窗函数的作用以及各种窗函数
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()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
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()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
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]”)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
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]”)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
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]”)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
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]”)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
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]”)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
<matplotlib.text.Text at 0x227ea5e2cc0>
- 1
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 ...
最新文章
- 【洛谷习题】小A点菜
- ubuntu修改IP
- 在RHEL4上安装ORACLE9.2.04
- chrome浏览器无法上网_低调使用,内置特殊功能的浏览器。。
- Flask+nginx负载均衡综合使用
- 关于数字证书理解的简单整理以及12306站点证书简单分析
- [LeetCode] Palindrome Linked List
- OpenShift 4 Hands-on Lab (12) 使用配置参数和环境变量
- android thermal 机制,一种系统过热保护机制的实现方法及系统与流程
- 解决Mac文件乱码问题
- 关于如何在视频中合成声音
- 遇到返回键会退到页面的问题(window.location)
- 背包笔记及Java实现
- java中如何访问类中的字段_java – 在子类中使用super关键字访问超类私有字段
- 外包开发app系统软件价格表:价格一般多少呢
- mysql热备份使用方案_MySQL双机热备份实施方案
- 10min说完淘宝最初10年的产品故事
- 新浪UC聊天室的几个漏洞
- 深入理解WKWebView白屏
- lingo标准模型与编程(附习题、代码)