文章目录

什么是窗函数？
窗函数的作用是什么？
- 1.防止泄露
- 2. 分析意义
有哪些常用的窗函数？它们特点是什么？
- Rectangular
- Hanning
- Hamming
- Blackman
- Blackman-Harris
总结

什么是窗函数？

窗函数能够产生一段特定的信号，假定为w

我们假设一段信号为x，给这段信号加窗，指的是将x乘上w

下面的代码说明了这个过程

import numpy as np
from scipy.signal import get_window
import matplotlib.pyplot as plt
%matplotlib inline

M = 128 # 信号的长度
x = np.cos( np.linspace(0, 8*np.pi, 128) ) # 生成一段cos信号
w = get_window(‘hanning’, M) # 调用窗函数，生成w（hanning是一种窗函数）

xw = x*w # 加窗

plt.figure(figsize=(10,10))
plt.subplot(311)
plt.plot(x);plt.title(‘Input signal’)
plt.subplot(312)
plt.plot(w);plt.title(‘Haning window’)
plt.subplot(313)
plt.plot(xw);plt.title(‘Windowed signal’)

plt.show()

窗函数的作用是什么？

1.防止泄露

关于泄露，参见什么是泄漏？

在信号处理中，我们通常对信号进行截断分析，如果信号截断为非周期截断，那么频谱将发生泄露。通过加窗，可以减少频谱的泄露。我们可以这么想象，窗函数可以将一个非周期的信号，强行编程一个周期的信号。

下面的代码展示了什么是泄露，已经窗函数可以减少泄露
可以从（c）和（d）的对比中看到，加窗后可以有效的减少泄露

import numpy as np
from scipy.signal import get_window
from scipy.fftpack import fft

import matplotlib.pyplot as plt

%matplotlib inline

M = 128 # 信号的长度
x = np.cos( np.linspace(0, 80.7*np.pi, 128) ) # 生成一段非周期信号
w = get_window(‘hanning’, M) # 调用窗函数，生成w（hanning是一种窗函数）

X = fft(x)
mX = np.abs(X)

xw = x*w # 加窗
XW = fft(xw)
mXW = np.abs(XW)

plt.figure(figsize=(12,12))
plt.subplot(321)
plt.plot(x);plt.title(’(a)Input signal’)
plt.subplot(322)
plt.plot(xw);plt.title(’(b)Windowed signal’)
plt.subplot(323)
plt.plot(mX);plt.title(‘©Amplitude of unwindowed signal’)
plt.subplot(324)
plt.plot(mXW);plt.title(’(d)Amplitude of windowed signal’)

plt.show()

2. 分析意义

一个加窗后的信号，它的傅里叶变换结果可以表示为窗函数的傅里叶变换。非常神奇的性质，并且在信号分析中非常重要，见如下证明

有哪些常用的窗函数？它们特点是什么？

窗函数有很多很多种，Scipy中的get_window提供了多种窗函数的实现，具体请参看scipy.signal.get_window

每种窗函数都可以由两个特征来区别：主瓣的宽度（main-lobe width）和副瓣最大高度（side-lobe level）

下面介绍几种常用的窗函数

Rectangular

KaTeX parse error: Expected '}', got 'EOF' at end of input: …ere}\end{cases}W[k]=πk/Mπk

main-lobe width: 2 bins

side-lobe level: -13.3db

from scipy import signal
from scipy.fftpack import fft, fftshift
import matplotlib.pyplot as plt

window = signal.boxcar(51)
plt.plot(window)
plt.title(“Boxcar rectangular window”)
plt.ylabel(“Amplitude”)
plt.xlabel(“Sample”)

plt.figure()
A = fft(window, 2048)
freq = np.linspace(-0.5, 0.5, len(A))
response = 20 * np.log10(np.abs(fftshift(A / abs(A).max())))
plt.plot(freq, response)
plt.axis([-0.5, 0.5, -120, 0])
plt.title(“Frequency response of the boxcar window”)
plt.ylabel(“Normalized magnitude [dB]”)
plt.xlabel(“Normalized frequency [cycles per sample]”)

Hanning

w[n]=0.5+0.5∗cos(2πn/M)w[n]=0.5+0.5∗cos⁡(2πn/M)w[n]=0.5+0.5∗cos⁡(2πn/M)w[n]=0.5+0.5∗cos(2πn/M)w[n]=0.5+0.5∗cos⁡(2πn/M) w[n] = 0.5+0.5*\cos (2\pi n/M)w[n]=0.5+0.5∗cos(2πn/M)w[n]=0.5+0.5∗cos⁡(2πn/M)w[n]=0.5+0.5∗cos(2πn/M)W[k]=0.5D[k]+0.25(D[k−1]+D[k+1]),D[k]=πk/Msin(πk)

main-lobe width: 4 bins

side-lobe level: -31.5db

window = signal.hanning(51)
plt.plot(window)
plt.title("Hanning window")
plt.ylabel("Amplitude")
plt.xlabel("Sample")

plt.figure()
A = fft(window, 2048)
freq = np.linspace(-0.5, 0.5, len(A))
response = 20 * np.log10(np.abs(fftshift(A / abs(A).max())))
plt.plot(freq, response)
plt.axis([-0.5, 0.5, -120, 0])
plt.title(“Frequency response of the Hanning window”)
plt.ylabel(“Normalized magnitude [dB]”)
plt.xlabel(“Normalized frequency [cycles per sample]”)

Hamming

w[n]=0.54+46∗cos(2πn/M)w[n]=0.54+46∗cos⁡(2πn/M)w[n]=0.54+46∗cos⁡(2πn/M)w[n]=0.54+46∗cos(2πn/M)w[n]=0.54+46∗cos⁡(2πn/M) w[n] = 0.54+46*\cos (2\pi n/M)w[n]=0.54+46∗cos(2πn/M)w[n]=0.54+46∗cos⁡(2πn/M)w[n]=0.54+46∗cos(2πn/M)w[n]=0.54+46∗cos(2πn/M)

main-lobe width: 4 bins

side-lobe level: -42.7db

window = signal.hamming(51)
plt.plot(window)
plt.title("Hamming window")
plt.ylabel("Amplitude")
plt.xlabel("Sample")

plt.figure()
A = fft(window, 2048)
freq = np.linspace(-0.5, 0.5, len(A))
response = 20 * np.log10(np.abs(fftshift(A / abs(A).max())))
plt.plot(freq, response)
plt.axis([-0.5, 0.5, -120, 0])
plt.title(“Frequency response of the Hamming window”)
plt.ylabel(“Normalized magnitude [dB]”)
plt.xlabel(“Normalized frequency [cycles per sample]”)

Blackman

w[n]=0.42−0.5cos(2πn/M)+0.08cos(4πn/M)w[n]=0.42−0.5cos⁡(2πn/M)+0.08cos⁡(4πn/M)w[n]=0.42−0.5cos⁡(2πn/M)+0.08cos⁡(4πn/M)w[n]=0.42−0.5cos(2πn/M)+0.08cos(4πn/M)w[n]=0.42−0.5cos⁡(2πn/M)+0.08cos⁡(4πn/M) w[n] = 0.42 - 0.5\cos(2\pi n/M) + 0.08\cos(4\pi n/M)w[n]=0.42−0.5cos(2πn/M)+0.08cos(4πn/M)w[n]=0.42−0.5cos⁡(2πn/M)+0.08cos⁡(4πn/M)w[n]=0.42−0.5cos(2πn/M)+0.08cos(4πn/M)w[n]=0.42−0.5cos(2πn/M)+0.08cos(4πn/M)

main-lobe width: 6 bins

side-lobe level: -58db

window = signal.blackman(51)
plt.plot(window)
plt.title("Blackman window")
plt.ylabel("Amplitude")
plt.xlabel("Sample")

plt.figure()
A = fft(window, 2048)
freq = np.linspace(-0.5, 0.5, len(A))
response = 20 * np.log10(np.abs(fftshift(A / abs(A).max())))
plt.plot(freq, response)
plt.axis([-0.5, 0.5, -120, 0])
plt.title(“Frequency response of the Blackman window”)
plt.ylabel(“Normalized magnitude [dB]”)
plt.xlabel(“Normalized frequency [cycles per sample]”)

Blackman-Harris

w[n]=1M∑3i=0αicos(2n/π/M),α0=0.35875,α1=0.35875,α1=0.35875,α3=0.35875w[n]=1M∑i=03αicos⁡(2n/π/M),α0=0.35875,α1=0.35875,α1=0.35875,α3=0.35875w[n]=1M∑i=03αicos⁡(2n/π/M),α0=0.35875,α1=0.35875,α1=0.35875,α3=0.35875w[n]=1M∑3i=0αicos(2n/π/M),α0=0.35875,α1=0.35875,α1=0.35875,α3=0.35875w[n]=1M∑i=03αicos⁡(2n/π/M),α0=0.35875,α1=0.35875,α1=0.35875,α3=0.35875 w[n] = \frac{1}{M}\sum_{i=0}^{3} \alpha_i \cos(2n/\pi/M), \alpha_0=0.35875, \alpha_1=0.35875, \alpha_1=0.35875, \alpha_3=0.35875w[n]=1M∑3i=0αicos(2n/π/M),α0=0.35875,α1=0.35875,α1=0.35875,α3=0.35875w[n]=1M∑i=03αicos⁡(2n/π/M),α0=0.35875,α1=0.35875,α1=0.35875,α3=0.35875w[n]=M1i=0∑3αicos(2n/π/M),α0=0.35875,α1=0.35875,α1=0.35875,α3=0.35875w[n]=M1i=0∑3αicos(2n/π/M),α0=0.35875,α1=0.35875,α1=0.35875,α3=0.35875

main-lobe width: 8 bins

side-lobe level: -92 db

window = signal.blackmanharris(51)
plt.plot(window)
plt.title("Blackman-Harris window")
plt.ylabel("Amplitude")
plt.xlabel("Sample")

plt.figure()
A = fft(window, 2048)
freq = np.linspace(-0.5, 0.5, len(A))
response = 20 * np.log10(np.abs(fftshift(A / abs(A).max())))
plt.plot(freq, response)
plt.axis([-0.5, 0.5, -120, 0])
plt.title(“Frequency response of the Blackman-Harris window”)
plt.ylabel(“Normalized magnitude [dB]”)
plt.xlabel(“Normalized frequency [cycles per sample]”)

<matplotlib.text.Text at 0x227ea5e2cc0>

总结

本文中，我们首先介绍了窗函数的定义，说明了窗函数能够减少信号泄露，并且在信号分析非常的便利，然后我们又介绍了常见的几种窗函数和它们的性质

                                </div>

窗函数的作用以及各种窗函数相关推荐

c语言窗函数的作用,窗函数的C语言实现
/*窗类型*/ typedef enum { Bartlett = 0, BartLettHann, BlackMan, BlackManHarris, Bohman, Chebyshev, Flat ...
Matlab2019b关于窗函数的详细设置（dsp.window）
使用窗函数来截取一段无限长(非常长:远大于一帧的长度)的信号,形象的来描述就是透过一个窗户来看一个信号,这个窗户的形状会对信号有一定的影响. 看大佬的解释看不懂,水平不足,下面是从自身使用的感觉来讲的 ...
虹科教您 | 实时频谱分析仪中如何选择合适的FFT窗函数
摘要本文主要介绍了常见的窗函数以及窗函数有什么用,以及在实时频谱分析中,该如何选择合适的加窗方式. 随着无线通信的逐步发展,带来的是频谱环境的越发复杂与丰富,高度的信号变化性使得短时间内信号不再是一 ...
c语言汉宁窗,常用窗函数的特点
1.矩形窗矩形窗相当使信号突然截断所乘的窗函数,它的旁瓣较大,且衰减较慢,旁瓣的死一个负峰值为主瓣的21%,第一个正峰值为主瓣的12.6%,第二个负负峰值为主瓣的9%,故巨星唱效果不适很好,泄漏较大 ...
matlab窗函数带通滤波器,Matlab结合窗函数法设计数字带通FIR滤波器
Matlab结合窗函数法设计数字带通FIR滤波器课程设计任务书学生姓名: 专业班级: 通信工程指导教师: 工作单位: 信息工程学院题目:利用 Matlab 仿真软件系统结合窗函数法设计一个数字 ...
窗函数性能分析——MATLAB
一.实验目的 1.掌握Matlah由各种窗数序列的生成方法; 2.掌握窗函数序列频率特性的计算与画图方法; 3.掌握窗函数的相关参数对窗函数频域性能的影响; 4.了解混合窗函数的定义.生成方法和频域性 ...
mysql分窗函数_频谱分析中如何选择合适的窗函数
加窗是为了减小泄漏! 1.信号截断及能量泄漏效应数字信号处理的主要数学工具是傅里叶变换.应注意到,傅里叶变换是研究整个时间域和频率域的关系.然而,当运用计算机实现工程测试信号处理时,不可能对无限长的 ...
窗函数概念知识点统计
加窗函数的原则加窗函数时,应使窗函数频谱的主瓣宽度应尽量窄,以获得高的频率分辨能力:旁瓣衰减应尽量大,以减少频谱拖尾,但通常都不能同时满足这两个要求.各种窗的差别主要在于集中于主瓣的能量和分散在所 ...
几种常见窗函数的特性
几种常见窗函数的特性解决一下上一篇的遗留问题上一篇谈了FIR滤波器的加窗是什么,但是自觉得还是有些地方没有说明白,就好比模拟加窗过程都没有讲明白. 不过今天再看书时,又有所得,忽然明白了为什么模拟 ...

窗函数的作用以及各种窗函数