简介：本资源是南京邮电大学《信号分析与处理实验》课程的完整实验报告（含实验1–4），面向电子信息、通信工程等专业本科生及数字信号处理初学者，聚焦MATLAB实操与核心理论验证。报告系统覆盖信号的产生与运算、连续时间信号频域分析、时域采样与重建、离散傅里叶变换（DFT）及其应用四大主线，并延伸至连续系统复频域分析、数字滤波器设计与综合应用，每部分均含详细实验目的、Matlab程序代码、多图结果分析（如阶跃/复指数/正弦序列波形、卷积输出、频谱图等）及关键原理说明。资源为1个1.02MB的docx文档，结构清晰、图文并茂，所有代码可直接运行复现，便于课后巩固、实验预习或课程设计参考。目前已有952人学习下载，是理解DSP基础概念与提升MATLAB信号处理实战能力的优质教学配套材料。

1. 别被“信号”吓住：它其实就是你每天听到、看到、用到的“信息快照”，而这份实验报告，就是带你亲手给它拍第一张清晰照片的入门相机

你有没有想过，手机里那段语音、耳机里正在播放的歌、视频通话时对方的脸——这些看似自然的东西，背后全是一串串“数字快照”在飞速流动？它们不是凭空出现的，而是被一种叫“信号”的东西承载着，再经过一连串看不见的“加工流水线”才变成你能感知的模样。可一听到“信号分析与处理”“傅里叶变换”“DFT”“频域”，很多人第一反应是：这词儿太硬了，像块没泡开的压缩饼干，咬不动。其实不是概念太难，是没人告诉你——它本来就不该从公式开始，而该从“我能让它动起来”开始。

这份来自南京邮电大学的《信号分析与处理实验报告（实验1–4）》，就是一套专为零基础新手打磨的“信号上手工具包”。它不讲抽象定义，不堆数学推导，而是用 MATLAB 这个“信号显微镜”，让你亲手画出正弦波、把两个声音信号加在一起、看看采样太快或太慢会发生什么、甚至让一段男声“悄悄变高”一点点——所有操作都落在一行行可复制、可修改、改完立刻出图的代码上。它适合谁？适合刚打开 MATLAB 界面还在找“运行按钮”的你；适合学过一点高数但看到“卷积”就头皮发紧的你；也适合想转行进音频算法、通信系统、智能硬件，却卡在“不知道第一步敲哪行代码”的你。这不是期末考前抱佛脚的复习资料，而是一份“边做边懂”的实操地图——你不需要先背熟所有术语，只要愿意把第一页的代码粘贴进 MATLAB，按下回车，你就已经站在信号世界的大门口了。

2. 先别碰公式：用 MATLAB 画出第一个信号，你就已经跨过了 80% 的心理门槛

很多新手卡在第一步，不是因为不会写代码，而是因为不知道“信号”到底长什么样。它不像一张图片、一段文字那么直观。所以，我们不从“什么是傅里叶变换”开始，而是从“怎么让它出现在屏幕上”开始。实验一的核心，就是教会你：信号 = 一组有顺序的数字 + 一个对应的横坐标（时间或序号）。就这么简单。MATLAB 的stem和plot函数，就是你的画笔；n = 0:15这样的语句，就是你在纸上画出刻度尺。

2.1 从最朴素的“开关”开始：单位阶跃序列 u[n] 是什么？

想象一下家里的电灯开关：按下去之前，灯是灭的（值为 0）；按下去那一刻起，灯一直亮着（值为 1）。这个“从 0 突然跳到 1 并保持不变”的行为，在信号世界里就叫“单位阶跃序列”，记作 u[n]。它不是数学幻觉，而是所有数字系统启动、触发、判断的起点。

下面这段代码，就是你和信号世界的第一次握手：

clear; close all; n = -10:20; % 定义横坐标：从 -10 到 20，共 31 个点 x = [zeros(1,10) 1 ones(1,20)]; % 构造纵坐标：前10个是0，第11个是1，后面20个全是1 stem(n, x); % 用“火柴棍图”画出来 xlabel('n'); ylabel('u[n]'); % 标上横纵轴名字 title('单位阶跃序列 u[n]');

提示：zeros(1,10)是生成 1 行 10 列的全 0 向量；ones(1,20)是生成 1 行 20 列的全 1 向量；中括号[ ]是把它们“拼接”成一个长向量。stem函数画离散点，比plot更能体现“序列”的跳跃感。

运行后，你会看到一张图：左边一堆零，中间一个突兀的 1，右边一长串 1。这就是 u[n] —— 一个最基础、最真实的信号。它没有神秘感，只有明确的“位置”（n）和“状态”（0 或 1）。你刚刚完成的，不是编程练习，而是对“信号本质”的一次具象化确认：信号，就是数据在时间轴上的忠实记录。

2.2 让信号“动起来”：移位运算，就是给信号换个座位

如果 u[n] 是“从 n=0 开始亮”，那 u[n+7] 就是“从 n=-7 开始亮”。这就像把整排座位往前挪 7 个位置——原来坐在第 0 号位的人，现在坐到了第 -7 号位。代码里只改了一处：

M = 7; xd = [zeros(1,10+M) 1 ones(1,20-M)]; % 注意这里：前面补了 10+7=17 个 0，后面只剩 20-7=13 个 1 subplot(1,2,2); stem(n, xd); xlabel('n'); ylabel('u[n+7]'); title('移位后的阶跃序列');

为什么zeros(1,10+M)而不是zeros(1,10-M)？因为n的范围还是-10:20，总共 31 个点。u[n+7] 在n=-7处取值为 1，所以我们需要让向量xd的第( -7 - (-10) + 1 ) = 4个位置是 1（MATLAB 下标从 1 开始）。zeros(1,10+M)确保了前 17 个点（对应 n=-10 到 n=6）都是 0，第 18 个点（对应 n=7？不对！等等——这里正是新手最容易懵的地方）。

白话解释：n = -10:20，它的第一个元素n(1)是 -10，第二个是 -9……第 k 个元素是n(k) = -10 + (k-1)。我们要让xd(k)在n(k) = -7时等于 1，即-10 + (k-1) = -7，解得k = 4。所以xd的第 4 个元素必须是 1。[zeros(1,10+M) 1 ones(1,20-M)]中，zeros(1,10+M)有 17 个 0，所以1是第 18 个元素？矛盾了！
真相是：原程序x=[zeros(1,10) 1 ones(1,20)]本就有逻辑瑕疵——它假设n从 -10 开始，zeros(1,10)对应 n=-10 到 n=-1（10 个点），1对应 n=0，ones(1,20)对应 n=1 到 n=20（20 个点），总共 31 点，完美匹配。那么u[n+7]在 n=-7 时为 1，即n+7=0，所以它等价于u[m]在 m=0 处为 1，而 m=n+7，所以当 n=-7 时，m=0。因此，xd应该在n=-7对应的位置为 1。n=-7是n向量中的第(-7) - (-10) + 1 = 4个位置。所以xd应该是：前 3 个是 0（对应 n=-10,-9,-8），第 4 个是 1（对应 n=-7），后面全是 1。但n一共到 20，所以后面应该有20 - (-7) = 27个 1？不对，n从 -10 到 20 是 31 个点，n=-7是第 4 个，后面还有 27 个点（n=-6 到 20），所以xd = [zeros(1,3) 1 ones(1,27)]。原报告程序xd=[zeros(1,10+M) 1 ones(1,20-M)]中M=7，得到zeros(1,17)和ones(1,13)，共 31 点，但1在第 18 位，对应n(18) = -10 + 17 = 7，画出来是u[n-7]，不是u[n+7]！这是一个经典笔误/理解偏差。

避坑 / 常见问题 / 排查：新手第一次写移位，90% 会栽在这儿
现象：运行u[n+7]代码，图上那个“1”出现在 n=7 附近，而不是预期的 n=-7。
原因：混淆了“信号表达式”和“向量索引”。u[n+7]意味着：当输入是n时，输出取u在n+7处的值。u本身只在m>=0时为 1，所以u[n+7]在n+7>=0即n>=-7时为 1。因此，xd应该从n=-7开始全为 1。
解决：重写xd，明确对应关系：

% 更鲁棒、不易错的写法： n = -10:20; xd = zeros(size(n)); % 先全设为 0 idx = find(n >= -7); % 找出 n >= -7 的所有位置 xd(idx) = 1; % 把这些位置设为 1 stem(n, xd);

这种写法不依赖手动数零和一的个数，靠逻辑判断，一劳永逸。记住：用find和逻辑索引，比手算zeros个数，少翻 90% 的车。

2.3 复指数信号：别怕“j”，它只是个“旋转开关”

看到x[n] = 1.5 * exp((0.2 + j*3) * n)，新手常被j劝退。其实j就是 √-1，但它在信号里不表示“虚无”，而是一个旋转指令。exp(j*3*n)的意思就是：“每走一步 n，就绕原点逆时针转 3 弧度”。所以整个信号，就是一个一边向外螺旋生长（因为实部 0.2 > 0）、一边疯狂旋转的轨迹。它的“实部”就是投影在水平轴上的影子，“虚部”就是投影在竖直轴上的影子。

clear; close all; c = 0.2 + 3*1i; % 这个 c 决定了“生长速度”和“旋转速度” K = 1.5; n = 0:15; % 只画前 16 个点，不然太密看不清 x = K * exp(c * n); % 一次性算出全部 16 个点的值 subplot(1,2,1); stem(n, real(x)); % 实部：水平影子 xlabel('n'); ylabel('幅度'); title('实部'); subplot(1,2,2); stem(n, imag(x)); % 虚部：竖直影子 xlabel('n'); ylabel('幅度'); title('虚部');

运行后，两张图会显示两个起伏的波形，它们此起彼伏，相位差约 90 度——这就是旋转在时域的投影。你不需要立刻理解欧拉公式，只需要记住：带j的信号，画出来一定是两个相互配合的波形；它代表的是振荡，不是静止。这是理解后续所有频谱分析的物理直觉基石。

2.4 正弦序列：为什么cos比sin更常用？

问题 1.4 里用的是x = A*cos(w*n + phase)，而不是sin。为什么？因为cos在n=0时值为 1（最大值），是个“干净的起点”；而sin在n=0时是 0，像个“未启动”的状态。在工程中，我们更喜欢从峰值开始观察周期行为。而且，cos和sin只差一个 90 度相位，本质完全一样。代码里phase = -(pi/2)，就是在cos前面强行加了个 -90 度，结果就等价于sin了。这说明：相位，就是你决定让波形从哪个“姿势”开始跳舞。

A = 2.5; w = 0.16*pi; phase = -(pi/2); n = 0:49; x = A * cos(w*n + phase); % 等价于 A * sin(w*n) stem(n, x); axis([0 49 -3 3]); grid on; title('正弦序列 (用 cos 实现)');

注意：axis([0 49 -3 3])是手动设定坐标轴范围，让图形不被异常值撑开，看得更清楚。这是绘图时的“后悔药”，建议每次画图后都加上，养成习惯。

3. 信号不是孤岛：加、乘、卷积——这才是让它“活”起来的三把钥匙

光会画单个信号，就像只会画单个音符。真正的音乐，是音符之间的关系。信号处理的核心，从来不是研究“一个信号是什么”，而是研究“两个（或多个）信号相遇时，会发生什么”。实验一的后半部分，就是教你怎么用 MATLAB 演奏这出“信号交响曲”。

3.1 加法与乘法：最直白的“合作”与“对话”

w1[n] = x[n] + y[n]是合作：两个信号的“音量”直接叠加，像两个人同时说话，你听到的是混音。
w2[n] = x[n] .* y[n]是对话：x[n]的每个值，都在“调制”y[n]的对应值，像一个人说话的音量，被另一个人的手势（x[n]）实时控制着大小。

clear; close all; n = 0:3; x = [1 2 3 4]; % x[n] y = [3 4 5 6]; % y[n] subplot(2,2,1); stem(n, x); title('x[n]'); subplot(2,2,2); stem(n, y); title('y[n]'); subplot(2,2,3); stem(n, x+y); title('w_1[n] = x[n] + y[n]'); subplot(2,2,4); stem(n, x.*y); title('w_2[n] = x[n] .* y[n]'); % 注意是 .*

关键细节：x.*y中的点.很重要！它表示“逐元素相乘”。如果没有点，x*y在 MATLAB 中是矩阵乘法，而x和y都是 1×4 行向量，x*y会报错（内维不匹配）。所有数组间的加减乘除，只要不是矩阵运算，前面都要加点.。这是 MATLAB 新手血泪经验第一条。

3.2 偶部与奇部：每个信号都有“镜像人格”

任何信号x[n]，都可以被唯一地拆成两部分：一个“左右对称”的部分（偶部xe[n]），和一个“中心反对称”的部分（奇部xo[n]）。这就像给信号拍一张 X 光片，看清它的内在对称结构。这对后续理解滤波器、系统响应至关重要——因为很多系统对“对称”和“反对称”信号的反应截然不同。

计算公式是：
xe[n] = (x[n] + x[-n]) / 2
xo[n] = (x[n] - x[-n]) / 2

x[-n]怎么实现？MATLAB 里没有直接的负索引，但fliplr(x)可以把向量x左右翻转，正好模拟了n变成-n的效果（前提是n关于 0 对称）。

clear; close all; n = -2:2; % n 关于 0 对称：-2,-1,0,1,2 x = [1 2 4 -5 -2]; % x[n] 在 n=-2 到 2 的值 % fliplr(x) 把 [1 2 4 -5 -2] 变成 [-2 -5 4 2 1]，这正是 x[-n] 在 n=-2 到 2 的值 y = fliplr(x); % y 就是 x[-n] xe = 0.5 * (x + y); % 偶部 xo = 0.5 * (x - y); % 奇部 subplot(3,1,1); stem(n, x); title('x[n]'); subplot(3,1,2); stem(n, xe); title('x_e[n] (偶部)'); subplot(3,1,3); stem(n, xo); title('x_o[n] (奇部)');

运行后，你会发现xe[n]的图左右对称，xo[n]的图关于原点中心对称（xo[-n] = -xo[n]）。这就是信号的“DNA 分析”。以后看到任何复杂信号，先想：它的偶部和奇部各长啥样？这能帮你一眼看穿很多系统的本质行为。

3.3 卷积：信号世界的“因果律”引擎

如果说加法是“并列”，乘法是“调制”，那卷积就是“因果”——它描述了一个系统（比如一个滤波器、一段混响、一个电路）如何根据自己的“记忆”（冲激响应h[n]），去影响一个输入信号x[n]，从而产生输出y[n]。y[n] = x[n] * h[n]（*表示卷积）。

实验一的问题 1.7 给出了最经典的例子：x[n] = (-1)^n（一个交替的 +1, -1, +1, -1... 序列），h[n] = cos(0.25*pi*n)（一个低频余弦）。它们的卷积y[n]，就是x[n]经过一个“余弦形状”的滤波器后的输出。

clear; close all; nx = 0:14; x = (-1).^nx; % 注意 .^ ：逐元素幂运算 nh = 0:7; w = 0.25*pi; h = cos(w*nh); y = conv(x, h); % MATLAB 内置卷积函数，一步到位 n_y = 0:(length(y)-1); % 卷积结果长度 = len(x)+len(h)-1 = 15+8-1 = 22，所以 n 从 0 到 21 subplot(3,1,1); stem(nx, x); title('x[n]'); subplot(3,1,2); stem(nh, h); title('h[n]'); subplot(3,1,3); stem(n_y, y); title('y[n] = x[n] * h[n]');

为什么卷积结果y的长度是 22？因为x有 15 个点（0 到 14），h有 8 个点（0 到 7），卷积是“滑动相乘再求和”，x的每个点都要和h的全部点配对一次，所以总共有15+8-1=22个可能的输出时刻。这是卷积的基本定律，务必记住。

避坑 / 常见问题 / 排查：卷积结果“歪了”或“长度不对”
现象：画出的y[n]图，看起来不像x[n]和h[n]的“混合”，或者横坐标n_y不是从 0 开始。
原因：1）忘了conv函数返回的是从n=0开始的向量，但它的物理意义是y[0], y[1], ..., y[21]，所以n_y必须手动设为0:21；2）误用了*（矩阵乘）代替conv；3）x和h的起始n不是 0，但没做相应偏移。
解决：永远用conv函数；永远手动定义n_y = 0:(length(y)-1)；如果x[n]从n=-5开始，先用x_shifted = [zeros(1,5) x]补零对齐到n=0，算完再考虑偏移。卷积的横坐标，永远要自己算，不能指望函数给你。

4. 从“看得见”到“听得到”：频域分析，就是给信号装上一副“X 光眼镜”

到现在，你已经会画信号、移动它、加减它、拆解它、卷积它。但所有这些，都是在“时域”——也就是“随时间变化”的视角下。这就像只看一段视频的每一帧画面，却不知道背景音乐的节奏、人声的音高、乐器的音色。要真正理解信号的“内涵”，你必须切换到另一个维度：频域。它回答的问题是：“这个信号，是由哪些不同‘颜色’（频率）的光混合而成的？”

实验二就是带你给信号装上这副“X 光眼镜”。核心工具，就是傅里叶变换。别被名字吓住，它的作用超级朴素：把一个随时间起伏的波形，分解成一堆不同频率、不同强度的正弦波的组合。就像把一束白光通过三棱镜，分解成红橙黄绿青蓝紫。

4.1 周期信号的频谱：方波 = 无数个奇数倍正弦波的叠加

一个方波，看起来棱角分明、非黑即白。但它的频谱图（幅度谱）却是一系列离散的竖线，只出现在1f0, 3f0, 5f0...这些奇数倍基频上。这就是著名的“傅里叶级数”。实验二的问题 2.3 让你亲眼见证：只用前 15 个正弦波，合成的波形还毛毛糙糙；用到 50 个，就几乎和理想方波一样了。

% 简化版 N=15 合成（P2_2 的核心思想） t = -2:0.001:2; % 时间轴 T = 2; Omega_0 = 2*pi/T; % 基频 A = 1; tau = 1; % 方波参数 c0 = A*tau/T; % 直流分量（0 频） f_N = c0 * ones(size(t)); % 初始化为直流 N = 15; for k = 1:N % 第 k 个谐波的幅度：2*A*tau/T * sinc(k*Omega_0*tau/2/pi) % 第 k 个谐波的相位：0（因为是余弦，偶函数） amp = 2*A*tau/T * sinc(k*Omega_0*tau/(2*pi)); f_N = f_N + amp * cos(k*Omega_0*t); end plot(t, f_N); title(['N = ', num2str(N), ' 项谐波合成']); xlabel('t'); ylabel('f_N(t)');

运行这段代码，你会看到一个“圆润版”的方波，边缘有明显的涟漪——那就是吉布斯现象。它证明了：再完美的数学逼近，也抵不过物理世界的真实不连续性。这个“涟漪”的高度，就是问题 2.4 要你算的“过冲”，理论值约为 9%。你算出来的1.0896，就是这个 9% 的实证。

4.2 非周期信号的频谱：FFT，就是你的“一键频谱仪”

周期信号有傅里叶级数，非周期信号（比如一段语音、一段音乐）用的是傅里叶变换（FT）。但在计算机里，我们用它的离散近似——快速傅里叶变换（FFT）。fft函数，就是 MATLAB 递给你的那台“一键频谱仪”。

实验二的问题 2.5，让你录一段男声、一段女声，然后用fft看它们的频谱差异。核心代码就三行：

% 假设你已用 audiorecorder 录好，存为 male.wav 和 female.wav [y_male, Fs] = audioread('male.wav'); [y_female, Fs] = audioread('female.wav'); % 计算 FFT（取前 N 点，N 通常是 2 的幂，如 1024） N = 1024; Y_male = fft(y_male(1:N), N); Y_female = fft(y_female(1:N), N); % 计算幅度谱（取绝对值，并只取前一半，因为对称） mag_male = abs(Y_male(1:N/2)); mag_female = abs(Y_female(1:N/2)); % 频率轴：f = (0:N/2-1)*Fs/N f = (0:N/2-1)*Fs/N; plot(f, mag_male); hold on; plot(f, mag_female, 'r'); xlabel('频率 (Hz)'); ylabel('幅度'); legend('男声', '女声');

运行后，你会清晰地看到：男声的谱峰集中在 100 Hz 左右（基音低沉），女声的谱峰在 200–300 Hz（基音清亮）。这就是“频域”的力量——它把听觉感受，转化成了可测量、可比较的图形。从此，你不再只是“听”声音，而是“看”声音的结构。

避坑 / 常见问题 / 排查：FFT 图一片漆黑或全是高频噪声
现象：画出来的频谱图，要么是一条平线，要么是杂乱无章的尖刺。
原因：1）没取绝对值abs()，fft返回的是复数，直接画会出错；2）没截取前一半Y(1:N/2)，因为fft结果是共轭对称的，后一半是冗余信息，画出来会干扰；3）信号太短或采样率Fs没设对，导致频率轴f计算错误；4）没归一化，不同长度信号幅度不可比。
解决：永远mag = abs(fft(x,N))；永远mag = mag(1:N/2)；永远f = (0:N/2-1)*Fs/N；如果要比较，用mag = mag / max(mag)归一化。FFT 的三件套：abs、1:N/2、f轴，缺一不可。

5. 采样：数字世界的“快门速度”，选错了，整个画面就糊了

你手机拍照，快门速度太慢，运动物体就拖影；太快，又可能欠曝。数字信号处理里，有个一模一样的概念，叫采样。它决定了：一个连续的、流淌的模拟信号（比如麦克风收到的声波），被“快门”（ADC 转换器）以多快的频率“抓拍”，变成一串离散的数字。实验三，就是教你掌握这个“快门速度”的黄金法则——奈奎斯特采样定理。

5.1 奈奎斯特定理：一句话说清，就是“采样率必须大于信号最高频率的两倍”

一个信号，如果它里面最快的“抖动”是 1000 Hz（即每秒来回 1000 次），那你至少要每秒“抓拍” 2001 次，才能把它完整地记录下来。如果只拍 1500 次/秒，那些 1000 Hz 的细节就会“伪装”成更低的频率混进来——这就是频谱混叠（Aliasing），是数字信号处理里最经典的“翻车现场”。

实验三的问题 3.1 和 3.2，就是让你亲眼看到混叠。程序 P3_1 里，原始信号是一个升余弦脉冲，它的频谱主要集中在0到2rad/s（即约0.318Hz）之间。所以奈奎斯特频率f_m = 0.318 Hz，奈奎斯特间隔T_s = 1/(2*f_m) ≈ 1.57秒。也就是说，采样间隔Ts必须小于1.57秒。

% P3_1 核心逻辑（简化示意） t = 0:0.001:10; % 连续时间轴 xa = ... ; % 升余弦脉冲信号 Fs_cont = 1000; % 连续信号采样率（足够高，视为“真”） % 情况1：Ts = pi/2 ≈ 1.57 < 1.57? 等于临界值，理论上无混叠 Ts1 = pi/2; n1 = 0:round(10/Ts1); x1 = xa(1:round(1/Ts1):end); % 降采样 X1 = fft(x1, 1024); f1 = (0:511)*Fs_cont/(length(x1)*2); % 频率轴 % 情况2：Ts = 2 > 1.57，必然混叠 Ts2 = 2; n2 = 0:round(10/Ts2); x2 = xa(1:round(1/Ts2):end); X2 = fft(x2, 1024); f2 = (0:511)*Fs_cont/(length(x2)*2); % 画图对比 subplot(2,1,1); plot(f1, abs(X1(1:512))); title('Ts = \pi/2, 无混叠'); subplot(2,1,2); plot(f2, abs(X2(1:512))); title('Ts = 2, 发生混叠');

运行后，第二张图的频谱会“折叠”回来，高频成分跑到了低频区，和原始低频混在一起，再也分不清。这就是混叠的视觉证据。它不是 bug，而是物理定律的铁律——你无法用一把不够密的梳子，去梳理一头过于浓密的头发。

5.2 重建：从数字回到模拟，滤波器就是你的“画笔修复师”

采样之后，我们得到了一串数字。但很多时候，我们需要把它再变回连续的模拟信号（比如 DAC 输出到耳机）。这个过程叫重建。理想重建，需要用一个完美的“低通滤波器”，把采样引入的高频镜像全部砍掉，只留下原始频带。

实验三的问题 3.3 和 3.4，就是对比“好重建”和“坏重建”。P3_2里，用了一个截止频率Wc恰好等于奈奎斯特频率Wm的理想低通滤波器，重建效果很好；而当你把Ts增大到 2（引发混叠），再用同样的Wc=Wm滤波，结果就是灾难性的——混叠进来的高频噪声，根本滤不掉，误差巨大。

% 重建的核心：用 sinc 函数插值（理想低通的时域响应） % 简化示意：对采样点 x2，用 sinc 插值得到重建信号 xr t_recon = 0:0.01:10; % 重建的时间轴（比采样密得多） xr = zeros(size(t_recon)); for k = 1:length(x2) n_k = (k-1)*Ts2; % 第 k 个采样点的时间 xr = xr + x2(k) * sinc((t_recon - n_k)/Ts2); end % 画图：原始信号 xa，采样点 x2，重建信号 xr plot(t, xa, 'b'); hold on; stem(n2*Ts2, x2, 'r', 'filled'); % 采样点 plot(t_recon, xr, 'g--'); % 重建信号 legend('原始 xa(t)', '采样点', '重建 xr(t)');

注意：sinc(x)在 MATLAB 中定义为sin(pi*x)/(pi*x)，这和信号处理中常用的sin(x)/x不同！所以sinc((t-n_k)/Ts2)才是正确的重建核。这个pi，是 MATLAB 的约定，也是你和标准教材对接的桥梁，千万别漏。

避坑 / 常见问题 / 排查：重建信号完全不像原始信号

本文还有配套的精品资源，点击获取