Как выбрать оконную функцию?

Как выбрать оконную функцию

Оконные функции (window functions) — это критический инструмент в обработке сигналов и анализе временных рядов. Выбор правильной функции влияет на качество результата анализа спектра, фильтрации и других операций.

Основные оконные функции

import numpy as np
import matplotlib.pyplot as plt
from scipy import signal

# Сравнение основных функций
n = 512  # длина окна

windows = {
    'Rectangular': signal.windows.boxcar(n),
    'Hann': signal.windows.hann(n),
    'Hamming': signal.windows.hamming(n),
    'Blackman': signal.windows.blackman(n),
    'Bartlett': signal.windows.bartlett(n),
    'Kaiser': signal.windows.kaiser(n, beta=8.6),
    'Tukey': signal.windows.tukey(n, alpha=0.5),
}

# Визуализация
fig, axes = plt.subplots(2, 4, figsize=(15, 8))
for ax, (name, window) in zip(axes.flat, windows.items()):
    ax.plot(window)
    ax.set_title(name)
    ax.set_ylabel('Amplitude')
    ax.grid()

Параметры оконных функций

1. Rectangular (Прямоугольное окно)

window = signal.windows.boxcar(512)

# Характеристики:
# - Mainlobe width: 4π/N (самое узкое)
# - Side lobe level: -13 дБ (самый высокий)
# - Side lobe falloff: -6 дБ/октава (самый медленный)
# Применение: четкое разделение близких частот
# Недостаток: высокий спектральный отскок (spectral leakage)

2. Hann (Ханнинга)

window = signal.windows.hann(512)

# Характеристики:
# - Mainlobe width: 8π/N
# - Side lobe level: -32 дБ
# - Side lobe falloff: -18 дБ/октава
# Применение: универсальное окно для спектрального анализа
# Плюсы: хороший баланс между разрешением и утечкой

3. Hamming (Хемминга)

window = signal.windows.hamming(512)

# Характеристики:
# - Mainlobe width: 8π/N
# - Side lobe level: -43 дБ
# - Side lobe falloff: -6 дБ/октава
# Применение: когда нужно подавить первый боковой лепесток
# Отличие от Hann: не обнуляется на концах

4. Blackman (Блэкмена)

window = signal.windows.blackman(512)

# Характеристики:
# - Mainlobe width: 12π/N
# - Side lobe level: -58 дБ
# - Side lobe falloff: -18 дБ/октава
# Применение: когда нужно максимально подавить боковые лепестки
# Недостаток: широкий основной лепесток

5. Kaiser (Кайзера)

window = signal.windows.kaiser(512, beta=8.6)

# Параметр beta управляет свойствами:
beta_values = [5, 8.6, 15, 20]
for beta in beta_values:
    window = signal.windows.kaiser(512, beta=beta)
    # beta = 5: похоже на Hamming
    # beta = 8.6: похоже на Blackman
    # beta = 20: очень узкие боковые лепестки

# Применение: адаптивное окно с настраиваемым компромиссом

Критерии выбора оконной функции

1. Если нужно максимальное разрешение по частоте

# Используй окно с узким основным лепестком (mainlobe width)
# Выбор: Rectangular или Bartlett

window = signal.windows.boxcar(512)

# Пример: анализ близких частот
signal_freq = np.sin(2 * np.pi * 100 * t) + np.sin(2 * np.pi * 101 * t)
windowed_signal = signal_freq * window

2. Если нужно минимизировать спектральный отскок (leakage)

# Используй окно с низким уровнем боковых лепестков
# Выбор: Blackman, Kaiser

window = signal.windows.blackman(512)

# Пример: анализ сигнала с широким спектром

3. Если нужен универсальный выбор

# Используй Hann или Hamming (лучший баланс)
window = signal.windows.hann(512)  # или hamming

# Рекомендуется для большинства приложений

4. Если нужна адаптивность

# Используй Kaiser с параметром beta
# Ищи оптимальный beta для конкретной задачи

best_beta = None
best_score = float('inf')

for beta in np.arange(1, 30, 0.5):
    window = signal.windows.kaiser(512, beta=beta)
    # Вычисли метрику качества
    score = evaluate_quality(window, signal)
    if score < best_score:
        best_score = score
        best_beta = beta

optimal_window = signal.windows.kaiser(512, beta=best_beta)

Практический пример: анализ временного ряда

def spectrum_analysis_with_windows(signal_data, fs=1000):
    """
    Сравнивает спектры с разными окнами
    """
    n = len(signal_data)
    windows_dict = {
        'Rectangular': signal.windows.boxcar(n),
        'Hann': signal.windows.hann(n),
        'Hamming': signal.windows.hamming(n),
        'Blackman': signal.windows.blackman(n),
        'Kaiser': signal.windows.kaiser(n, beta=8.6),
    }
    
    fig, axes = plt.subplots(len(windows_dict), 1, figsize=(12, 10))
    
    for ax, (window_name, window) in zip(axes, windows_dict.items()):
        # Применить окно
        windowed = signal_data * window
        
        # Вычислить спектр
        freqs, pxx = signal.periodogram(windowed, fs=fs)
        
        # Построить
        ax.semilogy(freqs, pxx)
        ax.set_title(f'Spectrum with {window_name} window')
        ax.set_ylabel('Power')
        ax.grid()
    
    axes[-1].set_xlabel('Frequency (Hz)')
    plt.tight_layout()
    return fig

# Использование
t = np.linspace(0, 1, 1000)
signal_data = np.sin(2 * np.pi * 50 * t) + 0.5 * np.sin(2 * np.pi * 120 * t)
fig = spectrum_analysis_with_windows(signal_data)

Таблица сравнения

Рекомендации для Data Scientists

1. Стандартный выбор: Hann или Hamming
2. Когда надо разрешение: Rectangular
3. Когда много шума: Blackman
4. Когда нужна адаптивность: Kaiser с оптимальным beta
5. Всегда экспериментируй: тестируй разные окна на своих данных

Итоги

Выбор оконной функции — это компромисс между:

• Разрешением (узкий основной лепесток)
• Утечкой спектра (низкие боковые лепестки)
• Скоростью спада боковых лепестков

Нет универсального выбора — тестируй разные окна и выбирай лучшее для конкретной задачи!