fft 窗函数特性对比
窗名称 | 主瓣宽度 | 旁瓣相对衰减(旁瓣抑制) | 旁瓣能量占比 | 最大值(32个点时) | 最小值(32个点时) |
hamming(symmetric) | 4.3125*谱线间隔 | -41.8dB | 0.04% | 0.9976 | 0.0800 |
hamming(periodic) | 4.0625*谱线间隔 | -41.8dB | 0.04% | 1 | 0.0800 |
bartlett | 4*谱线间隔 | -26.5dB | 0.28% | 0.9677 | 0 |
bartlett_hanning | 4.09*谱线间隔 | -35.8dB | 0.03% | 0.9903 | 0 |
blackman(symmetric) | 6.125*谱线间隔 | -58.2dB | 0% | 0.9958 | 0 |
blackman(periodic) | 6*谱线间隔 | -58.1dB | 0% | 1 | 0 |
black-harris(symmetric) | 8.31*谱线间隔 | -92dB | 0% | 0.9941 | 6e-5 |
black-harris(periodic) | 6*谱线间隔 | -91.9dB | 0% | 1 | 6e-5 |
bohman | 6.188*谱线间隔 | -46dB | 0% | 0.9950 | 0 |
chebyshev(60dB旁瓣衰减) | 5.0625*谱线间隔 | -60dB(可设置) | 0% | 1 | 0.0189 |
flat_top(symmetric) | 11.3125*谱线间隔 | 0dB? | 96.84% | 0.9878 | -0.0695 |
flat_top(periodic) | 10*谱线间隔 | 0dB? | 96.74% | 1 | -0.0705 |
gaussin(a=2.5) | 6.4375*谱线间隔 | -44.9dB | 0.01% | 0.9968 | 0.0439 |
hann(symmetric) | 4.125*谱线间隔 | -31.5dB | 0.05% | 0.9974 | 0 |
hann(periodic) | 4*谱线间隔 | -31.5dB | 0.05% | 1 | 0 |
Kaiser(β=6) | 4.4375*谱线间隔 | -44.1dB | 0% | 0.9998 | 0.0149 |
nuttall(symmetric) | 9.4375*谱线间隔 | -88.8dB | 0% | 0.9942 | 3.628e-4 |
nuttall(periodic) | 9*谱线间隔 | -88.9dB | 0% | 1 | 3.628e-4 |
parzen | 7.9375*谱线间隔 | -53.1dB | 0% | 0.9943 | 6.1035e-5 |
rectangle | 1.7500*谱线间隔 | -13.2dB | 9.12% | 1 | 1 |
taylor(nb=4, sl=50) | 4.1875*谱线间隔 | -44.2dB | 0.02% | 1.8861 | 0.1341 |
triang | 3.9375*谱线间隔 | -26.6dB | 0.27% | 0.9688 | 0.0313 |
tukey(a=0.5) | 2.75*谱线间隔 | -15.1dB | 3.57% | 1 | 0 |
N = 128;
hamm = hamming(N);
barthann = barthannwin(N);
bartlet = bartlett(N);%旁瓣抑制-26.5dB
blackman_sym = blackman(N,'symmetric');
blackman_prd = blackman(N,'periodic');blackman_harris_sym = blackmanharris(N,'symmetric');
blackman_harris_prd = blackmanharris(N,'periodic');
bohman_sym = bohman(N,'symmetric');
bohman_prd = bohman(N,'periodic');chebyshev_60 = chebwin(N, 60);
flat_top_sym = flattopwin(N, 'symmetric');
flat_top_prd = flattopwin(N, 'periodic');
gauss = gausswin(N,2.5);
幅值恢复系数= 1/ Coherent Gain
能量恢复系数= 1/sqrt[Equivalent Noise Bandwidth x (Coherent Gain^2)]
fft 窗函数特性对比相关推荐
- 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 ...
- ICEPAK与FLOTHERM数值特性对比
ICEPAK与FLOTHERM数值特性对比 数值特性对比 ICEPAK与FLOTHERM : 数值特性 ICEPAK FLOTHERM 离散方法 有限容积 有限容积 网格性质 非结构化网格 结构化网格 ...
- MySql存储引擎特性对比
下表显示了各种存储引擎的特性: 其中最常见的两种存储引擎是MyISAM和InnoDB 刚接触MySQL的时候可能会有些惊讶,竟然有不支持事务的存储引擎,学过关系型数据库理论的人都知道,事务是关系型数据 ...
- 【MDCC 2015】开源选型之Android三大图片缓存原理、特性对比
from: http://www.csdn.net/article/2015-10-21/2825984 [CSDN现场报道]10月14日-16日," 2015移动开发者大会 · 中国&qu ...
- 深入了解电容(五):不同种类电容的特性对比电容选择基本原则
作者:AirCity 2020.1.27 Aircity007@sina.com 本文所有权归作者Aircity所有 1. 选择电容的基本原则 要想选对电容,就必须对电容有深入的了解,本文是深入了解电 ...
- Vue于React特性对比(三)
最近重学React,再次和vue做了对比. 一,为官方插件提供便利的第三方插件横行 React仅仅是一个ui框架.虽然官方提供了redux,react-router:但也有第三方的redux-thun ...
- Android之三大图片缓存原理、特性对比
一. 四大图片缓存基本信息 Universal ImageLoader 是很早开源的图片缓存,在早期被很多应用使用. Picasso 是 Square 开源的项目,且他的主导者是 JakeWhar ...
- Mysql8.0Mysql5.7Mysql5.6Mysql5.5特性对比
Mysql5.5 特性,相对于Mysql5.1 性能提升 默认InnoDB plugin引擎.具有提交.回滚和crash恢复功能.ACID兼容. 行级锁(一致性的非锁定读 MVCC). 表与索引存储在 ...
- Hyper-V与VMware的技术特性对比
1.Hyper-V可伸缩性.性能与密度与VMware的对比 系统 资源 Hyper-V (2012) vSphere Hypervisor vSphere 5.1 Enterprise Plus 主机 ...
- clickhouse的常见问题以及和mysql相关特性对比
FBI warning: 本文乃小白视角中的clickhouse,有一定mysql基础,但是没有clickhouse基础. 带着问题来学习 如何理解行式存储和列式存储? clickhouse有哪些引擎 ...
最新文章
- 基于OpenCV的透视图转化为不同平面
- 【maven】修改编译得到的文件名
- typescript赋值
- 7.4.1 矩阵低秩近似、矩阵范数
- linux错误码61,Linux编程中的错误码列表
- 基于Lumisoft.NET组件开发碰到乱码等一些问题的解决
- ros机器人写字,svg图片绘制,二三阶贝塞尔计算公式转代码
- 面试进阶 -- 计算机基础原理知识、面试经验、高频题目
- 常问的数据结构与算法
- Mysql数据库的备份与恢复
- 视频可以裁剪尺寸吗?教你裁剪尺寸的小妙招
- linux安装Oracle11g详细教程(redhat6、Centos7)
- linux 查看登入记录_Linux登录信息查询
- python安装/pycharm破解与安装
- 高仿苹果虚拟home键,手势拖动,放手会弹到屏幕边缘。
- MySQL内部联结和外部联结
- 转:黑客讲故事:攻下隔壁女生路由器后,我都做了些什么
- 稳定性同位素示踪技术和放射性同位素示踪技术的研究进展
- python爬虫爬取知网
- win下snmp环境的搭建和使用