torch.signal.windows.hamming

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

計算 Hamming 窗函式。

Hamming 窗函式定義如下：

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

窗函式被歸一化到 1（最大值為 1）。但是，如果 M 是偶數且 sym 為 True，則不會出現值 1。

引數

M (int) – 窗函式的長度。換句話說，就是返回的窗函式點的數量。

關鍵字引數

• sym (bool, 可選) – 如果為 False，返回一個適用於頻譜分析的週期性窗函式。如果為 True，返回一個適用於濾波器設計的對稱窗函式。預設值：True。

• alpha (float, 可選) – 上述方程中的係數 $\alpha$。

• beta (float, 可選) – 上述方程中的係數 $\beta$。

• dtype (torch.dtype, 可選) – 返回張量的期望資料型別。預設值：如果為 None，則使用全域性預設值（參見 torch.set_default_dtype()）。

• layout (torch.layout, 可選) – 返回張量的期望佈局。預設值：torch.strided。

• device (torch.device, 可選) – 返回張量的期望裝置。預設值：如果為 None，則對預設張量型別使用當前裝置（參見 torch.set_default_device()）。對於 CPU 張量型別，device 將是 CPU；對於 CUDA 張量型別，device 將是當前 CUDA 裝置。

• requires_grad (bool, 可選) – 如果 autograd 應該記錄返回張量上的操作。預設值：False。

返回型別

張量

示例

>>> # 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])