信号处理 窗函数

1. 时域 频域 FFT

时域分析 以时间轴为坐标表示动态信号的关系。 如音乐，股票走势图。
频域分析 以频率为坐标轴的信号表示。 通过FFT将信号从时域转换为频域，进行分析。

图1时域与频域

时域中的一个信号都分解为一组正弦波。
如何分解？当然是 FFT！

FFT 快速傅里叶变换 (fast Fourier transform)

FFT理解及背景知识：https://blog.csdn.net/enjoy_pascal/article/details/81478582
傅里叶变换研究时间与与频率域之间的关系，本质是对信号的分解，将信号分解为多个不同频率的正弦波。

2.为什么要加窗

信号处理中，不可能对无限长的信号进行测量和分析，因而要对信号截断对这个时间片段进行相关分析。信号截断过程中会产生能量泄露，即信号的频谱畸变。

对周期信号进行截断时，若截断的信号正好是整数个周期，则此段信号的频谱能反应原信号的频谱，当然，这是理想情况。

图2 周期信号（上）FFT频谱（下）

实际中并非每次都能幸运的截取到整数个周期，若截取片段从周期中间切断又会发生什么呢？ 对，频谱能量泄露，原来单一频谱线变成了多条。

图3. 非周期截断（上）FFT频谱（下）

明明同一个源信号，截断不同，FFT变换后得到的频谱图竟然相差如此巨大。

那么如何减少因截断而产生的这种误差呢？ 加窗
窗其实就是信号的截断函数。

3.窗函数

常用窗函数有矩形窗、汉宁窗，海明窗、高斯窗、布莱克曼窗、平顶窗。

图4.窗函数示意（上）窗函数对比（下） 图片来源见水印

一般情况下，Hanning窗适用于95%的情况。 它不仅具有较好的频率分辨率，还可减少频谱泄露。

各种窗函数公式及python代码