企业官网建设流程全解析

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/2+1)) / N; A_hamm = abs(X_hamm(1:N/2+1)) / 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-41dB，hann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/2+1，对应fft结果的前N/2+1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，fs=1000，N=256，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82Hz，Δf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fs=1000，N=512（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:half+1)) / 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N=256，fs=1000，频率f0=95.3Hz，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_r+skip:end)]); leak_h = max([a_h(1:i_h-skip), a_h(i_h+skip:end)]); leak_hn = max([a_hn(1:i_hn-skip), a_hn(i_hn+skip: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