{
  "id": "window-function",
  "title": "窗函数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "窗函数对有限区间内的数据加权，以控制频谱泄漏、局部化特性及信号处理算法的表现。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "窗口函数",
    "加窗函数"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/window-function/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/window-function/",
      "json": "https://aiwiki.page/en/window-function.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "窗函数是用于对选定区间或区域内的数据进行加权的函数。最常见的用法是在频谱分析之前，将有限长的测量序列乘以一个窗函数。许多窗函数赋予数据记录中心部分较大的权重，并降低边界附近的权重，不过，均匀窗、非对称窗以及取值会改变正负号的窗也有重要用途。相应的操作称为加窗或渐缩，尤其在光学和光谱学中，也称为切趾。\n\n窗函数是信号处理的基础工具，因为测量通常只覆盖有限的时间，而描述频率成分的数学模型往往假定信号无限延伸。将信号限制在有限区间内会改变其频谱。合适的窗函数可以控制这种变化，在区分相近频率的能力与检测强分量附近弱分量的能力之间取得平衡。相关方法也用于数字滤波器设计、时频分析、图像处理和统计估计。\n\n因此，窗函数并不只是消除不必要的不连续性的工具。它规定了信息如何局部化，以及测量值如何进行加权平均。其效果取决于窗的形状、持续时间、归一化方式，以及它在整体算法中的使用方式；没有一种窗函数适用于所有用途且始终最优。"
    },
    {
      "heading": "数学定义与频谱泄漏的起源",
      "text": "对于连续时间信号 \\(x(t)\\)，加窗后得到\n\n\\[x_w(t)=x(t)w(t),\\]\n\n其中，\\(w(t)\\) 通常集中在一个有限区间内。有限支撑窗在该区间之外为零；高斯窗等无限支撑窗则可以通过足够快的衰减，实现实际意义上的局域化。对于采样数据，长度为 \\(N\\) 的窗是一个序列 \\(w[n]\\)，其索引通常为 \\(0\\le n\\le N-1\\)，加窗后的数据记录为\n\n\\[x_w[n]=x[n]w[n].\\]\n\n最简单的情况是矩形窗，即在整段记录内 \\(w[n]=1\\)，在其他位置为零。因此，截取一段不加权的有限长度记录，本身就已经是一种加窗操作，而不是没有加窗。\n\n采用如下傅里叶变换约定：\n\n\\[X(f)=\\int_{-\\infty}^{\\infty}x(t)e^{-i2\\pi ft}\\,dt,\\]\n\n时域中的乘法对应于频域中的卷积：\n\n\\[X_w(f)=\\int_{-\\infty}^{\\infty}X(\\nu)W(f-\\nu)\\,d\\nu.\\]\n\n因此，一条理想谱线会被窗频谱 \\(W(f)\\) 的平移副本所取代。能量扩散到远离原始分量的其他频率上的现象称为频谱泄漏。窗频谱的中心区域称为主瓣，其外侧较小的振荡区域称为旁瓣。较窄的主瓣有利于分辨彼此接近的分量；较低的旁瓣则有利于检测强分量附近的弱分量。\n\n对于离散矩形窗，其离散时间傅里叶变换为\n\n\\[W(\\omega)=e^{-i\\omega(N-1)/2} \\frac{\\sin(N\\omega/2)}{\\sin(\\omega/2)}.\\]\n\n它在 \\(\\omega=0\\) 处的极限值为 \\(N\\)。虽然其主瓣较窄，但旁瓣衰减缓慢。当一个复正弦信号的频率恰好落在离散傅里叶变换的某个频点上时，采用矩形窗后，其他频点处的变换值均为零。这种特殊的对齐并不意味着它的连续频率响应没有旁瓣：只是其他变换频点恰好落在该响应的零点上。频率位于两个频点之间的信号通常会对多个频点产生贡献。\n\n通常用边界不连续来解释这一现象，这体现了离散傅里叶变换的周期性解释。该变换将一段记录视为周期性重复信号的一个周期。如果这段记录的末端不能与起始端平滑衔接，那么其周期延拓就会出现跳变或其他不光滑的情形。采用渐变窗可以减弱这一衔接处的影响，但代价通常是主瓣变宽。更一般地，通过分部积分法，可以将傅里叶变换的衰减特性与函数的可微性及端点行为联系起来。使窗函数及其若干阶导数在端点处平滑地衔接到零，可以让频谱在渐近意义下衰减得更快；不过，前几个旁瓣的高度仍是设计时需要单独考虑的因素。"
    },
    {
      "heading": "窗函数性能的衡量指标",
      "text": "比较窗函数需要使用几种不同的度量。主瓣宽度可以指第一对零点之间的距离，也可以指在指定衰减水平处的宽度，通常取低于峰值 3 dB 处的宽度。这些定义不能混用。对于长度为 \\(N\\) 的矩形窗，第一对零点位于角频率 \\(\\pm2\\pi/N\\) 处，因此零点到零点的宽度为 \\(4\\pi/N\\)。若采样频率为 \\(f_s\\)，这一宽度就是 \\(2f_s/N\\)，即两个变换频点间隔。渐消程度更强的窗通常会使这一宽度增大，因此，如果不明确所用的度量以及具体的检测问题，仅说某种窗具有“更好的分辨率”并不完整。\n\n峰值旁瓣电平衡量最大旁瓣相对于主瓣峰值的大小，通常以分贝表示：\n\n\\[L_{\\mathrm{side}} =20\\log_{10} \\left( \\frac{\\max_{\\omega\\text{ in sidelobes}}|W(\\omega)|}{|W(0)|} \\right).\\]\n\n旁瓣滚降描述旁瓣包络随频率增大而呈现的渐近衰减特性。某种窗的第一旁瓣可能很低，但后续衰减相对缓慢；另一种窗的第一旁瓣可能较高，但后续衰减快得多。当关注的是频带外的总干扰，而非单个旁瓣的最大值时，积分旁瓣能量也是一项有用的指标。\n\n有两项归一化指标尤为重要。相干增益\n\n\\[G_c=\\frac{1}{N}\\sum_{n=0}^{N-1}w[n]\\]\n\n描述的是：当复正弦信号的频率恰好位于变换频点中心时，与未加权的变换相比，加窗后的幅度降低程度。以变换频点间隔为单位的等效噪声带宽为\n\n\\[B_{\\mathrm{ENBW}} = N\\frac{\\sum_{n=0}^{N-1}|w[n]|^2} {\\left|\\sum_{n=0}^{N-1}w[n]\\right|^2}.\\]\n\n以赫兹为单位时，则为\n\n\\[B_{\\mathrm{ENBW,Hz}} = f_s\\frac{\\sum_n|w[n]|^2} {\\left|\\sum_n w[n]\\right|^2}.\\]\n\n这些表达式假定窗系数之和不为零。等效噪声带宽是这样一种理想矩形频率响应的宽度：在它与实际频率响应具有相同峰值增益时，两者通过的白噪声功率相同。它并不只是主瓣宽度的另一个名称。\n\n对于非负窗，栅栏损失表征正弦信号的频率偏离变换频点中心时，所测峰值幅度的下降程度。一个常用的基准是偏移半个频点间隔时的情况：\n\n\\[L_{\\mathrm{scallop}} = 20\\log_{10} \\frac{|W(\\pi/N)|}{|W(0)|}.\\]\n\n当 \\(N\\) 较大时，矩形窗的栅栏损失约为 \\(-3.92\\) dB，而汉恩窗约为 \\(-1.42\\) dB。平顶窗旨在大幅减小这种变化，代价是频率分离能力下降、噪声带宽增大。因此，选择窗函数涉及多项不同的权衡，而不能用单一排名来决定。延长数据记录的持续时间可以提高实际的频率分辨能力；对已有记录进行插值或补零，只会对其由窗函数塑形的频谱进行更密集的采样，并不会使该频谱变窄。"
    },
    {
      "heading": "矩形窗、三角窗与余弦和窗",
      "text": "矩形窗对所有样本赋予相同的权重，其相干增益和等效噪声带宽均为一。它的第一旁瓣约为 \\(-13.3\\) dB，旁瓣包络的渐近衰减速率约为每倍频程 6 dB。当数据记录包含所关注正弦信号的整数个周期、所关注的瞬态过程已完整包含在观测区间内部且远离边界，或主瓣较窄这一特性尤为重要时，矩形窗很有用。三角窗又称巴特利特窗，其权重向两端线性减小。其标准形式可与较短矩形序列的卷积联系起来，由此产生类似 sinc 函数平方的频谱包络，旁瓣更低，主瓣更宽。\n\n余弦函数的加权和构成了一大类窗函数。其中，长度为 \\(N\\) 的对称窗可写为\n\n\\[w[n]=\\sum_{m=0}^{M}(-1)^m a_m \\cos\\left(\\frac{2\\pi mn}{N-1}\\right).\\]\n\n汉恩窗取 \\(a_0=a_1=1/2\\)：\n\n\\[w[n]=\\frac12\\left[1-\\cos\\left(\\frac{2\\pi n}{N-1}\\right)\\right].\\]\n\n它的两个端点值均为零。当数据记录较长时，其主瓣两侧第一零点之间的宽度约为四个频点间隔，最高旁瓣约为 \\(-31.5\\) dB，旁瓣包络的衰减速率约为每倍频程 18 dB。其等效噪声带宽趋近于 1.5 个频点间隔。该窗以尤利乌斯·冯·汉恩命名，也常被称为汉宁窗，不过使用“汉恩”这一名称可避免与汉明窗混淆。\n\n汉明窗具有常见的形式\n\n\\[w[n]=0.54-0.46\\cos\\left(\\frac{2\\pi n}{N-1}\\right).\\]\n\n与汉恩窗相比，它的系数对主瓣附近较大旁瓣的抑制更强，使峰值旁瓣电平降至约 \\(-43\\) dB。然而，由于端点值不为零，当序列在区间外补零时，其远端旁瓣的衰减较慢，约为每倍频程 6 dB。在大 \\(N\\) 极限下，其等效噪声带宽约为 1.36 个频点间隔。这一比较说明，峰值旁瓣电平和渐近衰减速率必须分别给出。\n\n标准的三项布莱克曼窗采用系数 \\(0.42\\)、\\(0.50\\) 和 \\(0.08\\)。其主瓣两侧第一零点之间的宽度约为六个频点间隔，峰值旁瓣电平约为 \\(-58\\) dB，等效噪声带宽趋近于 1.73 个频点间隔。与之相关的布莱克曼–哈里斯窗和纳托尔窗使用更多余弦项或不同的系数，以获得更低的旁瓣或不同的衰减特性。仅凭名称可能不足以确定系数，因为实际中常用的四项窗就有好几种不同形式。\n\n平顶窗采用更宽的主瓣，使频率偏离离散频点不足一个频点间隔时，峰值响应仍近乎恒定。它们尤其常用于正弦信号的幅度测量。一种常见的五项平顶窗，其等效噪声带宽约为 3.77 个频点间隔，明显大于汉恩窗或汉明窗。它的一些系数为负，因此窗函数不一定是非负的加权函数。上述各类窗的数值特性通常都是大 \\(N\\) 条件下的近似值；精确值取决于系数精度、数据记录长度，以及实现时采用对称采样还是周期采样。"
    },
    {
      "heading": "参数化窗与最优能量集中窗",
      "text": "参数化窗不采用一组固定系数，而是通过连续可调的参数实现不同特性之间的权衡。**图基窗（Tukey 窗）**由中间的恒定区域与两端的余弦渐变区域组成。在通常的参数化方式下，渐变部分所占比例为零时，得到矩形窗；比例为一时，得到汉恩窗。取中间值时，既能保留不受衰减的中心区域，又能使边界平滑过渡。当需要让瞬态信号的主体基本保持不变，同时又要对观测区间的边缘进行渐变处理时，这种窗很有用。\n\n凯泽窗定义为\n\n\\[w[n]= \\frac{ I_0\\left(\\beta\\sqrt{1- \\left(\\frac{2n}{N-1}-1\\right)^2}\\right) } {I_0(\\beta)},\\]\n\n其中，\\(I_0\\) 为零阶第一类修正贝塞尔函数，且 \\(\\beta\\ge0\\)。当 \\(\\beta=0\\) 时，它就是矩形窗。增大 \\(\\beta\\) 通常会降低旁瓣并展宽主瓣。凯泽窗在滤波器设计中尤为重要，因为一些实用的经验关系将其参数和窗长与目标阻带衰减、过渡带宽联系起来。它还为某些能量集中程度最优的渐变窗提供了计算方便的近似。\n\n道尔夫–切比雪夫窗由查尔斯·L. 道尔夫于 1946 年在研究天线阵列时提出，针对的是另一种优化目标。它的频率响应具有等高旁瓣，并且在相应的有限阵列模型中，能在给定旁瓣上限的条件下使主瓣宽度最小。其构造方法是将切比雪夫多项式映射到频域。等波纹特性能充分利用允许的旁瓣电平，但不会产生快速衰减的旁瓣包络。其时域系数在端点处也可能表现出显著的异常特征，在某些参数设置下尤其如此。这里的“最优”针对的是特定的极小极大准则，并不意味着它在所有测量任务中都更好。\n\n一个基本的能量集中问题引出了离散长椭球序列，简称 DPSS，也称斯莱皮安序列。对于长度为 \\(N\\)、归一化半带宽为 \\(W\\) 的序列，若频率以每个采样间隔的周期数计量，目标就是最大化\n\n\\[\\lambda= \\frac{\\displaystyle\\int_{-W}^{W}|V(f)|^2\\,df} {\\displaystyle\\int_{-1/2}^{1/2}|V(f)|^2\\,df}.\\]\n\n这些解是下列对称矩阵的特征向量（参见特征值与特征向量）：\n\n\\[C_{mn}= \\begin{cases} \\dfrac{\\sin(2\\pi W(m-n))}{\\pi(m-n)},&m\\ne n,\\\\[6pt] 2W,&m=n. \\end{cases}\\]\n\n相应的特征值表示落在选定频带内的频谱能量占总频谱能量的比例。\n\n与单个常规渐变窗不同，DPSS 的构造会产生一组按序排列、彼此正交的序列。当时带积足够大时，大约有 \\(2NW\\) 个特征值接近一，但这些特征值的过渡并不存在严格的整数截断点。第一个序列是能量最集中的渐变窗；后续序列的振荡更多，但仍保持较高的能量集中程度。20 世纪 60 年代初，戴维·斯莱皮安、亨利·兰道和亨利·波拉克关于时频能量集中的研究，为这些序列及其后来的统计应用奠定了理论基础。"
    },
    {
      "heading": "谱估计与测量归一化",
      "text": "在谱密度估计中，窗函数的作用不只是改变图形的外观，还决定了估计量所隐含的频域平滑方式。对于一段采样记录，定义\n\n\\[X_w[k]= \\sum_{n=0}^{N-1}x[n]w[n]e^{-i2\\pi kn/N}.\\]\n\n一种常见的双边修正周期图为\n\n\\[\\widehat S_{xx}[k] = \\frac{|X_w[k]|^2} {f_s\\sum_{n=0}^{N-1}|w[n]|^2}.\\]\n\n如果 \\(x[n]\\) 以伏特为单位，则该量的单位为伏特平方每赫兹。对于实值信号，单边表示通常将正频率处的数值加倍，但零频率处以及 \\(N\\) 为偶数时的奈奎斯特频率处除外。这些系数反映的是负频率贡献的重新分配，而不是窗函数的改变。\n\n对于零均值平稳过程，周期图的期望值是真实功率谱密度的平滑版本，其平滑核与 \\(|W(f)|^2\\) 成正比。较窄的核能够保留精细的频谱细节，而较低的旁瓣则能减少远处强分量的干扰。因此，加窗会以特定的方式改变估计量的偏差：它可以减小来自远处频率的泄漏偏差，同时增大谱峰及频谱急剧变化处的局部平滑偏差。加窗并不能使任意有限记录的估计都变得无偏。\n\n幅度估计所需的归一化方式与噪声功率估计不同。对于频率恰好落在频点中心的复正弦信号 \\(x[n]=Ae^{i2\\pi k_0n/N}\\)，有\n\n\\[X_w[k_0]=A\\sum_n w[n].\\]\n\n除以窗函数各项之和即可恢复 \\(A\\)。对于实余弦信号，只要正、负频率的贡献充分分离，通常的正频率幅度估计还需额外乘以二。在零频率或奈奎斯特频率附近，或者各分量相互重叠时，这一简化规则就需要修正。混淆相干增益归一化与能量归一化，是导致单音幅度和噪声电平不一致的常见原因。\n\n彼得·D. 韦尔奇于 1967 年发表的韦尔奇方法，将一段记录划分为若干可以相互重叠的片段，对每个片段加窗，再对它们的周期图取平均。取平均可以降低方差，而较短的片段则会使频谱平滑核变宽。重叠可以产生更多片段，但重叠片段的估计结果彼此相关，因此片段数加倍并不一定意味着独立测量次数也加倍。窗函数与帧移共同影响这种相关性以及有效自由度。\n\n由戴维·J. 汤姆森于 1982 年着力发展起来的多窗谱估计法采用了另一种思路。它将多个相互正交的 DPSS 窗作用于同一段记录，得到多个谱估计后再加以组合。对于高斯白噪声，正交窗在固定频率处产生的加窗傅里叶系数互不相关；对于更一般的频谱，独立性只近似成立，并取决于局部频谱特性。多窗谱分析在带宽与频谱能量高度集中的窗函数数量之间进行权衡，自适应加权则可以减小频谱能量集中程度较低的估计结果的影响。因此，窗函数参与的是一套完整的统计过程，包括平滑、平均、不确定性评估以及强谱线的处理。"
    },
    {
      "heading": "基于窗函数的数字滤波器设计",
      "text": "窗函数为构造有限冲激响应滤波器提供了一种直接的方法。理想的选频响应通常对应无限长的冲激响应。对于截止角频率为 \\(\\omega_c\\) 的理想离散时间低通滤波器，其以原点为中心的冲激响应为\n\n\\[h_d[m]= \\begin{cases} \\dfrac{\\sin(\\omega_c m)}{\\pi m},&m\\ne0,\\\\[6pt] \\dfrac{\\omega_c}{\\pi},&m=0. \\end{cases}\\]\n\n选取其中的一个有限区间并乘以窗函数，即可得到可实现的有限长滤波器。对于长度为奇数的滤波器，一种方便的表达形式为\n\n\\[h[n]=h_d[n-(N-1)/2]\\,w[n], \\qquad 0\\le n\\le N-1.\\]\n\n这一移位使序列具有因果性，同时引入相应的延迟。\n\n所得滤波器的频率响应，是期望的理想响应与窗函数频谱在频域中的周期卷积。因此，窗函数的主瓣在很大程度上决定了过渡带，而其旁瓣则影响通带和阻带的偏差。矩形截断会在期望响应的不连续点附近产生明显的振荡，这与吉布斯现象有关。采用渐变窗可减小这些振荡，但会使过渡带扩展到更宽的频率范围。对于固定的窗函数族，增加滤波器长度通常可以缩窄过渡带，同时保持大致相似的旁瓣特性。\n\n若窗函数为实对称函数，且理想冲激响应也以同一中心对称，则滤波器系数具有对称性。除实值幅度响应的零点和符号变化所引起的相位跳变外，所得滤波器具有线性相位。在相位有定义的频率处，其群延迟为 \\((N-1)/2\\) 个采样周期。这种可预测的时延特性对波形处理很有价值。长度为偶数的对称滤波器具有半整数个采样周期的延迟，并受到额外的结构约束，包括在奈奎斯特频率处必有一个零点。仅靠选择窗函数无法消除这些约束。\n\n凯泽窗设计通常使用经验公式，将以分贝为单位的期望衰减量 \\(A\\) 与 \\(\\beta\\) 联系起来：\n\n\\[\\beta\\approx \\begin{cases} 0,&A<21,\\\\ 0.5842(A-21)^{0.4}+0.07886(A-21), &21\\le A\\le50,\\\\ 0.1102(A-8.7),&A>50. \\end{cases}\\]\n\n对于要求较高的设计指标，常用的阶数估算式为\n\n\\[M\\approx\\frac{A-8}{2.285\\,\\Delta\\omega},\\]\n\n其中，\\(M=N-1\\)，\\(\\Delta\\omega\\) 为过渡带宽度，单位为弧度每采样。这些公式只是工程近似，并不保证一定满足指标；实际实现的响应取决于长度的取整、截止频率的选取、归一化方式以及具体指标。\n\n窗函数设计法不同于对滤波器响应进行直接的数学优化。等波纹滤波器设计算法可以通过分别选定的权重，在多个通带和阻带之间分配误差。相比之下，加窗设计从理想冲激响应出发，施加一个相对简单的渐变窗。后一种方法直观、计算方便，但通常无法得到满足任意多频带约束的最短滤波器。在实际比较中，必须同时明确过渡带宽度和允许偏差；如果只按滤波器长度或所用窗函数的名称进行比较，设计问题的约束条件仍然不足。"
    },
    {
      "heading": "时频分析与重叠重构",
      "text": "单次傅里叶变换描述的是整段记录的频率成分。短时傅里叶变换则沿信号平移一个窗口：\n\n\\[X[r,k]= \\sum_n x[n]w[n-rH]e^{-i2\\pi kn/N},\\]\n\n其中，\\(r\\) 为帧索引，\\(H\\) 为帧移。每一帧分析一个局部区间，从而得到时频表示。对其幅度平方进行适当归一化，即得到谱图。窗的时长决定了局部化的尺度：长窗能够分辨相近的频率，却会将较长时间范围内的事件合并起来；短窗能够更精确地定位快速变化，却会使频谱特征展宽。\n\n这种权衡在数学上体现为傅里叶不确定性原理。若将时间展宽和频率展宽定义为以能量加权的标准差，且频率以单位时间内的周期数计量，则有\n\n\\[\\sigma_t\\sigma_f\\ge\\frac{1}{4\\pi}.\\]\n\n在标准假设下，未经截断的高斯函数可使等号成立。有限长高斯窗的变换结果及等号成立的性质则不再完全相同。此外，这一不等式描述的是二阶矩意义上的集中程度，并不能涵盖所有实用的分辨率定义：主瓣宽度、旁瓣抑制能力以及突发事件的定位能力仍是不同的评价标准。\n\n对各帧进行处理并逆变换时，重叠窗口必须以一致的方式组合。假设逆变换恢复了每个经过分析窗加权的帧，并在重叠相加前施加实值合成窗 \\(v[n]\\)。若不修改频谱，重构信号就等于原信号乘以\n\n\\[D[n]=\\sum_r w[n-rH]v[n-rH].\\]\n\n只要这一因子不为零，就可以实现精确恢复：既可以使其为常数，再施加相应的缩放，也可以逐点除以 \\(D[n]\\)。边界处理十分重要，因为有限长记录并不会自动包含无限格点恒等式所要求的完整重叠帧集合。\n\n如果合成过程只是将已经过分析窗加权的帧直接相加，那么相应条件是 \\(\\sum_r w[n-rH]\\) 为常数。如果分析和合成阶段使用同一个窗，那么相应的求和式则是 \\(\\sum_r w^2[n-rH]\\)。这两个条件经常被混淆。对于长度为偶数、帧移为半个窗长的周期汉恩窗，在重叠区间内有\n\n\\[w[n]+w[n+N/2]=1\\]\n\n然而，在相同帧移下，其平方窗并不满足同样的常数恒等式。在分析和合成阶段均采用平方根汉恩窗，可使两者的乘积等于汉恩窗，从而得到相应的恒定重叠和。\n\n重叠变换也用于音频编码和滤波器组。一些变换，尤其是修正离散余弦变换，依赖时域混叠抵消，其约束条件不同于简单的傅里叶重叠相加。在一种变换系统中能够正确重构的窗，在另一种系统中未必也能做到。同样，对未经修改的信号实现完美重构，并不保证在进行非线性频谱修改后仍能得到无伪影的结果：快速变化的增益、不一致的相位变化以及不足的重叠，都可能引入调制或不连续。重构表现取决于完整的分析—处理—合成链路，而非孤立的窗函数曲线。"
    },
    {
      "heading": "采样约定、多维窗及更广泛的用途",
      "text": "在有限长度的实现中，需要区分对称窗和周期窗。对称汉恩窗的分母为 \\(N-1\\)，并满足 \\(w[n]=w[N-1-n]\\)。周期汉恩窗的分母则为 \\(N\\)：\n\n\\[w_p[n]=\\frac12\\left[1-\\cos\\left(\\frac{2\\pi n}{N}\\right)\\right], \\qquad 0\\le n<N.\\]\n\n它可以通过构造一个长度为 \\(N+1\\) 的对称窗，再丢弃最后一个样本来得到。周期形式与周期采样的余弦相契合，并具有一些精确的离散恒等关系，可用于频谱分析和重叠处理。对称形式则很适合线性相位滤波器的设计。对于较长的数据记录，两者的差别相对较小；但对于短窗、端点值和重构恒等关系，这种差别可能产生实质性影响。\n\n还必须明确窗函数的缩放方式。窗序列可以归一化为峰值为一、总和为一、能量为一，或具有某个特定的相干增益。这些约定各有用途，对不同测量量的影响也并不相同。将窗函数乘以一个常数，不会改变其相对旁瓣电平和等效噪声带宽，但会改变未经校正的变换幅度和功率。对于偶数长度的对称窗，由于连续窗函数的中心位于两个样本之间，采样峰值可能小于一。因此，将每个窗的采样最大值都归一化为一的程序，所得系数不一定与直接采用定义公式而不再缩放的程序相同。\n\n在二维或更高维空间中，可以通过乘积构造窗函数，例如\n\n\\[w[n_1,n_2]=w_1[n_1]w_2[n_2].\\]\n\n这类可分离窗计算效率高，其傅里叶变换可以分解为多个一维变换的乘积。不过，它们的方向特性取决于坐标轴的方向。径向对称窗则取决于到指定中心的距离，能够提供旋转对称的渐变加权，但其频谱响应通常并不是一维响应的简单乘积。在图像频谱分析、衍射计算、空间滤波和有限孔径测量中，这些选择都很重要。\n\n在光谱学中，变迹通常指在傅里叶变换之前，对干涉图或其他实测响应进行加权。所得谱线的形状会因与该加权函数的傅里叶变换卷积而改变。抑制旁瓣可以使邻近的微弱特征更容易辨识，但同时会使谱线展宽，并可能改变测得的谱线高度。同样的数学关系也将有限光学孔径与衍射图样联系起来：改变孔径上的照明分布，就会改变中央衍射区域与旁瓣之间的能量分配。“Apodization”（变迹）一词本意为去除“足部”，反映的正是这种抑制旁瓣的作用。\n\n更广泛的数学主题是局部化，但表面上相似的加权过程，并不一定具有相同的解释。在时间序列分析中，时滞窗在变换之前对估计得到的自协方差序列加权；由此涉及的频谱平滑和正性要求，与数据加窗并不相同。在密度估计中，核权重取决于距离和带宽，但其目的通常是估计概率密度，而不是使傅里叶分析局部化。离散窗也用于平滑和重采样，此时必须结合重构核来评估其效果。\n\n窗函数理论的发展融合了调和分析、天线设计、测量实践和统计估计。布莱克曼和图基于1958年对功率谱测量的论述，推动了频谱平滑和渐变加权的系统应用；弗雷德里克·J. 哈里斯于1978年对调和分析用窗函数的研究，则汇总整理了许多工程中常用的比较结果。现代实现仍保留了这种多样性：一份可复现的规范，应明确给出系数公式、长度、采样约定、归一化方式、变换约定及预期的测量用途，而不能仅依赖窗函数的名称。"
    }
  ],
  "links": [
    "mathematical-function",
    "signal-processing",
    "fourier-transform",
    "convolution",
    "discrete-fourier-transform",
    "integration-by-parts",
    "interpolation",
    "polynomial",
    "eigenvalues-and-eigenvectors",
    "stationary-process",
    "expected-value",
    "estimator-bias",
    "variance",
    "degrees-of-freedom",
    "gibbs-phenomenon",
    "mathematical-optimization",
    "short-time-fourier-transform",
    "uncertainty-principle",
    "spectroscopy",
    "time-series",
    "density-estimation"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}