🪟 24-信号处理 · 05 窗函数与功率谱估计¶
关键词:窗函数、频谱泄漏、PSD、Welch §01 提过泄漏、§03 用了 Hamming——本章系统对比各窗函数,并把功率谱估计(PSD/Welch)讲透。
本节要解决的问题¶
| # | 问题 | 对应内容 | | --- | --- | --- | | 1 | 为什么 DFT 前必须加窗? | §1 核心概念 | | 2 | 各窗函数的主瓣/旁瓣怎么对比? | §2 手算 ✍️ | | 3 | 功率谱 PSD 和 |X[k]|² 有什么区别? | §3 深入原理 | | 4 | Welch 平均为什么能降方差? | §4 代码实战 |
故事引入¶
一段 10 秒正弦,DFT 却出现了一堆"幽灵频谱"——不是信号的问题,是截断的问题:把无限长正弦硬切成有限段,相当于乘了矩形窗,频谱被窗函数卷积"抹糊"了。选对窗 = 选对"取景框"。
核心概念¶
加窗的数学:观测 $x[n]w[n]$ 的 DFT,频域是 $X(f)*W(f)$——频谱被窗的频谱卷积。矩形窗旁瓣高(−13dB),正弦会泄漏;余弦类窗旁瓣低。
常用窗($N$ 点,$0\le n\le N-1$):
- 矩形:$w[n]=1$,主瓣最窄,旁瓣 −13dB
| Hann:$w[n]=0.5[1-\cos(2\pi n/(N-1))]$,旁瓣 −31dB
- Hamming:$w[n]=0.54-0.46\cos(2\pi n/(N-1))$,旁瓣 −43dB(§03 用过)
- Blackman:$w[n]=0.42-0.5\cos(2\pi n/(N-1))+0.08\cos(4\pi n/(N-1))$,旁瓣 −58dB
权衡:旁瓣越低,主瓣越宽(频率分辨率越差)。
✍️ 手算窗函数数值与主瓣¶
设定 A:Hann 窗(N=8)
$$w[n]=0.5\left(1-\cos\frac{2\pi n}{7}\right)$$
$$w[0]=0.5(1-1)=\mathbf{0},\qquad w[3]=0.5\left(1-\cos\frac{6\pi}{7}\right)=0.5(1+0.9009)=\mathbf{0.9505}$$
窗两端为 0、中间最高——"把中间数据看得最重"。
设定 B:矩形窗主瓣
$N=8$ 矩形窗的 DFT:$W[k]=\sum_{n=0}^{7}e^{-j2\pi kn/8}$,其幅度 $|W[k]|=|\sin(\pi k)/\sin(\pi k/8)|$。
$$W[0]=8,\quad W[1]=0\ (\text{第一个零点})\Rightarrow\text{主瓣宽}=2\ \text{bin}$$
主瓣越窄 → 频率分辨率越高;但旁瓣 $\approx -13$dB → 泄漏严重。
手算收获:
- 主瓣宽度决定"两个相邻频率能否分开"(分辨率),旁瓣决定"强信号会否污染弱信号"(动态范围)
- Hann 主瓣 ≈ 矩形 2 倍宽(分辨率减半),换旁瓣 −31dB——没有免费午餐
- 窗函数在时域相乘 = 频域卷积:$X*W$ 的主瓣是"抹糊核"、旁瓣是"幽灵峰"
- 面试速答:测幅值精度用矩形(幅度矫正无损耗)、测弱信号旁瓣干扰小用 Blackman、通用语音用 Hamming/Hann
# ---- §2.1 验证:numpy 复算窗函数 ----
import numpy as np
N = 8
hann = 0.5 * (1 - np.cos(2*np.pi*np.arange(N)/(N-1)))
print('Hann(N=8): w[0] =', round(hann[0], 4), ', w[3] =', round(hann[3], 4))
assert abs(hann[0]) < 1e-9 and abs(hann[3] - 0.9505) < 1e-3
wrect = np.ones(8)
W = np.abs(np.fft.fft(wrect))
print('矩形窗频谱: W[0] =', W[0], ', W[1] =', round(W[1], 6), '(第一个零点)')
assert W[1] < 1e-9
print('\n✓ 与手算一致')
Hann(N=8): w[0] = 0.0 , w[3] = 0.9505 矩形窗频谱: W[0] = 8.0 , W[1] = 0.0 (第一个零点) ✓ 与手算一致
功率谱估计在真实信号上是什么样子?下图是对一段真实脑电(EEG)做频谱分析的结果:频率轴上能看到若干明显的峰——α 节律(约 8–13Hz)、β 节律(约 13–30Hz)等。这些峰的位置与宽度,正是我们在本节用周期图/Welch 方法估计 PSD 时要捕捉的目标。

怎么读:图中把真实 EEG 的功率谱分解成若干钟形峰(每个峰用中心频率 f_i、幅度 H_i、宽度 B_i 描述)。峰越尖,说明该频段的节律越强。窗函数的选择会影响峰的展宽与旁瓣——这就是"窗函数=频域取景框"的实际效果。
📚 图源:Hu H, Pu Z & Wang P (2022) A flexible and accurate method for EEG rhythms extraction based on circulant singular spectrum analysis, PeerJ 10:e13096(开放获取,CC-BY 4.0)图 1。
深入原理:功率谱密度 PSD¶
周期图(periodogram):
$$\hat P(f)=\frac{1}{N}|X(f)|^2$$
是 PSD 的估计,但方差大(≈ 与信号功率同量级)。
Welch 平均:把 N 点分成 K 段(每段 M 点、重叠 50%)、逐段加窗取周期图再平均
$$\hat P_{\text{Welch}}(f)=\frac{1}{K}\sum_{k=1}^{K}\hat P_k(f)$$
方差降低:K 段独立平均 → 方差降为 $1/K$(代价:频率分辨率降为 $f_s/M$)。
归一化:单边谱 ×2(除 DC 与 Nyquist),配合窗功率补偿 $\sum w^2$。
代码实战:Welch 平均降方差¶
白噪声的 PSD 理论上是常数 $\sigma^2$。单段周期图毛刺多、4 段平均更平滑——波动(相对标准误)接近理论 $1/\sqrt K$。
# ---- 周期图 vs Welch 平均 ----
import numpy as np
rng = np.random.default_rng(0)
x = rng.standard_normal(1000)
M = 200
psd_one = np.abs(np.fft.rfft(x[:M]))**2 / M
segs = x[:800].reshape(4, M)
psd_avg = (np.abs(np.fft.rfft(segs))**2 / M).mean(axis=0)
def rse(p): return p.std() / p.mean()
print('单段周期图 RSE = %.3f' % rse(psd_one))
print('4 段 Welch RSE = %.3f(理论 1/√4 = 0.500)' % rse(psd_avg))
assert rse(psd_avg) < rse(psd_one)
print('✓ 分段平均显著降低 PSD 估计方差')
单段周期图 RSE = 0.999 4 段 Welch RSE = 0.476(理论 1/√4 = 0.500) ✓ 分段平均显著降低 PSD 估计方差
面试考点¶
Q1:矩形窗和 Hann 窗怎么选?
需要最高频率分辨率且无大动态范围需求 → 矩形;需要抑制泄漏、检测弱信号 → Hann/Hamming;窗越长分辨率越高但平稳性假设越弱。
Q2:加窗为什么改变幅值?
余弦窗的 DC 增益 <1(Hann 增益 0.5)——做幅值测量要除以窗增益,做功率要除以 $\sum w^2$。
Q3:Welch 为什么好?
平均降方差 $1/K$;与整体 FFT 相比牺牲分辨率换稳定性——"谱估计"与"谱分析"(单帧看峰值)是两个场景。
Q4:PSD 的量纲?
$\text{V}^2/\text{Hz}$;宽带噪声压得越低,谱峰越突出——检测淹没在噪声里的正弦就靠它。
小结与下一章预告¶
- 窗函数 = 频域卷积的"取景框":主瓣宽=分辨率、旁瓣高=泄漏
- Hann w[0]=0/w[3]=0.9505、矩形窗主瓣 2 bin:手算见真章
- Welch 分段平均把估计方差降到 1/K
- 下一章:从时域/频域上升到复频域 z 变换——系统分析的总框架
✅ 自测清单¶
- 能手算 Hann/Hamming 窗的几个数值并解释主瓣/旁瓣权衡
- 能说出矩形窗第一个零点与主瓣宽度
- 知道 PSD 与 |X|² 的区别、Welch 平均的方差收益
- 能回答"加窗改幅值为什么要补偿