torch.signal.windows.hamming

torch.signal.windows.hamming(M, *, sym=True, dtype=None, layout=torch.strided, device=None, requires_grad=False)

計算 Hamming 視窗。

Hamming 視窗的定義如下：

$$w_n = \alpha - \beta\ \cos \left( \frac{2 \pi n}{M - 1} \right)$$

此視窗已標準化為 1 (最大值為 1)。但是，如果 M 是偶數且 sym 為 True，則不會出現 1。

參數

M (int) – 視窗的長度。換句話說，是傳回視窗的點數。

關鍵字引數

• sym (bool, optional) – 如果為 False，則傳回適用於頻譜分析的週期性視窗。如果為 True，則傳回適用於濾波器設計的對稱視窗。預設值：True。

• alpha (float, optional) – 上述方程式中的係數 $\alpha$。

• beta (float, optional) – 上述方程式中的係數 $\beta$。

• dtype (torch.dtype, optional) – 傳回張量的所需資料類型。預設值：如果 None，則使用全域預設值 (請參閱 torch.set_default_dtype())。

• layout (torch.layout, optional) – 傳回張量的所需版面配置。預設值：torch.strided。

• device (torch.device, optional) – 傳回張量的所需裝置。預設值：如果 None，則針對預設張量類型使用目前裝置 (請參閱 torch.set_default_device())。device 對於 CPU 張量類型將為 CPU，而對於 CUDA 張量類型將為目前的 CUDA 裝置。

• requires_grad (bool, optional) – 如果 autograd 應該記錄傳回張量的運算。預設值：False。

傳回類型

Tensor

範例

>>> # Generates a symmetric Hamming window.
>>> torch.signal.windows.hamming(10)
tensor([0.0800, 0.1876, 0.4601, 0.7700, 0.9723, 0.9723, 0.7700, 0.4601, 0.1876, 0.0800])

>>> # Generates a periodic Hamming window.
>>> torch.signal.windows.hamming(10, sym=False)
tensor([0.0800, 0.1679, 0.3979, 0.6821, 0.9121, 1.0000, 0.9121, 0.6821, 0.3979, 0.1679])