窓関数　　(Window Function)

井澤　裕司　　

１．　離散フーリエ変換と窓関数

この章では、 離散フーリエ変換に用いる窓関数 について学習します。

長い信号のスペクトル解析では、信号の一部を切り出してフーリエ変換を行います。

しかも、計算機を用いる場合は、離散値のデータを用いざるを得ず、離散フーリエ変換となります。

その場合の第1の課題は、切り出すデータの数をどのように決めるかということです。

データ数が少ないと、周波数分解能すなわちスペクトルの精度が低下してしまいます。

一方、データ数が多いと、計算量はデータ数の2乗で増え、処理時間が急激に増えてしまいます。

第2の課題は、切り出したデータの両端の影響をどのように押さえるかということです。

すなわち、離散フーリエ変換では、暗黙のうちにデータの周期性が仮定されているため、

右端と左端のデータ値が大きく異なると、その部分で急峻に変化しているような影響が現れ、

結果として高い周波数成分（高調波成分）の歪が発生します。

この対策として、信号に窓関数をかけた結果を離散フーリエ変換します。

以下、この窓関数(Window Function)について解説します。

2．　窓関数（Window　Function）の条件

入力となる離散信号に窓関数をかけた結果を離散フーリエ変換します。

この窓関数に要求される条件は、以下の通りです。

(1) 主成分（メインローブ；main-lobe）の幅が小さいこと

　　この幅が狭いほど、主成分の周波数分解能が高くなります。

(2) サイドローブ（side-lobe）の振幅が小さいこと

　　この値が小さいほど、小電力のスペクトルを検出する能力が高まります。

　

3．　窓関数の種類とその効果

ここでは、代表的な窓関数を紹介し、その効果について解説します。

(1) 方形窓（Rectangular Window）

入力信号を、単純に切り出してそのまま使用します。

主成分の周波数分解能は優れていますが、サイドローブが大きいため、小さい電力のスペクトル

を検出するのに向いていません。

(2) ハニング窓（Hanning Window）

この窓関数は中央値が1のRaised Cosineの波形になっています。

主成分の周波数分解能はやや劣りますが、サイドローブが比較的小さいため、小さい電力のスペクトル

を検出するのに向いています。

(3) ハミング窓（Hamming Window）

この窓関数は窓の両端の値が0となり、実質的にその信号成分がスペクトルに反映されないという

Hanning Window の欠点に修正を加えたものです。

特性はHanning Window に近く、主成分の周波数分解能はやや劣りますが、小さい電力のスペクトル

を検出するのに向いています。

(4) ガウス窓（Gaussian Window）

この窓関数は中央が１の釣鐘型をしています。整数mとして±mσ（σ：標準偏差）の範囲

を対象とします。

主成分の周波数分解能は劣りますが、小さい電力のスペクトルを検出するのに優れた特性を示します。

下の図は、正弦波入力に窓関数をかけたときのスペクトルを表しています。

上が入力波形、中央が窓関数とこれを入力にかけた波形、下がそのスペクトル（絶対値）です。

窓関数を選択して、そのスペクトルがどのように変化するか観察して下さい。

ここで、窓関数の効果について検討しましょう。

離散信号 x_n に窓関数 h_n を掛けた信号のスペクトル X_k^* を計算します。

すなわち、スペクトル X_k と H_k 　の畳み込みの形になっており、スペクトル X_k をフィルタ H_k で平滑化したものと

考えることができます。

4．　まとめ

離散フーリエ変換に使用する窓関数(Window Function)と その効果について検討しました。

　 ⇒　ディジタル信号処理（基礎編）に戻る