加窗傅里叶变换详解：频谱泄漏原理与Matlab窗函数实战-北京尧图网络

简介面向数字信号处理初学者的MATLAB演示程序核心目标是对比方窗与海明窗在加窗傅里叶变换中的实际效果。程序先生成一个正弦波信号再分别施加方窗和海明窗调用FFT计算频域结果直观展示不同窗函数对频谱泄漏和旁瓣抑制的影响帮助理解有限长信号截断后产生的频域伪影。压缩包内仅含1个主MATLAB脚本.m文件体积仅759B文件简短但逻辑完整可直接运行并修改窗长参数观察频率分辨率变化适合快速上手与课堂演示。已有456人学习该资源尤其适合正在学习傅里叶变换与数字信号处理课程、需要动手验证窗函数原理的高校学生或自学者。通过反复运行程序并对比两种窗的频谱曲线可以快速掌握方窗和海明窗的各自特点与适用场景为后续信号分析时正确选择窗函数打下基础。1. 加窗傅里叶变换到底在解决什么问题泄漏与分辨率的取舍做信号处理的朋友应该都遇到过这种怪事明明信号里只有一个50Hz的正弦波用Matlab做FFT后频谱图却不是一根干净的谱线而是底部拖着一大片“裙边”旁边的频率上也有不小的幅值。更头疼的是如果把两个频率很接近的正弦波叠在一起FFT结果里它们糊成一团根本数不清有几个峰。这不是FFT算法算错了问题出在截断上——我们只能对有限长的一段信号做变换截断等价于信号被乘了一个矩形窗。这个“加窗”动作会把纯净谱线展宽产生频谱泄漏。想抑制泄漏就要换更平滑的窗函数比如海明窗。这份Matlab演示程序就是把方窗和海明窗对同一段正弦信号的频谱影响并排画出来让你一眼看懂泄漏到底长什么样、怎么用窗去压制它。适合刚接触FFT、想搞清楚频谱分析细节的开发者也适合想快速验证窗函数效果的工程师。2. 从方窗到海明窗加窗的数学原理与Matlab里的频谱泄漏2.1 为什么直接做FFT会“漏”矩形窗的频域卷积效应所谓“不做任何加窗处理”在Matlab里其实是默认加了一个矩形窗也就是方窗。矩形窗的时域表达式是一个长度为N的矩形脉冲它的傅里叶变换是Dirichlet核形状像一根中间高、两边振幅逐渐衰减的波浪线。一个无限长的正弦波频率为f0理想频谱是位于f0处的一个冲激。当它被矩形窗截断为N点后在频域上就相当于理想冲激谱与Dirichlet核做卷积。冲激变成了一个带有大量旁瓣的窄峰主瓣有一定宽度旁瓣高度只比主瓣低约13dB。那些旁瓣就是泄漏到邻近频率上的能量。在Matlab里直接调用fft(data)就相当于对data乘了一个矩形窗。很多人以为fft会把整段数据当成周期信号来处理这是理解的误区。只有当信号截取的长度恰好包含整数个周期时FFT结果才看起来“干净”旁瓣刚好采样到零点等于绕开了泄漏。但只要频率不是bin的整数倍泄漏立刻出现。这就是为什么同一个正弦信号采样点数变了频谱形状也会变——不是算法不稳定是矩形窗泄漏的“采样方式”变了。2.2 海明窗的频域特性主瓣变宽、旁瓣衰减海明窗Hamming窗是加权余弦窗的一种时域公式为w(n) 0.54 - 0.46 * cos(2πn/(N-1))它的设计目标很直接把矩形窗的陡峭边缘变圆滑减小截断瞬间的跳变从而压低频谱旁瓣。付出的代价是窗口幅度谱的主瓣比矩形窗更宽也就是说想分辨两个频率很近的成分时海明窗反而更吃力。海明窗的旁瓣峰值衰减能达到约-41dB比矩形窗的-13dB低得多能量不再“漏”到远方而是被压缩在主瓣附近。在Matlab中生成海明窗用hamming(N)。要注意它旁边的兄弟hann(N)也叫汉宁窗公式系数是0.5-0.5*cos(...)旁瓣衰减同样是-41dB量级但海明窗的第一旁瓣略低而汉宁窗的远端旁瓣衰减更快。很多中文资料把“海明窗”和“汉宁窗”混着翻译其实在代码里就是两个函数、两组系数选错的话频谱形状会有一点差异。本演示程序里的“海明窗”指的就是Matlab的hamming窗。2.3 Matlab中生成窗函数hamming、hann与rectwin的用法和参数Matlab信号处理工具箱提供了窗函数生成函数最常用的几个是rectwin(N)返回N点矩形窗也就是全1的向量。它和直接不乘窗等价。hamming(N)返回N点对称海明窗系数如上述。hann(N)返回N点对称汉宁窗。blackman(N)、kaiser(N,beta)等分别对应更复杂的窗。这些函数默认返回列向量生成后需要转置成与信号行向量相同的方向或者直接用点乘。窗函数还有个坑N是偶数时hamming和hann的对称形式与周期形式periodic略有不同。默认是symmetric适合做FIR滤波器做频谱分析时如果要用在FFT上推荐用periodic选项hamming(N,periodic)因为周期形式最后一个点几乎为零能保持傅里叶变换的周期延拓性质减少非整数周期泄漏。不少老版本Matlab默认不带这个选项需要手动加。另外窗函数生成后通常要检查一下它的数值范围海明窗两端是0.08而不是0汉宁窗两端是0这个差别导致了它们频谱旁瓣的细微不同。如果程序里把hamming写成了0.5-0.5*cos(2πn/(N-1))那其实是在用汉宁窗。代码里最好直接调用库函数避免自己手写公式出错。3. 手写加窗傅里叶变换演示程序正弦波加窗前后对比3.1 程序主体结构生成信号、加窗、FFT、绘图这份演示程序的核心思路并不复杂生成一个包含两个接近频率正弦波的测试信号分别套上方窗和海明窗然后各自做FFT把幅度谱放在同一张图里对比。代码结构分四步设定采样参数生成原始信号生成窗函数并加窗做FFT并取幅值绘图标注。下面是完整的可运行代码% 加窗傅里叶变换演示方窗 vs 海明窗 clear; clc; close all; fs 1000; % 采样率 1000 Hz N 256; % 采样点数窗口长度 t (0:N-1) / fs; % 时间序列 % 两个频率接近的正弦波80 Hz 和 82 Hz f1 80; f2 82; x sin(2*pi*f1*t) sin(2*pi*f2*t); % 方窗矩形窗直接取原始信号 x_rect x; % 海明窗周期形式 w_hamm hamming(N, periodic); x_hamm x .* w_hamm; % 做 N 点 FFT X_rect fft(x_rect); X_hamm fft(x_hamm); % 只取正频率部分计算幅值 f (0:N/2) * fs / N; % 频率轴 A_rect abs(X_rect(1:N/21)) / N; A_hamm abs(X_hamm(1:N/21)) / N; % 绘图上半幅值线性谱下半对数谱 figure(Position, [100 100 900 700]); subplot(2,1,1); plot(f, A_rect, b, LineWidth, 1.2); hold on; plot(f, A_hamm, r, LineWidth, 1.2); legend(矩形窗(方窗), 海明窗); xlabel(频率(Hz)); ylabel(幅值); title(线性幅度谱); grid on; xlim([70 90]); subplot(2,1,2); plot(f, 20*log10(A_rect eps), b, LineWidth, 1.2); hold on; plot(f, 20*log10(A_hamm eps), r, LineWidth, 1.2); xlabel(频率(Hz)); ylabel(幅度(dB)); title(对数幅度谱(dB)); legend(矩形窗, 海明窗); grid on; xlim([70 90]);这段代码里采样率fs、点数N、两个正弦频率f1和f2是最关键的三个旋钮。把f2改成85能明显看到矩形窗下两个峰还能勉强分开改成81矩形窗频谱叠成一个宽包海明窗因为旁瓣低虽然主瓣变宽但两个峰之间出现明显的凹分隔反而更容易判断“这里有两个成分”。这就是窗函数选择的一句大实话旁瓣是压下去了但主瓣会变胖子是否划算要看你要分离的信号有多近。3.2 关键参数分析采样率、点数、窗长和FFT点数代码里N既是采样点数也是窗长度和FFT长度三者耦合在一起。实际工程中这三个参数常常不是一回事采样率fs决定了频率轴覆盖范围最大可分析频率是fs/2奈奎斯特频率。采样点数N决定了时间窗长度T N/fs。时间窗越长频率分辨率Δf fs/N越小越容易分辨相邻频率。窗长度如果小于N比如信号截取1000点只对前256点加窗那后面的部分等于被丢弃等效分辨率还是由实际加窗长度决定而不是N。FFT点数可以自己指定为任意值M比如fft(x, 4096)。M大于N时后面自动补零频谱曲线被“插值”得更高清但真实分辨率没变补零只是让谱线更密集有利于读峰值。在本演示中让三者一致能简化对比。但你要知道如果有一天要分析一段很长的数据不要直接用整个信号去FFT那样计算量大、噪声多。正确姿势是分段加窗再平均这就是Welch方法的思路。演示程序帮你把最小可运行结构摆出来了进阶的方向一目了然。3.3 绘图与标注如何让旁瓣对比一目了然在上面的绘图代码中上半部分用线性幅度谱适合看主瓣高度和两个峰的相对大小下半部分用20*log10转成dB刻度适合看旁瓣泄漏的“裙边”能压多低。dB图里矩形窗的第一旁瓣大约在-13dB处海明窗则掉到-41dB附近这个差距肉眼非常直观。注意绘制dB谱时幅值可能为0取log会得到-Inf所以加了eps一个很小的正数避免断线。这是频谱绘图里的一个常用技巧。另外归一化幅度除以N之后单频正弦波的峰值幅值应该接近1对矩形窗来说海明窗因为对信号整体能量有衰减峰值会小于1大约在0.51左右。如果你看到海明窗的峰值比矩形窗矮一大截别慌这是窗函数增益不同导致的后面会讲怎么按窗因子修正幅值。代码里的xlim([70 90])只显示目标频率附近的频段避免整条频谱的DC分量和远端噪声把细节压扁。实际分析时可以根据信号频率调整这个显示区间。legend中的“方窗”和“矩形窗”是同一个意思Matlab没有内置“方窗生成函数”rectwin生成的就是矩形窗。4. 避坑指南加窗FFT的五个常见问题4.1 坑一窗口长度与信号长度不一致导致加窗后尾部突变现象把长度为1000的信号与一个256点的海明窗直接点乘Matlab报错“矩阵维度必须一致”或者不报错但结果诡异比如频谱出现高频毛刺。原因窗函数长度小于信号长度Matlab不会自动对齐要么维度不匹配要么如果用了某个向量乘法把前256点加权、后面原样保留形成了阶梯状跳变这相当于又叠了一个矩形窗泄漏反而更严重。解决要么把信号截断到与窗相同长度x x(1:N);要么把窗补零到信号长度w [hamming(N); zeros(M-N,1)]。做频谱分析时更合理的做法是先从原始信号中取出需要分析的一段再对这段加窗让窗长等于分析段的长度。我的程序里直接让N统一正是为了避免这种维度坑。4.2 坑二把hamming当hann用或反之现象用hamming加窗后频谱主瓣两侧出现了明显的、规律性的波纹且旁瓣衰减达不到-41dB看着像-31dB左右。原因hamming与hann的系数不同海明窗两端不为零汉宁窗两端为零。如果不小心写成hann但图上标注“海明窗”就会和理论值对不上。实际上hamming的第一旁瓣是-41dBhann也是约-41dB但形状略有差异如果把对称/周期选项弄反等效窗函数会变也会影响旁瓣。解决在代码里固定用hamming(N,periodic)并注释说明这是周期形式专门用于FFT。用hann时同理。不要自己手写余弦系数除非你想复现教材上的公式。另外可以打印第一次窗函数的值hamming首尾是0.08左右hann首尾是0一眼就能分辨。4.3 坑三幅值谱没有归一化单频正弦波的峰值不是1现象对一个幅值为1、频率为100Hz的正弦波做FFT峰值却是25.6、32之类的数字不同窗函数下峰值还不一样跟预期差很远。原因fft函数的结果是复振幅没有归一化。单频正弦波的峰值理论值是N/2对正频率所以幅度谱要除以N才对应连续傅里叶变换的幅值。加海明窗后窗本身有增益等效幅值还会再乘一个窗系数不修正就会偏小。解决通用做法是幅度除以N。如果关心正频率分量只取单边谱那还要再乘2才能恢复原始正弦波幅值。我的演示里除以N是为了对比窗函数相对形状要显示真实幅值就需要对海明窗做增益补偿公式是补偿系数 N / sum(w)。这个技巧放到后面函数封装里。4.4 坑四FFT点数太少频谱曲线太粗糙峰值定位不准现象两个频率只差1Hz采样率1000Hz采样点数100频率分辨率10Hz频谱图上两个峰完全合并成一个怎么看都只有一根。原因频率分辨率由fs/N决定N太小时主瓣宽度、旁瓣零点间距都很大相邻频率难以分离。这不是加窗能解决的加窗只会让主瓣更宽。解决先延长采样时间增加N把频率分辨率降到目标频率差的一半以下。比如要分辨1Hz的间隔至少让fs/N 0.5Hz。然后可以再用fft(x, M)补零到M点把谱线画得更平滑便于读取峰值位置。注意补零不能提高真实分辨率它只是把离散谱采样点加密了。4.5 坑五频率轴坐标算错峰的位置对不上现象在80Hz处加了一个正弦波FFT后峰值却出现在81Hz或79.5Hz有时出现在接近90Hz的位置排除谱泄漏还是不对。原因很多代码写f (0:N-1)*fs/N然后直接取前一半这是对的但有些人写成f (0:N/2-1)*fs/N少了最后一个点或者用fftshift后没重新计算负频率轴导致坐标偏移。更常见的是Matlab的FFT输出下标从1开始画图时用了0索引的数组导致偏移一个bin。解决统一用f (0:N/2)*fs/N向量长度是N/21对应fft结果的前N/21个点。下标1对应0Hz下标2对应fs/N这样不会错位。如果用了fftshift频率轴要改成f_shift (-N/2:N/2-1)*fs/N。我习惯每次写完都先用一个已知单频信号验证峰值位置再分析真实数据。5. 参数怎么调才能看清两个相邻频率频率分辨率与零填充5.1 频率分辨率的决定因素采样点数与采样率频率分辨率Δf fs / N这是DFT能区分两个频率成分的最小间隔。举个例子fs1000N256那么Δf≈3.906Hz。如果一个信号同时含80Hz和82Hz的两个分量差只有2Hz小于Δf理论上任何窗都没法把这两个峰值独立分开。很多文章说加窗能提高分辨率这是个误导加窗改变的是旁瓣泄漏和主瓣宽度但不改变DFT频率网格的间隔。想真正提高分辨率唯一诚实的办法是增大N也就是采集更长时间的信号。代码里的测试信号故意选了80Hz和82HzΔf是3.906Hz两个频率差2Hz其实低于一个bin。这种情况下矩形窗频谱会呈现一个宽峰峰值出现在80和82之间的某个位置海明窗因为主瓣更宽结果可能更像一个缓坡。要想让两个峰“长”出来就应该把N增大到512或1024让Δf降到1Hz以下。改一下代码里的N就能直观感受到“时间窗越长分辨率越高”这个硬道理。5.2 用零填充fft的N点平滑谱线但不能提高真实分辨率Matlab的fft(x, M)允许指定FFT点数M。当M length(x)时系统自动在离散时间序列末尾补零。很多人以为补零能“提高分辨率”做到一半就发现原来两个靠得很近的峰补零后依然黏在一起只是曲线变圆润、峰顶变得光滑。这是因为补零没有增加任何真实数据信息它只是在DFT的积分值之间做了sinc插值让频谱曲线看起来更连续频率网格加密了但主瓣宽度、旁瓣位置仍然由原信号长度决定。实际调试中补零很有用当你要精确测量峰值所在频率时先补零到4096点再找峰值的最大值得到的位置比直接N点FFT更接近真实值误差可以降低到零点几个bin。但如果你需要用两个峰之间的凹谷证明“存在两个分量”补零帮不了忙必须提高N。我的习惯是先粗测用补零的FFT找峰位置再确认分辨率时用原始长度的FFT看谷底深度。5.3 加窗后主瓣宽度对分辨相邻频率的影响方窗 vs 海明窗对比实验把上面的程序稍作修改让fs1000N512分辨率1.953Hz两个频率设为80Hz和82Hz差2Hz刚好略大于一个bin。运行后你会看到矩形窗频谱中两个峰虽然能看出起伏但谷底抬高几乎到了峰的一半高度很难说清是几个峰。海明窗频谱中由于旁瓣被压制谷底明显下降两个峰的轮廓更清晰。虽然主瓣变宽但旁瓣泄漏不再把谷底填满所以小频率差的信号反而用海明窗更容易分辨。这个结论反直觉主瓣宽了分辨率看似变差了但实际检测能力却提升了。原因是矩形窗的旁瓣太高相邻峰的旁瓣能量互相“串扰”把谷底抬起来了。海明窗牺牲了主瓣宽度换来更低的旁瓣所以在信噪比适中的情况下它的两窗分辨能力往往优于矩形窗。这也是频谱分析里一个经典权衡没有免费的午餐。6. 进阶技巧把加窗封装成函数并引入频谱归一化6.1 自定义函数输入信号、窗类型、FFT点数输出幅值谱把演示代码整理成一个可复用函数能省下不少重复功夫。函数逻辑很简单递增信号长度、选择窗类型、加窗、做FFT、生成频率轴和幅值谱。下面是函数实现function [f, amp] windowedFFT(x, fs, winType, NFft) % windowedFFT 加窗FFT分析 % x: 输入信号列向量或行向量均可 % fs: 采样率 % winType: rect / hamming / hann % NFft: FFT点数可选默认等于信号长度 x x(:); % 强制转成列向量 N length(x); if nargin 4 NFft N; end switch winType case rect w rectwin(N); case hamming w hamming(N, periodic); case hann w hann(N, periodic); otherwise error(未知窗类型); end xw x .* w; X fft(xw, NFft); % 单边谱 half floor(NFft/2); f (0:half) * fs / NFft; amp abs(X(1:half1)) / sum(w); end这段代码把之前的精髓都放进去了强制列向量避免维度问题用sum(w)做幅度归一化补偿窗增益FFT点数NFft单独可调。调用方式非常简单[f_rect, a_rect] windowedFFT(x, fs, rect); [f_hamm, a_hamm] windowedFFT(x, fs, hamming);6.2 幅值谱归一化方法单频正弦波的幅值恢复为什么要除以sum(w)而不是除以N窗函数加在信号上等效于改变了信号的能量。比如海明窗N点相加的和为0.54N - 0.46sin(2πN/(N-1))/(2π/(N-1))对大的N约等于0.54N。直接除以sum(w)等于把窗带来的衰减补偿回去这样单频正弦波的幅值谱峰值几乎精确等于该正弦波的幅值。矩形窗的sum(w)N所以除以sum(w)和除以N是同一回事。如果你只关心相对频谱形状不关心绝对幅值也可以只除以N。但一旦要比较不同窗函数下同一个信号的幅值或者要测谐波幅值就必须用sum(w)归一化。这是不少老手都会忽略的细节我见过有人用海明窗测100Hz正弦波峰值只有0.54没做补偿就直接下结论说信号幅值变小了。6.3 一个完整示例对比三种窗的峰值泄漏比最后给一个能直接跑出结果的示例用于总结三种窗的表现。它生成一个频率为非整数bin的正弦波比如N256fs1000频率f095.3Hz这样泄漏最强。分别用矩形窗、海明窗、汉宁窗计算主瓣峰值与最大旁瓣泄漏值的比值。fs 1000; N 256; t (0:N-1)/fs; f0 95.3; % 故意选择非整数bin频率 x sin(2*pi*f0*t); [f_r, a_r] windowedFFT(x, fs, rect); [f_h, a_h] windowedFFT(x, fs, hamming); [f_hn, a_hn] windowedFFT(x, fs, hann); % 找主瓣峰值及旁瓣最大泄漏跳过主瓣附近3个点 [~, i_r] max(a_r); [~, i_h] max(a_h); [~, i_hn] max(a_hn); skip 4; leak_r max([a_r(1:i_r-skip), a_r(i_rskip:end)]); leak_h max([a_h(1:i_h-skip), a_h(i_hskip:end)]); leak_hn max([a_hn(1:i_hn-skip), a_hn(i_hnskip:end)]); fprintf(矩形窗峰值泄漏比: %.1f dB\n, 20*log10(leak_r/max(a_r))); fprintf(海明窗峰值泄漏比: %.1f dB\n, 20*log10(leak_h/max(a_h))); fprintf(汉宁窗峰值泄漏比: %.1f dB\n, 20*log10(leak_hn/max(a_hn)));运行后矩形窗的泄漏比大约在-13dB到-17dB之间海明窗在-41dB到-45dB之间汉宁窗在-31dB到-41dB之间。这个数值会随f0与bin的偏移量变化但规律稳定加窗能把旁瓣压低20到30dB。我第一次跑这个示例时直接用矩形窗的峰值去和海明窗比忘了做归一化结果海明窗的峰值矮了一半还以为程序写错了。后来把sum(w)归一化加上去数据才漂亮起来。从那以后我每次做频谱分析都会强制走一遍这个流程先看分辨率够不够再选窗类型最后确认幅值归一化方式。尤其是要对比不同窗函数时归一化那一步绝不能省。希望这个加窗演示程序和它的函数化封装能帮你少踩几个我当年踩过的坑。本文还有配套的精品资源点击获取

加窗傅里叶变换详解：频谱泄漏原理与Matlab窗函数实战

相关推荐

网络安全学习与安全运维：从漏洞原理到Web加固的合规路径

Spring Boot + Vue 考勤系统前后端分离实战

万物皆插件：DeepSeek Harness插件化架构设计详解

更多资讯

第一次小考全流程拆解：出题、评分、监考与复盘一次讲透

Spring Boot 容器镜像：Windows 构建到 Linux 运行全记录

企业微信 API 接口：微信客服消息接收与自动回复

拼多多客服机器人接入实战：对话中台工程化落地指南

Skill开发避坑指南：如何让技能扛住用户的一百种说法

软考高项案例分析：成本管理与挣值计算公式详解

今日更新

智能硬件视频会议集成：从芯片选型到场景落地的全栈实践

FFmpeg音视频处理与5路RTMP推流实战：从原理到118克盒子部署

RK3528+1GB内存如何变身直播节点？硬编解码与六协议实战复盘

本周精选

金融AI落地指南：从调研报告到技术选型与工程实践

大模型上下文成本与注意力优化技术深度解析——为何O(n²)平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测

基于GMM的语音识别系统原理与MATLAB实现详解

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？