torch.signal.windows.kaiser

torch.signal.windows.kaiser(M, *, beta=12.0, sym=True, dtype=None, layout=torch.strided, device=None, requires_grad=False)

計算 Kaiser 視窗。

Kaiser 視窗定義如下：

$$w_n = I_0 \left( \beta \sqrt{1 - \left( {\frac{n - N/2}{N/2}} \right) ^2 } \right) / I_0( \beta )$$

其中 I_0 是第一類零階修正貝塞爾函式（參見 torch.special.i0()），如果 sym 為 True 則 N = M - 1，否則為 M。

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

引數

M (int) – 視窗的長度。換句話說，返回視窗的點數。

關鍵字引數

• beta (float, optional) – 視窗的形狀引數。必須是非負數。預設值: 12.0

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

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

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

• device (torch.device, optional) – 返回張量的期望裝置。預設值: 如果 None，則使用預設張量型別的當前裝置（參見 torch.set_default_device()）。 device 對於 CPU 張量型別將是 CPU，對於 CUDA 張量型別將是當前的 CUDA 裝置。

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

返回型別

Tensor

示例

>>> # Generates a symmetric gaussian window with a standard deviation of 1.0.
>>> torch.signal.windows.kaiser(5)
tensor([4.0065e-05, 2.1875e-03, 4.3937e-02, 3.2465e-01, 8.8250e-01, 8.8250e-01, 3.2465e-01, 4.3937e-02, 2.1875e-03, 4.0065e-05])
>>> # Generates a periodic gaussian window and standard deviation equal to 0.9.
>>> torch.signal.windows.kaiser(5, sym=False,std=0.9)
tensor([1.9858e-07, 5.1365e-05, 3.8659e-03, 8.4658e-02, 5.3941e-01, 1.0000e+00, 5.3941e-01, 8.4658e-02, 3.8659e-03, 5.1365e-05])