 为了严格对应文中流程先带通滤波(25MHz)再移频。 # 在数字域混叠后的中心频率是 25MHz。 t_adc np.arange(0, duration, 1 / fs_adc) # 方法数字混频把 25MHz 搬到 0Hz # 乘以 exp(-j * 2pi * 25M * t) # 文中第8行说乘以 -75MHz其实 -75 和 25 在 100M 采样下是一回事 (差100M) # 我们这里用 -25MHz 来移频更直观 nco np.exp(-1j * 2 * np.pi * 25e6 * t_adc) sig_baseband sig_adc * nco # 4. 低通滤波 (滤除倍频分量) b_lp firwin(61, 5e6, fsfs_adc) sig_filtered lfilter(b_lp, 1, sig_baseband) # 5. 二抽一 (100M - 50M) sig_final sig_filtered[::2] fs_final 50e6 # 绘图 fig, axes plt.subplots(4, 1, figsize(10, 12), constrained_layoutTrue) # 辅助绘图函数 def plot_spec(ax, sig, fs, title, center_markNone, xlim100): n len(sig) f np.fft.fftshift(np.fft.fftfreq(n, 1 / fs)) / 1e6 # MHz mag np.fft.fftshift(np.abs(np.fft.fft(sig))) mag mag / np.max(mag) ax.plot(f, mag, colortab:blue) ax.set_title(title, fontsize12, fontweightbold) ax.set_ylabel(幅度) ax.set_xlim(-xlim, xlim) ax.grid(True, alpha0.3) if center_mark: ax.axvline(center_mark, colorred, linestyle--, alpha0.6, label信号中心) ax.legend() # 图1: 原始模拟信号 plot_spec(axes[0], sig_analog, fs_analog, 1. 模拟 IF 信号 (实数, ±75MHz), center_mark75) # 图2: ADC采样后 # 解释75MHz 信号在 100MHz 采样下混叠频率 |75 - 100| 25MHz plot_spec(axes[1], sig_adc, fs_adc, 2. ADC 采样后 (100MHz)\n注意75MHz 信号搬家到了 25MHz (混叠), center_mark25, xlim50) # 图3: 混频滤波后 (变成复数基带) plot_spec(axes[2], sig_filtered, fs_adc, 3. 数字移频与滤波后\n(把 25MHz 的信号搬到了 0Hz), center_mark0, xlim50) # 图4: 抽取后 plot_spec(axes[3], sig_final, fs_final, 4. 二抽一后 (最终基带信号, Fs50MHz), center_mark0, xlim25) axes[3].set_xlabel(频率 (MHz)) plt.suptitle(频域直接数字下变频 (Direct DDC) 流程, fontsize16) save_path DDC_Freq_Domain.png plt.savefig(save_path, dpi150) print(f[图2保存成功] {save_path} - 展示了利用混叠进行搬移的过程) if __name__ __main__: plot_time_sampling() plot_freq_process() print(\n✅ 所有仿真完成请查看生成的 .png 图片。)