频谱泄漏：窗函数来补救

可视化演示

动态演示频谱泄漏的核心机制，通过输入/处理/存储/输出四种模式展示关键概念与交互流程。

泄漏成因：墙纸的接缝

墙纸师傅贴墙时，默认你交给他的那一小块花纹会原封不动地循环使用。FFT 也一样：它拿到 N 个采样点后，会认为这 N 个点组成的片段是某个无限长周期信号的一个周期。问题在于，采样通常不会刚好卡在整数个周期上。比如一个余弦信号在窗内只截了 5.3 个完整周期，那么把这 5.3 个周期首尾相接时，开头和结尾的值对不上，形成一道突兀的“剪切口”。

这道口的直接后果是：本来只应该出现在一个频率上的能量，被摊到了许多相邻频率上。真实主峰变矮，旁边多出一串尾巴，这就是“频谱泄漏”。你可以把它理解成：墙纸接缝处错位的小花朵，让师傅误以为花纹本来就有杂点。

所以，泄漏不是频谱计算本身出错，而是“剪下来的片段”无法无缝循环。记住这个根源：截断不连续，能量才会漏。

加窗思想：把切口磨成斜坡

如果不能在墙上消除接缝，至少可以让接缝变得不明显。窗函数就是那张“渐变胶片”：中间透明，两边逐渐变暗。把胶片盖在信号上，相当于让信号中间保持原样，两端被压到接近零，这样首尾相接时不再是陡峭的断崖，而是一条平滑的斜坡。

数学上，加窗就是逐点相乘。原来的信号 $x[n]$ 乘上窗函数 $w[n]$，得到加窗后的信号 $x_w[n]$。墙纸比喻里，$w[n]$ 就是那块渐变胶片在每个位置的“遮光度”。边缘遮得多，中间遮得少，接缝自然柔和。

时域上的乘法，在频域里会变成卷积。窗函数的频谱像一个“印章”，盖到原始频谱上，把尖锐的谱线晕开成主瓣和旁瓣。接下来我们就看这个“印章”长什么样。

主瓣旁瓣权衡：胖山头和碎石堆

把窗函数的频谱想象成一座山：中间最高的部分是主瓣，旁边一串小起伏是旁瓣。矩形窗的“山”很尖，但山脚下碎石特别多，这就是泄漏。窗函数要做的，是扫掉碎石，但扫碎石通常会让山本身变得更胖。

主瓣越宽，两个频率靠得太近时就越难分辨；旁瓣越高，微弱信号就越容易被旁边的大信号掩盖。这就是频谱分析里最核心的取舍：你想把能量集中一点，还是想压低干扰尾巴。

所以，选窗函数不是在“好”和“坏”之间选，而是在“主瓣宽度”和“旁瓣电平”之间找平衡点。

Hamming窗：折中的老裁缝

Hamming 窗是一位不肯把边完全虚化到零的老裁缝。它的系数是常数 0.54 减去一个余弦项，因此在端点处不会降到零，而是保留一点小小的台阶。这样做的好处是：第一旁瓣被压得很低，适合把靠近主瓣的干扰压下去；坏处是：远端旁瓣衰减比较慢，远处的小杂峰没有想象中干净。

如果你需要分辨相距不远的两个频率峰，又不想让第一旁瓣干扰太强，Hamming 窗往往是个不错的过渡选择。

Hann窗：温柔的经典款

Hann 窗可以看作 Hamming 的“老实版”：它把系数改成 0.5 和 0.5，让窗函数在两端严格归零。因为满足“端点为零”，截断处的台阶被彻底抹平，旁瓣衰减速度更快，远端泄漏更干净。它有一个很形象的别名——余弦平方窗，因为 $0.5-0.5\cos\theta=\sin^2(\theta/2)$。Hann 窗是工程里最常用的通用窗，尤其适合不知道信号细节时的“盲分析”。

Hann 窗像一个不会出大错的“默认选项”：做振动谱、音频谱、通用信号分析时，先拿它试基本不会偏太多。

Blackman窗：极致降噪的厚海绵

Blackman 窗在 Hann 的基础上再加了一项更高频的余弦修正，相当于叠了两层渐变胶片。它把旁瓣压到极低，远端泄漏几乎看不见，非常适合强信号旁边找弱信号这种“苛刻环境”。但代价也很明显：主瓣变得最宽，频率分辨率和峰值幅值精度都会下降。用它测谱峰位置，就像戴了一双厚手套拿针，手很干净，但手感变钝了。

需要强调：Blackman 不是“更强”的窗，而是“更极端”的窗。只有当旁瓣干扰比分辨率损失更让你头疼时，才值得选它。

工程选用：按活儿挑剪刀

真到了工程里，选窗就像裁缝挑剪刀：没有哪把剪刀万能。矩形窗主瓣最窄，适合信号本身是瞬态或帧内刚好整周期的情况；Hann 窗通用，适合大多数连续谱分析；Hamming 窗适合需要压近旁瓣的场景；Blackman 窗适合强干扰下找弱信号。还要注意，加窗会压低边缘样本，信息有损失，所以工程上常用 50% 重叠分帧来补回边界信息。

窗长也很重要。同样窗型下，窗越长，频域主瓣的相对宽度越窄。所谓“频率分辨率”，本质是主瓣能否把两个挨得很近的峰值分开。

工程选窗口诀：先看是“分辨靠近的峰”还是“压制远处的漏”；前者优先窄主瓣，后者优先低旁瓣；拿不准时，Hann 窗起步，跑了仿真再换。

AI 应用场景

Python 演示

import numpy as np  def window(name, n):    t = np.arange(n) / (n - 1)    if name == 'rect':        return np.ones(n)    if name == 'hann':        return 0.5 - 0.5 * np.cos(2 * np.pi * t)    if name == 'hamming':        return 0.54 - 0.46 * np.cos(2 * np.pi * t)    if name == 'blackman':        return 0.42 - 0.5 * np.cos(2 * np.pi * t) + 0.08 * np.cos(4 * np.pi * t)  def sideband_ratio(signal, freq=5.3):    spec = np.abs(np.fft.rfft(signal))    main = spec.max()    side = np.max(np.concatenate([spec[:int(freq)], spec[int(freq) + 1:]]))    return side / main  def main():    n = 256    t = np.arange(n) / (n - 1)    # 5.3 个周期, 故意选非整数来制造泄漏    x = np.cos(2 * np.pi * 5.3 * t)    print("窗函数  旁瓣/主瓣比(dB)")    for name in ['rect', 'hann', 'hamming', 'blackman']:        y = x * window(name, n)        ratio = sideband_ratio(y, 5.3)        print(f"{name:8s} {20 * np.log10(ratio):7.2f}")  if __name__ == "__main__":    main()

1. t = np.arange(n) / (n - 1)把采样位置归一化到 0 到 1，方便统一计算窗函数。
2. x = np.cos(2 * np.pi * 5.3 * t)生成 5.3 个周期的余弦，周期数不是整数，必然触发泄漏。
3. y = x * window(name, n)时域逐点相乘，这就是加窗操作的核心实现。
4. spec = np.abs(np.fft.rfft(signal))对加窗后的信号做 FFT，并取幅度谱。
5. side = np.max(np.concatenate([spec[:int(freq)], spec[int(freq) + 1:]]))去掉主峰所在区间，取旁瓣最大值。
6. ratio = side / main用旁瓣与主瓣的比值量化泄漏强度，比值越小说明窗压得越干净。

常见误区

面试题