信号处理 / 系统课时

按测量目标选择窗函数

按测量目标选择窗函数

FFT 只能观察有限长度的数据,截断位置通常不会刚好落在周期边界,因此会产生频谱泄漏。选择窗函数的关键不是寻找“最好的窗”,而是先确定测量目标:究竟更需要分开相邻频率,还是看清强信号旁边的弱分量。

学习目标

  • 解释主瓣宽度和旁瓣高度分别怎样影响频率分辨率与动态范围
  • 比较矩形窗、Hann 窗和 Blackman 窗的典型频谱特征
  • 根据待测信号的频率间隔和幅度差选择合适窗口

窗函数改变了什么

长度为 NN 的离散信号只能截取其中一段进行频谱分析。加窗就是把原始数据 x[n]x[n] 与长度相同的窗 w[n]w[n] 相乘:

xw[n]=x[n]w[n],0≤n<Nx_w[n]=x[n]w[n],\quad 0\le n<N

时域中的相乘对应频域中的卷积,因此 FFT 看到的不再只是原信号频谱,而是原频谱与窗函数频谱卷积后的结果。窗频谱最重要的两个指标是主瓣宽度和旁瓣高度。

主瓣越窄,两个相距很近且幅度接近的正弦分量越容易被分开,这对应更高的频率分辨能力。旁瓣越低,强分量向远处频率泄漏的能量越少,因此越容易观察被强信号遮蔽的弱分量。

矩形窗、Hann 窗和 Blackman 窗的频谱权衡

三种常用窗的取舍

矩形窗实际上就是不做额外加权,即 w[n]=1w[n]=1。它保留了最窄的主瓣,因此当两个分量幅度接近、频率又非常靠近时,矩形窗可能给出最好的分离能力。但它的旁瓣较高,强分量会把明显的泄漏铺到其他频率上。

Hann 窗让数据在两端平滑衰减到零:

w[n]=0.5−0.5cos⁡(2πnN−1)w[n]=0.5-0.5\cos\left(\frac{2\pi n}{N-1}\right)

它牺牲一部分主瓣宽度来显著降低旁瓣,是一般频谱观察中很常用的折中方案。对于没有特别极端的分辨率或动态范围要求,Hann 往往是稳妥的默认起点。

Blackman 窗通常写成:

w[n]=0.42−0.5cos⁡(2πnN−1)+0.08cos⁡(4πnN−1)w[n]=0.42-0.5\cos\left(\frac{2\pi n}{N-1}\right)+0.08\cos\left(\frac{4\pi n}{N-1}\right)

它进一步压低旁瓣,但主瓣也更宽。因此它适合寻找强分量旁边幅度低得多的弱分量,却可能把距离很近的两个峰合并成一个宽峰。

窗函数 主瓣特征 旁瓣特征 更适合的目标
矩形窗 最窄 较高 分开幅度接近、频率很近的分量
Hann 窗 中等 较低 通用频谱测量与未知信号观察
Blackman 窗 更宽 更低 检测强分量附近的弱分量

从测量目标反推窗口

选择窗口时可以先问两个问题:待分辨的频率间隔有多小,以及不同分量的幅度可能相差多大。前者主要约束主瓣宽度,后者主要约束旁瓣水平。

如果两个正弦分量相距很近且幅度差不大,应优先保留窄主瓣,可从矩形窗开始,并同时考虑增加采样长度 NN。如果一个弱分量紧邻很强的载波或干扰,则应优先压低旁瓣,Hann 或 Blackman 通常更合适。

窗函数不能替代采样长度

窗函数只能重新分配截断造成的频谱泄漏,不能突破记录时长带来的基本分辨率限制。采样率为 fsf_s、FFT 长度为 NN 时,频率采样间隔为:

Δf=fsN\Delta f=\frac{f_s}{N}

如果目标是分开间距极小的两个频率,仅更换窗口可能无济于事。此时通常需要延长观测时间、增加有效样本数,再结合合适窗口控制泄漏。

实际测量中可以把选择顺序记成:先确认是否需要更长的记录获得足够频率分辨能力,再根据“邻近峰分离”还是“强弱分量共存”的主要矛盾选择窗。矩形窗偏向分辨率,Blackman 偏向动态范围,Hann 则处在两者之间。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

按测量目标选择窗函数

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通