4、窗函数的选择（上）：矩形窗、汉宁窗、海明窗，到底该用哪个？
聊到FFT，就绕不开窗函数。很多工程师一看到“加窗”两个字就头大，觉得这是搞理论研究的人才需要操心的事。其实不然。
我刚开始用示波器做FFT时，也踩过不少坑。有一次测一个开关电源的噪声，频谱上莫名其妙多出一堆“假峰”，折腾了半天才发现是窗函数没选对。从那以后，我对窗函数就格外上心。
今天咱们先聊三个最常用的窗：矩形窗、汉宁窗、海明窗。它们到底有什么区别？实际项目中该怎么选？
4.1 为什么需要加窗？
先问一个问题：FFT的本质是什么？
说白了，FFT假设你采集的信号是无限长且周期性重复的。但现实世界哪有那么完美？你只能截取一段有限长度的信号。这一截，就出问题了。
你想想看，如果截取的起始点和结束点信号幅值不连续，FFT就会认为这里有一个“跳变”。这个跳变会在频谱上产生额外的频率分量——这就是我们常说的频谱泄漏。
加窗的目的，就是让截取的那段信号在两端平滑地衰减到零，减少这种不连续性。嗯，就是这么回事。
4.2 矩形窗：最“诚实”但也最“危险”
矩形窗其实就等于没加窗。它直接把信号截断，两端不做任何处理。
矩形窗的特点：
- 主瓣最窄——频率分辨率最高
- 旁瓣最高——频谱泄漏最严重
- 适合：信号能量集中在几个离散频率点，且信噪比很高
我在项目中遇到过一位同事，用示波器测一个10MHz的晶振信号。他直接用矩形窗做FFT，结果在9.8MHz和10.2MHz附近看到了两个小峰。他以为是晶振有问题，换了三个晶振还是一样。后来我让他换成汉宁窗，那两个小峰立马消失了——原来是矩形窗的旁瓣泄漏在捣鬼。
注意：除非你非常确定信号是周期性的，且采样时长刚好是信号周期的整数倍，否则别轻易用矩形窗。大多数示波器默认的FFT窗函数都不是矩形窗，原因就在这里。
4.3 汉宁窗：最通用的“万金油”
汉宁窗（Hanning，也叫Hann窗）是我个人最常用的窗函数。为什么？因为它平衡了频率分辨率和泄漏抑制。
汉宁窗的形状像半个余弦波，两端平滑地衰减到零。它的旁瓣比矩形窗低很多，但主瓣稍微宽了一点。
汉宁窗的特点：
- 主瓣宽度：矩形窗的2倍（频率分辨率降低一倍）
- 旁瓣衰减：-32dB左右（比矩形窗好太多）
- 适合：大多数通用信号分析，尤其是噪声信号、随机信号
我建议刚接触FFT的工程师，默认就用汉宁窗。等你用熟了，再根据具体情况去调整。这就像开车，先学会自动挡，再学手动挡。
4.4 海明窗：汉宁窗的“改良版”
海明窗（Hamming）和汉宁窗长得很像，但有一个关键区别：海明窗在两端没有完全衰减到零，而是保留了一个小幅度。
这样做的好处是：旁瓣更低（约-43dB），但代价是旁瓣衰减速度变慢。
| 窗函数 | 主瓣宽度 | 最高旁瓣 | 旁瓣衰减速率 | 适用场景 |
|---|---|---|---|---|
| 矩形窗 | 最窄 | -13dB | -6dB/倍频程 | 周期信号、高信噪比 |
| 汉宁窗 | 较宽（2倍） | -32dB | -18dB/倍频程 | 通用、噪声信号 |
| 海明窗 | 较宽（2倍） | -43dB | -6dB/倍频程 | 窄带信号、需要低旁瓣 |
你看这个表格，海明窗的最高旁瓣确实比汉宁窗低，但衰减速度慢。这意味着什么呢？
如果你关心的频率分量离得很近，海明窗的慢衰减可能会导致它们互相干扰。而汉宁窗虽然最高旁瓣高一点，但衰减快，远距离的频率分量影响小。
4.5 到底该用哪个？我的选择原则
这个问题没有标准答案，但我可以分享一些经验：
- 测正弦波、方波等周期信号：如果信号干净、信噪比高，可以试试矩形窗。但一定要确认采样时长是周期的整数倍。
- 测噪声、振动、随机信号：无脑选汉宁窗。这是最稳妥的选择。
- 测两个频率很近的信号：比如要区分100kHz和101kHz，矩形窗分辨率最高，但泄漏严重。这时候可以先用矩形窗看个大概，再用汉宁窗确认。
- 测窄带信号，要求低旁瓣：海明窗更合适。我曾经用它分析一个无线通信的载波泄漏，效果比汉宁窗好不少。
小技巧：很多示波器允许你实时切换窗函数。我习惯先用汉宁窗看整体频谱，如果发现某个频率点附近有可疑的“小峰”，再切换到矩形窗看看是不是泄漏造成的。两个窗一对比，真假立现。
4.6 一个简单的代码示例
如果你用Python做FFT分析，可以这样对比三种窗的效果：
import numpy as np
import matplotlib.pyplot as plt
# 生成一个10MHz的正弦波 + 噪声
fs = 100e6 # 采样率100MHz
t = np.arange(0, 10e-6, 1/fs)
x = np.sin(2*np.pi*10e6*t) + 0.1*np.random.randn(len(t))
# 三种窗函数
rect = np.ones(len(x))
hann = np.hanning(len(x))
hamm = np.hamming(len(x))
# 加窗后做FFT
X_rect = np.fft.fft(x * rect)
X_hann = np.fft.fft(x * hann)
X_hamm = np.fft.fft(x * hamm)
# 画频谱对比
freq = np.fft.fftfreq(len(x), 1/fs)
plt.plot(freq/1e6, 20*np.log10(np.abs(X_rect)), label='矩形窗')
plt.plot(freq/1e6, 20*np.log10(np.abs(X_hann)), label='汉宁窗')
plt.plot(freq/1e6, 20*np.log10(np.abs(X_hamm)), label='海明窗')
plt.xlabel('频率 (MHz)')
plt.ylabel('幅度 (dB)')
plt.legend()
plt.grid(True)
plt.show()跑一下这段代码，你会看到矩形窗的频谱底部明显“脏”很多，而汉宁窗和海明窗干净不少。这就是窗函数的作用。
4.7 小结
今天聊了三种最基础的窗函数。总结一下：
- 矩形窗：分辨率最高，泄漏最严重。慎用。
- 汉宁窗：最均衡，最通用。新手老手都适合。
- 海明窗：旁瓣更低，但衰减慢。特定场景好用。
下节课我们继续聊其他窗函数，比如布莱克曼窗、凯泽窗，以及一些更高级的选择技巧。到时候我会分享一个我踩过的“大坑”——那次差点把一块价值两万的板子给判了死刑，结果只是窗函数没选对。
咱们下期见。