題主的直覺可能是“離散傅立葉變換（DFT）的濾波器組解釋”。
如果我們將DFT拉下神壇，而僅僅將其視為眾多譜分析方法之一的話，那麼N點的DFT可以視為用N箇中心頻率不同但頻寬相同的窄帶濾波器對訊號進行濾波。DFT中每個頻點的變換結果對應於中心頻率在該點上的濾波器的輸出。
DFT中使用的窄帶濾波器在頻域上是sinc函式的形式。由此我們可以進一步引申這個問題，即：是否可以利用其它形式的濾波器進行譜分析？答案當然是可以。這樣做的好處在於，如果我們希望分析的是隨機訊號的譜（事實上，一般來說實際問題中遇到的都是隨機訊號），存在很多具有更好統計性質的濾波器。
對於譜分析問題來說，我們最關心的統計性質就是解析度——如果一個方法可以把兩個離得很近的頻率分量有效而可靠地區分開來，那麼它就是好的方法。直接用DFT對隨機訊號進行譜分析，在功率譜分析領域被稱為“週期圖法”。週期圖的解析度受到兩大問題的影響：其一，sinc函式有很多大的副瓣，有可能淹沒功率較小的頻率分量；其二，它把訊號當成單個樣本進行分析，這樣得到的譜估計值方差很大，有時無法確定功率譜上某個峰到底是訊號還是噪聲。
傳統方法是這樣解決上述兩個問題的：有副瓣說明存在頻譜洩漏，所以給訊號加個窗；單樣本方差大，那就把訊號分段處理取平均。然而，加窗和平均的方法受到兩個基本關係的制約：測不準原理（uncertainty principle）和偏差-方差折衷（bias-variance tradeoff）。測不準原理指出無論是加什麼樣的窗，副瓣高度和主瓣寬度之間總存在一種確定的折衷關係，解析度無法進一步改善。偏差-方差折衷指出，對訊號平均的方法必定帶來功率譜上的模糊，提升了統計穩定性的同時降低了理論解析度，最終實際解析度可能並未改善。當然，在統計穩定性比解析度更重要的場合，傳統譜分析方法也很有價值。
傳統方法無法突破上述兩大制約因素的關鍵原因在於其沒有利用到訊號本身的統計特性，也沒有對訊號的形式做任何假設。較為現代的譜估計方法中，有一類被稱為“濾波器組方法”的估計方法（如Capon方法）就利用了訊號的統計特性，其基本思想是根據訊號的性質，設計對該訊號中所含各頻率分量“選擇性”最好的一組窄帶濾波器。
值得注意的是，雖然濾波器組方法看上去沒有對訊號的形式做假設，實質上它們做了一些隱含的假設。例如Capon方法就可以視為對多個AR譜估計結果進行了平均，而AR譜估計方法假設訊號可以用自迴歸（AR）過程來描述。由於我們關心的訊號的譜經常有很多尖峰，而AR過程正好適用於描述這類訊號，這一假設相當於帶來了額外的先驗資訊，從而可以改善解析度。透過對AR譜估計取平均，Capon方法在統計穩定性和解析度之間就可以取到比DFT更好的折衷結果。
題主的直覺可能是“離散傅立葉變換（DFT）的濾波器組解釋”。
如果我們將DFT拉下神壇，而僅僅將其視為眾多譜分析方法之一的話，那麼N點的DFT可以視為用N箇中心頻率不同但頻寬相同的窄帶濾波器對訊號進行濾波。DFT中每個頻點的變換結果對應於中心頻率在該點上的濾波器的輸出。
DFT中使用的窄帶濾波器在頻域上是sinc函式的形式。由此我們可以進一步引申這個問題，即：是否可以利用其它形式的濾波器進行譜分析？答案當然是可以。這樣做的好處在於，如果我們希望分析的是隨機訊號的譜（事實上，一般來說實際問題中遇到的都是隨機訊號），存在很多具有更好統計性質的濾波器。
對於譜分析問題來說，我們最關心的統計性質就是解析度——如果一個方法可以把兩個離得很近的頻率分量有效而可靠地區分開來，那麼它就是好的方法。直接用DFT對隨機訊號進行譜分析，在功率譜分析領域被稱為“週期圖法”。週期圖的解析度受到兩大問題的影響：其一，sinc函式有很多大的副瓣，有可能淹沒功率較小的頻率分量；其二，它把訊號當成單個樣本進行分析，這樣得到的譜估計值方差很大，有時無法確定功率譜上某個峰到底是訊號還是噪聲。
傳統方法是這樣解決上述兩個問題的：有副瓣說明存在頻譜洩漏，所以給訊號加個窗；單樣本方差大，那就把訊號分段處理取平均。然而，加窗和平均的方法受到兩個基本關係的制約：測不準原理（uncertainty principle）和偏差-方差折衷（bias-variance tradeoff）。測不準原理指出無論是加什麼樣的窗，副瓣高度和主瓣寬度之間總存在一種確定的折衷關係，解析度無法進一步改善。偏差-方差折衷指出，對訊號平均的方法必定帶來功率譜上的模糊，提升了統計穩定性的同時降低了理論解析度，最終實際解析度可能並未改善。當然，在統計穩定性比解析度更重要的場合，傳統譜分析方法也很有價值。
傳統方法無法突破上述兩大制約因素的關鍵原因在於其沒有利用到訊號本身的統計特性，也沒有對訊號的形式做任何假設。較為現代的譜估計方法中，有一類被稱為“濾波器組方法”的估計方法（如Capon方法）就利用了訊號的統計特性，其基本思想是根據訊號的性質，設計對該訊號中所含各頻率分量“選擇性”最好的一組窄帶濾波器。
值得注意的是，雖然濾波器組方法看上去沒有對訊號的形式做假設，實質上它們做了一些隱含的假設。例如Capon方法就可以視為對多個AR譜估計結果進行了平均，而AR譜估計方法假設訊號可以用自迴歸（AR）過程來描述。由於我們關心的訊號的譜經常有很多尖峰，而AR過程正好適用於描述這類訊號，這一假設相當於帶來了額外的先驗資訊，從而可以改善解析度。透過對AR譜估計取平均，Capon方法在統計穩定性和解析度之間就可以取到比DFT更好的折衷結果。