窗函数详解

概述

窗函数（Window Functions）是数字信号处理（DSP）中的重要工具，主要用于频谱分析、滤波器设计和信号处理。在进行离散傅里叶变换（DFT）或快速傅里叶变换（FFT）时，我们通常只能对有限长度的信号进行处理，这会导致频谱泄漏（Spectral Leakage）。窗函数通过在信号两端平滑地衰减到零，来减少这种泄漏效应。

1. 矩形窗（Rectangular Window）

公式

$w(n) = \begin{cases} 1, & 0 \leq n \leq N-1 \\ 0, & \text{其他} \end{cases}$

其中 $N$ 是窗长度，$n$ 是采样点索引。

历史

矩形窗是最简单、最古老的窗函数形式，其概念可以追溯到傅里叶变换的早期应用。在数字信号处理发展初期（1950-1960年代），矩形窗是最早被广泛使用的窗函数。

特点

• 主瓣宽度：最窄（$2\pi/N$）
• 旁瓣电平：最高（-13 dB）
• 频率分辨率：最好
• 频谱泄漏：最严重

用途

• 当信号频率成分间隔较大时
• 对频谱泄漏要求不高的场合
• 作为其他窗函数的比较基准
• 脉冲雷达信号处理

优缺点

2. Hanning 窗（汉宁窗）

公式

$w(n) = 0.5 \left(1 - \cos\left(\frac{2\pi n}{N-1}\right)\right), \quad 0 \leq n \leq N-1$

或等价形式：

$w(n) = \sin^2\left(\frac{\pi n}{N-1}\right), \quad 0 \leq n \leq N-1$

历史

Hanning 窗由奥地利气象学家 Julius von Hann 于 1903 年提出，因此也称为 Hann 窗。"Hanning" 这个名称是 "Hann windowing" 的缩写，在工程界被广泛使用。该窗函数最初用于气象数据的平滑处理。

特点

• 主瓣宽度：较宽（$4\pi/N$）
• 旁瓣电平：较低（-31 dB）
• 频率分辨率：中等
• 频谱泄漏：较少

用途

• 音频信号处理
• 振动分析
• 语音处理
• 通用频谱分析
• 音乐信息检索

优缺点

3. Hamming 窗（汉明窗）

公式

$w(n) = 0.54 - 0.46 \cos\left(\frac{2\pi n}{N-1}\right), \quad 0 \leq n \leq N-1$

历史

Hamming 窗由美国数学家 Richard Wesley Hamming 于 1950 年代在贝尔实验室工作期间提出。Hamming 是信息论和数字信号处理领域的先驱，他在 1950 年发表了关于窗函数的经典论文。该窗函数的设计目的是在主瓣宽度和旁瓣电平之间取得更好的平衡。

特点

• 主瓣宽度：中等（$4\pi/N$）
• 旁瓣电平：低（-43 dB）
• 频率分辨率：中等
• 频谱泄漏：较少

用途

• 语音识别
• 频谱分析
• FIR 滤波器设计
• 通信系统
• 雷达信号处理

优缺点

与 Hanning 窗的区别

Hamming 窗与 Hanning 窗的主要区别在于系数：

• Hanning：$a_0 = 0.5$, $a_1 = 0.5$
• Hamming：$a_0 = 0.54$, $a_1 = 0.46$

Hamming 窗通过调整系数，使得窗边缘不完全为零，从而进一步降低旁瓣电平。

4. Blackman 窗（布莱克曼窗）

公式

$w(n) = 0.42 - 0.5 \cos\left(\frac{2\pi n}{N-1}\right) + 0.08 \cos\left(\frac{4\pi n}{N-1}\right), \quad 0 \leq n \leq N-1$

历史

Blackman 窗由美国信号处理专家 Ralph Beebe Blackman 于 1950 年代在贝尔实验室提出。Blackman 与 Hamming 是同事，他们共同研究窗函数的优化设计。Blackman 窗是 Hamming 窗的进一步改进，通过增加一个余弦项来获得更好的旁瓣抑制。

特点

• 主瓣宽度：较宽（$6\pi/N$）
• 旁瓣电平：很低（-58 dB）
• 频率分辨率：较低
• 频谱泄漏：很少

用途

• 高精度频谱分析
• 音频处理
• 医学信号处理（如心电图、脑电图）
• 天文信号处理
• 需要极低旁瓣的应用

优缺点

变种

• Blackman-Harris 窗：进一步优化的版本，旁瓣电平可达 -92 dB
• Nuttall 窗：类似的优化版本

5. Triang 窗（三角窗）

公式

当 N 为奇数时：

$w(n) = \begin{cases} \frac{2(n+1)}{N+1}, & 0 \leq n \leq \frac{N-1}{2} \\ \frac{2(N-n)}{N+1}, & \frac{N-1}{2} < n \leq N-1 \end{cases}$

当 N 为偶数时：

$w(n) = \begin{cases} \frac{2n+1}{N}, & 0 \leq n \leq \frac{N}{2}-1 \\ \frac{2(N-n-1)+1}{N}, & \frac{N}{2} \leq n \leq N-1 \end{cases}$

历史

三角窗（也称为 Bartlett 窗）的概念可以追溯到 20 世纪初期。芬兰数学家 M.S. Bartlett 在 1948 年将其应用于时间序列分析，因此有时也称为 Bartlett 窗。三角窗是最简单的非矩形窗函数之一。

特点

• 主瓣宽度：较宽（$4\pi/N$）
• 旁瓣电平：中等（-26 dB）
• 频率分辨率：中等
• 频谱泄漏：中等

用途

• 功率谱估计
• 平滑处理
• 图像处理
• 简单的频谱分析
• 教学演示

优缺点

6. Taylor 窗（泰勒窗）

公式

Taylor 窗的计算较为复杂，其频域表达式为：

$W(k) = \frac{\sum_{m=1}^{\bar{n}-1} F_m \cos\left(\frac{2\pi m k}{N}\right)}{\sum_{m=0}^{\bar{n}-1} F_m}$

其中：

$F_0 = 1$

$F_m = \frac{\prod_{i=1}^{\bar{n}-1} \left(1 - \frac{m^2}{\sigma^2 (A^2 + (i-0.5)^2)}\right)}{\prod_{i=1, i \neq m}^{\bar{n}-1} \left(1 - \frac{m^2}{i^2}\right)}$

参数说明：

• $\bar{n}$：近旁瓣数量
• $A$：旁瓣电平参数（$A = \frac{1}{\pi} \cosh^{-1}(10^{sll/20})$，$sll$ 为旁瓣电平 dB 值）
• $\sigma$：展宽因子，$\sigma = \frac{\bar{n}}{\sqrt{A^2 + (\bar{n}-0.5)^2}}$

历史

Taylor 窗由美国雷达工程师 T. Taylor 于 1960 年代在休斯飞机公司（Hughes Aircraft Company）提出。该窗函数最初是为雷达天线方向图设计而开发的，目的是在保持主瓣宽度的同时获得极低的旁瓣电平。Taylor 窗在雷达和通信领域有着广泛的应用。

特点

• 主瓣宽度：可调节
• 旁瓣电平：可控制（通常 -40 dB 到 -60 dB）
• 频率分辨率：可优化
• 频谱泄漏：可控

用途

• 雷达系统
• 天线设计
• 通信系统
• 声纳系统
• 需要精确控制旁瓣电平的场合

优缺点

参数选择指南

窗函数对比总结

如何选择窗函数

选择窗函数时，需要考虑以下因素：

1. 频率分辨率需求：如果需要区分相近的频率成分，选择主瓣窄的窗函数（如矩形窗）

2. 旁瓣抑制需求：如果需要检测弱信号或避免强信号的旁瓣干扰，选择旁瓣电平低的窗函数（如 Blackman 窗）

3. 计算资源：如果计算资源有限，选择简单的窗函数（如矩形窗或三角窗）

4. 应用场景：

   • 通用频谱分析：Hanning 或 Hamming
   • 高精度测量：Blackman
   • 雷达系统：Taylor
   • 教学演示：矩形窗或三角窗

5. 特殊需求：

   • 需要精确控制旁瓣电平：Taylor 窗
   • 需要极低旁瓣：Blackman-Harris 窗
   • 需要最窄主瓣：矩形窗

参考文献

1. Harris, F. J. (1978). On the use of windows for harmonic analysis with the discrete Fourier transform. Proceedings of the IEEE, 66(1), 51-83.

2. Nuttall, A. H. (1981). Some windows with very good sidelobe behavior. IEEE Transactions on Acoustics, Speech, and Signal Processing, 29(1), 84-91.

3. Taylor, T. T. (1955). Design of line-source antennas for narrow beamwidth and low side lobes. IRE Transactions on Antennas and Propagation, 3(1), 16-28.

4. Oppenheim, A. V., & Schafer, R. W. (2010). Discrete-time signal processing. Pearson.

5. Proakis, J. G., & Manolakis, D. G. (2007). Digital signal processing. Pearson.

附录：常用窗函数 MATLAB/Python 实现

Python 实现示例

import numpy as np

def rectangular_window(N):
    return np.ones(N)

def hanning_window(N):
    n = np.arange(N)
    return 0.5 * (1 - np.cos(2 * np.pi * n / (N - 1)))

def hamming_window(N):
    n = np.arange(N)
    return 0.54 - 0.46 * np.cos(2 * np.pi * n / (N - 1))

def blackman_window(N):
    n = np.arange(N)
    return 0.42 - 0.5 * np.cos(2 * np.pi * n / (N - 1)) + 0.08 * np.cos(4 * np.pi * n / (N - 1))

def triang_window(N):
    if N % 2 == 1:
        n = np.arange(N)
        return np.where(n <= (N - 1) / 2, 2 * (n + 1) / (N + 1), 2 * (N - n) / (N + 1))
    else:
        n = np.arange(N)
        return np.where(n < N / 2, (2 * n + 1) / N, (2 * (N - n - 1) + 1) / N)

为什么加窗能改善频谱分析？

问题根源：频谱泄漏

FFT（快速傅里叶变换）假设输入信号是周期性重复的。当你截取一段有限长度的信号进行分析时，信号的首尾往往不连续，这种跳变会在频域产生大量高频分量，即频谱泄漏（Spectral Leakage）。

窗函数的工作原理

窗函数通过在时域与信号相乘，使得信号两端平滑衰减到零，消除了边缘跳变。

时域相乘 = 频域卷积

原始信号（截断）：   |‾‾‾‾‾‾‾‾‾‾‾|  ← 首尾跳变大
                    [          ]

加窗后：            ∩‾‾‾‾‾‾‾‾‾‾∩  ← 两端平滑归零
                    [          ]

在频域中，加窗相当于用窗函数的频谱对信号频谱进行"平滑"，从而抑制旁瓣能量。

直观理解

代价：时间-频率分辨率权衡

减少泄漏的代价是主瓣变宽（频率分辨率降低）。这是一个根本性的权衡：

• 窄主瓣 → 分辨率高，但旁瓣高（泄漏多）
• 宽主瓣 → 分辨率低，但旁瓣低（泄漏少）

窗函数本质上是在"能区分多近的频率"和"能抑制多强的干扰"之间做取舍。

本文档最后更新时间：2026年8月18日