窗函数和谱密度

快捷方式: 差异，相似，杰卡德相似系数，参考。

窗函数和谱密度之间的区别

窗函数 vs. 谱密度

在信号处理中，窗函数(window function)是一种除在给定区间之外取值均为0的实函数。譬如：在给定区间内为常数而在区间外为0的窗函数被形象地称为矩形窗。任何函数与窗函数之积仍为窗函数，所以相乘的结果就像透过窗口“看”其他函数一样。窗函数在频谱分析、滤波器设计、波束形成、以及音频数据压缩（如在Ogg Vorbis音频格式中）等方面有广泛的应用。. 時間序列 x(t) 的功率谱 S_(f) 描述了信号功率在频域的分布状况。根据傅里叶分析，任何物理信号都可以分解成一些离散频率或连续范围的频谱。对特定信号或特定种类信号（包括噪声）频率内容的分析的统计平均，称作其频谱。 当信号的能量集中在一个有限时间区间的时候，尤其是总能量是有限的，就可以计算能量频谱密度。更常用的是应用于在所有时间或很长一段时间都存在的信号的功率谱密度。由于此种持续存在的信号的总能量是无穷大，功率谱密度（PSD）则是指单位时间的光谱能量分布。频谱分量的求和或积分会得到（物理过程的）总功率或（统计过程的）方差，这与帕塞瓦尔定理描述的将 x^2(t) 在时间域积分所得相同。 物理过程 x(t) 的频谱通常包含与 x 的性质相关的必要信息。比如，可以从频谱分析直接确定乐器的音高和音色。电磁波电场 E(t) 的频谱可以确定光源的颜色。从这些时间序列中得到频谱就涉及到傅里叶变换以及基于傅里叶分析的推广。许多情况下时间域不会具体用在实践中，比如在攝譜儀用散射棱镜来得到光谱，或在声音通过内耳的听觉感受器上的效应来感知的过程，所有这些都是对特定频率敏感的。 不过本文关注的是时间序列（至少在统计意义上）已知，或可以直接测量（如经麦克风采集再由电脑抽样）的情形。功率谱在与随机过程的统计研究以及物理和工程中的许多其他领域中都很重要。通常情况下，该过程是时间的函数，但也同样可以讨论空间域的数据按空間頻率分解。.

傅里叶变换

傅里叶变换（Transformation de Fourier、Fourier transform）是一种線性积分变换，用于信号在时域（或空域）和频域之间的变换，在物理学和工程学中有许多应用。因其基本思想首先由法国学者约瑟夫·傅里叶系统地提出，所以以其名字来命名以示纪念。实际上傅里叶变换就像化学分析，确定物质的基本成分；信号来自自然界，也可对其进行分析，确定其基本成分。 经傅里叶变换生成的函数 \hat f 称作原函数 f 的傅里叶变换、亦称频谱。在許多情況下，傅里叶变换是可逆的，即可通过 \hat f 得到其原函数 f。通常情况下，f 是实数函数，而 \hat f 则是复数函数，用一个复数来表示振幅和相位。 “傅里叶变换”一词既指变换操作本身（将函数 f 进行傅里叶变换），又指该操作所生成的复数函数（\hat f 是 f 的傅里叶变换）。.

傅里叶变换和窗函数 · 傅里叶变换和谱密度 · 查看更多 »

离散傅里叶变换

离散傅里叶变换（Discrete Fourier Transform，缩写为DFT），是傅里叶变换在时域和频域上都呈离散的形式，将信号的时域采样变换为其DTFT的频域采样。在形式上，变换两端（时域和频域上）的序列是有限长的，而实际上这两组序列都应当被认为是离散周期信号的主值序列。即使对有限长的离散信号作DFT，也应当将其看作其周期延拓的变换。在实际应用中通常采用快速傅里叶变换计算DFT。.

离散傅里叶变换和窗函数 · 离散傅里叶变换和谱密度 · 查看更多 »