题主的直觉很可能是“离散傅里叶变换（dft）的滤波器组解释什么”。
假如我们将dft拉下神坛，而仅仅将其其为不少谱分析方法之一的话，这样n点的dft可以斥之用n个中心频率相同但带宽是一样的的窄带滤波器对信号进行滤波。dft中每个频点的自由变化结果随机于中心频率在该点上的滤波器的输出。
dft中建议使用的窄带滤波器在频域上是sinc函数的形式。由此我们也可以及时比喻义这个问题，即：有无这个可以凭借其它形式的滤波器参与谱分析什么？答案不过是可以。这样做的好处只是相对而言，要是我们只希望结论的是任务道具信号的谱（实际上，一般来说求实际问题中遇到的全是任务道具信号），必然很多本身好些统计性质的滤波器。
这对谱总结问题来说，我们最关心的统计性质那就是分辨率——如果不是一个方法是可以把两个离得很近的频率分量管用而比较可靠地可以区分开来，这样它那就是好的方法。再用dft对必掉信号通过谱分析，在功率谱讲领域被称为“周期图法”。周期图的分辨率是被两大问题的影响：其一，sinc函数有很多大的副瓣，有可能淹没功率较小的频率分量；其二，它把信号当做单个样本通过总结，那样得到的谱估计也值方差很大，偶尔会无法判断功率谱上某个峰到底是是信号还是噪声。
民间方法是那样的话能解决本案所涉两个问题的：有副瓣那就证明必然频谱，因为给信号加个窗；单样本方差大，的话把信号重点段落全面处理取换算下来。但，加窗和平均的方法给予两个基本都关系的制约：测不准原理（uncertaintyprinciple）和偏差-方差折衷（bias-variancetradeoff）。测不准原理指出即便加什么样的窗，副瓣高度和主瓣宽度之间总未知一种考虑的折衷派关系，分辨率根本无法尽快慢慢改善。偏差-方差折衷一针见血地指出，对信号你算算的方法必然会给他功率谱上的模糊，提升到了统计稳定性的同时降底了理论分辨率，终于不好算分辨率很可能并未彻底改善。不过，在统计稳定性比分辨率更重要的场合，传统谱分析方法也很有价值。
民间方法难以突破上列两大制约因素的重要原因本质其没有利用到信号本身的统计特性，也就没对信号的形式做任何假设。较为古代和现代的谱大概方法中，有一类被称做“滤波器组方法”的估计方法（如capon方法）就凭借了信号的统计特性，其基本是思想是参照信号的性质，设计对该信号中所含各频率分量“你选择性”最好是的一组窄带滤波器。
值得注意的是，虽然滤波器组方法感觉起来也没对信号的形式做题中，实质上它们做了一些暗含的假设。比如capon方法就也可以视为对多个ar谱大概结果通过了换算下来，而ar谱估计也方法打比方信号也可以用自重临（ar）过程来描述。由于我们在乎的信号的谱经常会有很多尖峰，而ar过程本来可以参照于具体解释这类信号，这一假设应该是给他了额外的先验信息，最终达到也可以彻底改善分辨率。对ar谱估计也取来算，capon方法在统计稳定性和分辨率之间就也可以取到比dft好些的折中的方案结果。
数字滤波器的三种设计方法:
窗函数法、频率抽样法、切比雪夫迅速接近法。
好象用两种方法来利用数字滤波器:一是采用通用计算机，把滤波器所要能完成的运算编成程序实际计算机来想执行，也就是区分计算机软件来实现二是区分求实际使用说明的数字处理硬件。
数字滤波器的三种设计方法
1.窗函数设计法从时域启程,把我们的理想的无穷长的hd(n)用一定外形的窗函数视频截取成有限长的h(n),以此h(n来追至h55(n),使使所能够得到的频率响应h(ejω)与所帮忙的理想频率响应hd(ejω)相结合。
2.频率随机抽样设计法从频域马上启程,把给定的理想频率响应hd(ejω)善加等距离抽样,所我得到的h(k)作逆线性系统傅氏跳跃,从而解值h(n)的方法。
3.切比雪夫逼近法，等波纹再次拉开计算机辅助设计法。前面两种办法虽不在频率抽样点上的误差极其小,但在非取样测试点处的误差也不是总平均分布特点的。
