Existem três razões principais para realizar oversampling:
Anti-aliasingEdit
Oversampling pode tornar mais fácil a realização de filtros anti-aliasing analógicos. Sem excesso de amostragem, é muito difícil implementar filtros com o corte nítido necessário para maximizar o uso da largura de banda disponível sem exceder o limite Nyquist. Ao aumentar a largura de banda do sistema de amostragem, as restrições de projeto para o filtro anti-aliasing podem ser relaxadas. Uma vez recolhida a amostra, o sinal pode ser filtrado digitalmente e reduzido para a frequência de amostragem desejada. Na moderna tecnologia de circuitos integrados, o filtro digital associado a este downsampling é mais fácil de implementar do que um filtro analógico comparável exigido por um sistema não-oversampled.
Resoluçãedit
na prática, o excesso de amostragem é implementado a fim de reduzir o custo e melhorar o desempenho de um conversor analógico-digital (ADC) ou conversor digital-analógico (DAC). Quando o excesso de amostragem por um fator de N, o intervalo dinâmico também aumenta um fator de N porque há N vezes tantos valores possíveis para a soma. No entanto, o sinal-para-ruído (SNR) aumenta em N {\displaystyle {\sqrt {N}}}
, porque somando-se não correlacionada ruído aumenta sua amplitude por N {\displaystyle {\sqrt {N}}}
, enquanto que a soma de um conjunto coerente de sinal aumenta em média por N. Como resultado, o SNR aumenta N {\displaystyle {\sqrt {N}}}
.
Por exemplo, para implementar um conversor de 24 bits, é suficiente usar um conversor de 20 bits que pode ser executado em 256 vezes a taxa de amostragem alvo. Combinando 256 amostras consecutivas de 20 bits podem aumentar o SNR por um fator de 16, efetivamente adicionando 4 bits à resolução e produzindo uma única amostra com resolução de 24 bits.
O número de amostras necessárias para obter n {\displaystyle n}
bits de dados adicionais precisão é o número de amostras = ( 2 n ) 2 = 2 2 n . {\displaystyle {\mbox{número de amostras}}=(2^{n})^{2}=2^{2n}.}
Para obter a média da amostra foi ampliado para um número inteiro com n {\displaystyle n}
bits adicionais, a soma de 2 2 n {\displaystyle 2^{2n}}
amostras é dividido por 2 n {\displaystyle 2^{n}}
: escala média = ∑ i = 0 2 2 n − 1 2 n dados i 2 2 n = ∑ i = 0 2 2 n − 1 dados i 2 n . {\displaystyle {\mbox{escala média}}={\frac {\sum \limites _{i=0}^{2^{2n}-1}2^{n}{\text{dados}}_{i}}{2^{2n}}}={\frac {\sum \limites _{i=0}^{2^{2n}-1}{\text{dados}}_{i}}{2^{n}}}.}
Esta média só é eficaz se o sinal contiver ruído não correlacionado suficiente para ser registado pelo ADC. Se não, no caso de um posto fixo de sinal de entrada, todos os 2 n {\displaystyle 2^{n}}
amostras têm o mesmo valor e a resultante média seria idêntico a esse valor; portanto, neste caso, oversampling teria feito nenhuma melhoria. Em casos semelhantes em que o ADC não registra ruído e o sinal de entrada está mudando ao longo do tempo, o excesso de amostragem melhora o resultado, mas em uma extensão inconsistente e imprevisível. a adição de algum ruído rastejante ao sinal de entrada pode realmente melhorar o resultado final porque o ruído da cítara permite que o excesso de amostragem trabalhe para melhorar a resolução. Em muitas aplicações práticas, um pequeno aumento do ruído vale bem um aumento substancial na resolução de medição. Na prática, o ruído dithering pode muitas vezes ser colocado fora da faixa de frequência de interesse para a medição, de modo que este ruído pode ser posteriormente filtrado no domínio digital—resultando em uma medição final, na faixa de frequência de interesse, com resolução mais elevada e menor ruído.
NoiseEdit
Se vários exemplos são retirados da mesma quantidade não correlacionada com o ruído adicionado a cada amostra e, em seguida, porque, como discutido acima, não correlacionada sinais de combinar mais fracamente correlacionados do que aqueles, com média de N amostras reduz a potência de ruído por um fator de N. Se, por exemplo, nós amostra excedente por um fator de 4, o sinal-para-ruído em termos de energia, melhora por um fator de 4, que corresponde a um factor de 2 de melhoria em termos de tensão.
certos tipos de CDA conhecidos como conversores delta-sigma produzem um ruído de quantização desproporcionalmente mais elevado a frequências mais elevadas. Ao executar estes conversores a um múltiplo da taxa de amostragem-alvo, e filtrar a baixa passagem do sinal sobrevalorizado até metade da taxa de amostragem-alvo, pode obter-se um resultado final com menos ruído (ao longo de toda a faixa do conversor). Os conversores Delta-sigma usam uma técnica chamada formação de ruído para mover o ruído de quantização para as frequências mais altas.