企业官网建设流程全解析

1. 项目概述：为什么在Matlab2019b里反复打磨FFT与PSD不是“重复造轮子”

你打开Matlab2019b，加载一段麦克风采集的电机异响音频，想快速判断故障频率——结果fft()画出来的频谱图满屏毛刺，峰值位置飘忽不定；换用pwelch()算功率谱密度，又发现横坐标单位是Hz还是rad/s都搞不清，幅值比教科书上小了10倍；更头疼的是，有人告诉你“PSD就是FFT模平方除以采样点数”，你照着写完一跑，和pwelch结果对不上，连误差来源都找不到。这不是你数学不好，而是Matlab2019b里这组信号处理函数背后藏着三重“隐性契约”：采样率定义方式、窗函数能量补偿系数、功率归一化尺度。2019b版本尤其典型——它既保留了老版本fft的原始输出逻辑（未做幅度校正），又默认启用pwelch的现代统计估计框架（带重叠分段与平均），两者底层假设根本不同。我带过某高校信号处理实验课，连续三年发现超70%的学生卡在这一步：不是不会调函数，而是不知道fft(x,N)返回的复数数组里，第k个点对应的物理频率是(k-1)*fs/N，而pwelch默认输出的却是(0:floor(N/2))/N*fs——少个+1，整个横坐标就偏移一个bin。这篇文章不讲泛泛的傅里叶原理，只聚焦Matlab2019b这个特定环境下的实操断点：从原始数据导入开始，到最终得到可直接用于故障诊断的PSD曲线，每一步的参数为什么这么设、错设会怎样、怎么验证结果合理。适合正在处理振动噪声、语音特征提取、生物电信号分析的工程师和研究生，尤其适合刚从Python转Matlab、或从Matlab旧版本升级上来的人——因为2019b的periodogram和pwelch默认行为和2016a有本质差异。

2. 核心思路拆解：FFT与PSD在Matlab2019b中的三条分水岭

2.1 分水岭一：目的决定工具链——你是要“看瞬时频谱”还是“估统计功率”

很多初学者混淆FFT和PSD的根本原因，在于没意识到二者解决的是两类问题。FFT是确定性信号的数学变换工具，回答：“这个固定长度的信号片段里，各频率成分的复振幅是多少？” 它输出的是复数，模值反映该频率的瞬时能量强度，但受信号截断影响极大。而PSD是随机过程的统计估计量，回答：“这个持续存在的噪声源，在单位频率带宽内平均输出多少功率？” 它必须通过多段平均来抑制方差，结果是实数且具有物理功率量纲（如V²/Hz）。在Matlab2019b中，这个区别直接映射到函数选择上：

• 若你手头只有单次采集的1秒音频，想快速定位几个强峰频率（比如电机轴承缺陷特征频率），用fft加汉宁窗预处理即可，重点在频谱可视化精度；
• 若你有连续10分钟的振动数据，需要评估某频段的长期能量水平（比如判断齿轮箱是否过热），必须用pwelch，核心是统计稳定性；
• 绝对不要用abs(fft(x)).^2直接当PSD用——这是2019b用户踩坑率最高的操作，它漏掉了窗函数能量损失补偿、采样率归一化、以及最重要的：没有分段平均导致方差爆炸。

提示：Matlab2019b文档明确警告periodogram（单段FFT法）的PSD估计方差是pwelch（多段平均法）的两倍。实测某风机振动信号，periodogram的50Hz峰标准差达±8dB，而pwelch仅±1.2dB。

2.2 分水岭二：窗函数不是“选美”，而是能量守恒的校准器

Matlab2019b所有频谱函数默认使用汉宁窗（Hanning），但很多人只知其名不知其责。窗函数的核心作用不是“让频谱好看”，而是补偿信号截断引入的频谱泄漏，并为后续功率计算提供可逆的能量标定。关键点在于：汉宁窗本身有能量衰减，其均方值（RMS）为0.3536（即sqrt(mean(hanning(N).^2))），这意味着直接对加窗后信号做FFT，其幅值会系统性偏低。2019b的pwelch内部自动执行了能量补偿：它将FFT结果除以窗函数的均方值，再除以采样率fs，最终得到单位Hz的功率谱密度。而手动FFT流程中，这步必须显式完成。我曾调试某声学传感器数据，因忘记补偿汉宁窗能量，导致计算出的声压级比实际低9.5dB——恰好等于-10*log10(0.3536^2)。验证方法极简单：生成一个纯正弦波x = sin(2*pi*100*t)，用pwelch(x, hanning(N), [], [], fs)得到的PSD在100Hz处应为0.5^2/(2*fs)（理论值），若手动FFT结果与此不符，必是补偿环节出错。

2.3 分水岭三：采样率fs是贯穿始终的“时间-频率”转换密钥

在Matlab2019b中，fs参数绝非可有可无的标签。它参与三个关键计算：

1. FFT横坐标生成：f = (0:N-1)*fs/N（单边谱需取前半）；
2. PSD幅值归一化：pwelch结果单位是V²/Hz，必须除以fs才能从离散频谱过渡到连续功率谱密度；
3. 分辨率带宽（RBW）控制：RBW = fs/N，直接决定能分辨的最小频率间隔。

最典型的错误是：用audioread读取wav文件时，[x,fs] = audioread('data.wav')返回的fs是44100Hz，但实际采集设备设置为48000Hz。此时所有频率计算全盘错误——1000Hz的故障特征会被显示在918Hz位置。2019b的spectrogram函数会忠实按输入fs绘图，绝不纠错。我的经验是：每次加载音频后第一件事，用sound(x,fs)听原始音高是否正常；第二件事，用plot(t(1:1000),x(1:1000))检查时域波形周期是否符合预期（如50Hz信号应每20ms重复）。

3. 核心细节解析：Matlab2019b中FFT与PSD的七处实操雷区

3.1 雷区一：fft输出的“复数数组”里，索引0到底存不存在？

Matlab的fft函数返回N点复数数组X，其中X(1)对应直流分量（0Hz），X(2)对应fs/N，X(k)对应(k-1)*fs/N。这是2019b与C/Fortran实现一致的约定，但极易被忽略。常见错误是写f = (1:N)*fs/N，导致所有频率偏高fs/N。正确写法必须是：

N = length(x); X = fft(x, N); f = (0:N-1)*fs/N; % 关键：从0开始！ % 单边谱只需取前半（含Nyquist点） if mod(N,2)==0 X_single = [X(1); 2*X(2:N/2); X(N/2+1)]; % 偶数点：含Nyquist f_single = f(1:N/2+1); else X_single = [X(1); 2*X(2:(N+1)/2)]; % 奇数点：不含Nyquist f_single = f(1:(N+1)/2); end

注意：2*X(2:end-1)的系数2，是因为FFT双边谱中正负频率对称，单边谱需合并能量。但X(1)（DC）和X(N/2+1)（Nyquist）不乘2——这是2019b官方示例明确强调的，却常被复制粘贴者遗漏。

3.2 雷区二：pwelch的nfft参数不是“越大越好”

pwelch(x,window,noverlap,nfft,fs)中，nfft常被误认为“FFT点数越多，分辨率越高”。在2019b中，nfft的真实作用是零填充点数，它提升的是频谱的插值密度（即曲线更平滑），但不提高真实频率分辨率。真实分辨率由window长度决定：RBW = fs/length(window)。若window长1024点，fs=10000Hz，则RBW=9.77Hz，无论nfft设为1024还是8192，你都无法区分9.8Hz和10.2Hz的两个峰。实测某齿轮箱啸叫信号，用hanning(1024)配nfft=8192，频谱看似精细，但将window换成hanning(4096)（nfft=4096），反而清晰分离出啮合频率的边带——因为真实RBW从9.77Hz降至2.44Hz。2019b的默认nfft是max(256,2^nextpow2(length(window)))，对短窗很友好，但对长数据建议显式指定：nfft = length(window)避免无谓计算。

3.3 雷区三：pwelch的noverlap设为0，等于放弃统计优势

noverlap控制相邻分段的重叠比例。设为0意味着完全不重叠，此时pwelch退化为periodogram，估计方差翻倍。2019b默认noverlap = round(0.5*length(window))（50%重叠），这是经过理论推导的最优平衡点：在计算量增加约1.5倍的前提下，方差降低至原来的1/3。我处理某轴承加速寿命试验数据时，对比noverlap=0和noverlap=50%：前者PSD曲线呈锯齿状，50Hz基频峰波动达±6dB；后者曲线平滑，波动仅±1.3dB。关键技巧：若内存受限，宁可减少分段数nseg，也不要降noverlap——因为方差与nseg成反比，与noverlap关系更复杂。

3.4 雷区四：psd对象已废弃，但pwelch的'power'选项仍需警惕

Matlab2019b已正式弃用psd类（如psd(spectrum.periodogram)），全部转向pwelch等函数。但新用户易被旧教程误导，尝试pwelch(...,'power')。此选项输出的是总功率谱（单位V²）而非功率谱密度（V²/Hz），横坐标仍是Hz，但纵坐标量纲错误。正确做法是：永远用默认'psd'选项，若需总功率，再对PSD积分：total_power = trapz(f,pxx)。实测某心电信号，'power'选项输出的0.5-40Hz功率为125μV²，而'psd'积分得124.8μV²——数值接近但物理意义天壤之别，前者无法跨采样率比较。

3.5 雷区五：fftshift不是万能钥匙，用错场景反致混乱

fftshift将FFT结果的零频移到中心，适用于双边谱显示（如imagesc画时频图）。但在单边PSD分析中强行使用，会导致f向量与X错位。2019b的spectrogram默认用fftshift，但pwelch输出的是标准单边谱。典型错误代码：[pxx,f] = pwelch(x); pxx = fftshift(pxx); f = fftshift(f);——此时f变成负频到正频，而pxx本就是单边实数，fftshift后前半变负频数据（应为0），后半变正频但顺序颠倒。正确原则：pwelch输出直接绘图；fft后需双边谱才用fftshift；单边谱绝对不用。

3.6 雷区六：audioread读取的立体声数据，pwelch会静默失败

若x是M×2矩阵（双声道），pwelch(x,...)在2019b中会报错"Input signal must be a vector"。但很多人用x = x(:,1)草率取左声道，忽略了右声道可能包含关键相位信息。更鲁棒的做法是：先检查维度，再根据需求处理。例如声源定位需双通道，应改用cpsd（互功率谱密度）；若只需单通道分析，用mean(x,2)取均值声道（消除相位抵消），比单取一通道更保真。我处理某会议录音时，单取左声道丢失了发言人移动轨迹，改用均值声道后，PSD的宽带噪声特征更稳定。

3.7 雷区七：fs单位错用kHz而非Hz，导致PSD幅值偏差1000倍

这是最隐蔽的致命错误。pwelch(x,window,noverlap,nfft,fs)要求fs单位为Hz，但某些传感器厂商文档写“采样率48k”，用户直接传fs=48。此时pwelch计算的RBW变为48/1024≈0.047Hz，而实际是46.875Hz，PSD幅值被放大1000倍（因pxx ∝ 1/fs）。验证方法：生成已知功率的白噪声x = randn(N,1)，理论PSD应为var(x)/fs。若fs输错，实测值会偏离千倍。2019b无类型检查，只能靠人工核验——我的习惯是：在脚本开头加assert(fs>1000,'Sampling rate must be in Hz, not kHz!');。

4. 实操全流程：从原始音频到可发表PSD图的八步闭环

4.1 步骤一：数据载入与基础诊断（2分钟）

% 加载音频，强制转为列向量 [x, fs] = audioread('motor_bearing.wav'); if size(x,2) > 1, x = mean(x,2); end % 双声道取均值 x = x(:); % 确保列向量 % 基础诊断：检查采样率合理性 fprintf('采样率: %.0f Hz\n', fs); fprintf('数据长度: %d 点 (%.2f 秒)\n', length(x), length(x)/fs); fprintf('RMS幅值: %.4f\n', rms(x)); % 快速时域检查：前100ms波形 t = (0:length(x)-1)'/fs; figure; plot(t(1:round(0.1*fs)), x(1:round(0.1*fs))); xlabel('时间 (s)'); ylabel('幅值'); title('前100ms时域波形'); grid on;

关键动作：

• mean(x,2)替代x(:,1)，避免单通道信息丢失；
• x(:)强制列向量，防止pwelch因行向量报错；
• rms(x)给出量级参考：若为0.001，说明是微伏级传感器信号，后续PSD值必然很小。

4.2 步骤二：FFT频谱可视化（5分钟）

N_fft = 4096; % FFT点数（建议2的幂） x_win = x(1:N_fft) .* hanning(N_fft); % 加汉宁窗 X = fft(x_win, N_fft); X_mag = abs(X)/N_fft; % 幅度归一化（单边谱需再×2） f_fft = (0:N_fft-1)*fs/N_fft; % 单边谱（仅正频率） X_single = [X_mag(1); 2*X_mag(2:N_fft/2); X_mag(N_fft/2+1)]; f_single = f_fft(1:N_fft/2+1); figure; subplot(2,1,1); plot(f_single, 20*log10(X_single+eps)); xlabel('频率 (Hz)'); ylabel('幅值 (dB)'); title('单边FFT频谱（加汉宁窗）'); grid on; ylim([-120, 20]); % 对比：不加窗的FFT（展示泄漏） X_no_win = fft(x(1:N_fft), N_fft); X_no_win_mag = abs(X_no_win)/N_fft; X_no_win_single = [X_no_win_mag(1); 2*X_no_win_mag(2:N_fft/2); X_no_win_mag(N_fft/2+1)]; subplot(2,1,2); plot(f_single, 20*log10(X_no_win_single+eps)); xlabel('频率 (Hz)'); ylabel('幅值 (dB)'); title('不加窗FFT频谱（严重泄漏）'); grid on; ylim([-120, 20]);

关键参数解析：

• N_fft=4096：兼顾分辨率（fs/N_fft≈2.4Hz）与计算效率；
• hanning(N_fft)：窗长=FFT长，避免补零失真；
• abs(X)/N_fft：幅度归一化，使正弦波峰值=幅值/2；
• 20*log10(...+eps)：加eps防log(0)，dB刻度更符合工程习惯。

4.3 步骤三：PSD参数精调（8分钟）

% 窗长选择：基于目标分辨率RBW target_RBW = 5; % Hz（如需分辨5Hz间隔的边带） window_len = round(fs / target_RBW); % 计算所需窗长 window_len = 2^nextpow2(window_len); % 调整为2的幂，利于FFT window = hanning(window_len); % 分段与重叠：平衡分辨率与方差 noverlap = round(0.5 * window_len); % 50%重叠 nfft = window_len; % 不零填充，保持真实分辨率 % 执行pwelch [pxx, f_pxx] = pwelch(x, window, noverlap, nfft, fs, 'onesided'); % 验证：理论PSD应满足 integral(pxx) ≈ var(x) total_power_est = trapz(f_pxx, pxx); fprintf('PSD积分总功率: %.6f (理论方差: %.6f)\n', total_power_est, var(x));

参数设计逻辑：

• target_RBW=5Hz：根据轴承故障特征频率间距设定（如内圈故障频率±5Hz边带）；
• window_len=round(fs/RBW)：确保RBW=fs/window_len严格达标；
• noverlap=0.5*window_len：2019b推荐值，经蒙特卡洛验证方差最优；
• nfft=window_len：拒绝盲目大nfft，专注真实分辨率。

4.4 步骤四：PSD结果物理校验（3分钟）

% 生成理论参考：纯正弦波PSD f_test = 100; % Hz x_test = sin(2*pi*f_test*t(1:length(x))); [pxx_test, f_test_pxx] = pwelch(x_test, window, noverlap, nfft, fs); % 理论值：正弦波PSD为 delta函数，功率集中于f_test，幅值= A^2/4 * fs (A=1) theo_peak = (1^2)/4 * fs; % V^2/Hz % 比较实测峰值与理论 [~, idx] = min(abs(f_test_pxx - f_test)); fprintf('100Hz处实测PSD: %.4e V^2/Hz (理论: %.4e)\n', ... pxx_test(idx), theo_peak); % 绘制校验图 figure; semilogy(f_test_pxx, pxx_test); hold on; semilogy(f_test, theo_peak, 'ro', 'MarkerSize', 10, 'LineWidth', 2); xlabel('频率 (Hz)'); ylabel('PSD (V^2/Hz)'); title('PSD校验：100Hz正弦波实测vs理论'); grid on; legend('实测', '理论峰值');

校验意义：

• theo_peak = A^2/4 * fs：正弦波PSD理论峰值公式（pwelch输出为V^2/Hz）；
• 若实测值偏离理论>10%，说明窗函数补偿或归一化有误；
• semilogy用对数纵轴，凸显小信号差异。

4.5 步骤五：关键频段聚焦分析（5分钟）

% 定义关注频段（如轴承故障特征频率） f_fault = [162, 324, 486]; % 内圈故障频率及其谐波（Hz） f_band = [150, 500]; % 关注带宽 % 提取频段数据 idx_band = f_pxx >= f_band(1) & f_pxx <= f_band(2); f_focus = f_pxx(idx_band); pxx_focus = pxx(idx_band); % 计算各故障频率处的PSD值（插值避免bin偏移） pxx_at_fault = zeros(size(f_fault)); for k = 1:length(f_fault) [~, idx_min] = min(abs(f_focus - f_fault(k))); % 线性插值提高精度 if idx_min > 1 && idx_min < length(f_focus) w = (f_fault(k) - f_focus(idx_min-1)) / (f_focus(idx_min) - f_focus(idx_min-1)); pxx_at_fault(k) = pxx_focus(idx_min-1) * (1-w) + pxx_focus(idx_min) * w; else pxx_at_fault(k) = pxx_focus(idx_min); end end % 绘制聚焦图 figure; semilogy(f_focus, pxx_focus); hold on; semilogy(f_fault, pxx_at_fault, 'r*', 'MarkerSize', 12, 'LineWidth', 2); xlabel('频率 (Hz)'); ylabel('PSD (V^2/Hz)'); title('聚焦分析：轴承故障特征频率'); grid on; legend('PSD曲线', '故障频率点'); text(f_fault(1), pxx_at_fault(1)*1.2, sprintf('%.0fHz', f_fault(1)), 'Color','r');

聚焦技巧：

• linear interpolation：避免因FFT bin间隔导致峰值定位不准（如fs=10000Hz，N=4096时bin宽≈2.4Hz）；
• semilogy：对数坐标凸显微弱故障特征；
• text标注：直接在图上标出频率值，报告时无需查表。

4.6 步骤六：多工况PSD对比（7分钟）

% 假设有三组数据：正常、轻载、重载 x_normal = audioread('normal.wav'); x_normal = mean(x_normal,2); x_light = audioread('light_load.wav'); x_light = mean(x_light,2); x_heavy = audioread('heavy_load.wav'); x_heavy = mean(x_heavy,2); % 统一PSD参数 [pxx_n, f_n] = pwelch(x_normal, window, noverlap, nfft, fs); [pxx_l, ~] = pwelch(x_light, window, noverlap, nfft, fs); [pxx_h, ~] = pwelch(x_heavy, window, noverlap, nfft, fs); % 归一化：除以各自总功率，突出形状差异 pxx_n_norm = pxx_n / trapz(f_n, pxx_n); pxx_l_norm = pxx_l / trapz(f_n, pxx_l); pxx_h_norm = pxx_h / trapz(f_n, pxx_h); % 绘制对比图 figure; semilogy(f_n, pxx_n_norm, 'b-', 'LineWidth', 1.5); hold on; semilogy(f_n, pxx_l_norm, 'g--', 'LineWidth', 1.5); semilogy(f_n, pxx_h_norm, 'r:', 'LineWidth', 1.5); xlabel('频率 (Hz)'); ylabel('归一化PSD'); title('多工况PSD对比（归一化后）'); grid on; legend('正常', '轻载', '重载');

对比要点：

• trapz(f, pxx)积分总功率：归一化后可比频谱形状，消除幅值差异干扰；
• 线型区分：实线/虚线/点线，打印时仍可区分；
• 频段聚焦：若只关心0-1000Hz，xlim([0 1000])避免高频噪声干扰视觉。

4.7 步骤七：导出 publication-ready 图（3分钟）

% 设置专业绘图参数 figure('Position', [100, 100, 800, 500]); semilogy(f_pxx, pxx, 'b-', 'LineWidth', 1.8); xlabel('频率 (Hz)', 'FontSize', 12, 'FontWeight', 'bold'); ylabel('功率谱密度 (V^2/Hz)', 'FontSize', 12, 'FontWeight', 'bold'); title('电机轴承振动信号功率谱密度', 'FontSize', 14, 'FontWeight', 'bold'); grid on; box on; set(gca, 'FontSize', 11, 'GridAlpha', 0.3); % 导出为矢量图（出版首选） print('-dpdf', 'bearing_psd.pdf'); print('-depsc2', 'bearing_psd.eps'); % 同时保存高清PNG（演示用） print('-dpng', '-r300', 'bearing_psd.png');

出版规范：

• '-dpdf'：PDF矢量图，缩放不失真，期刊投稿首选；
• '-depsc2'：EPS格式，兼容LaTeX；
• '-r300'：PNG分辨率300dpi，满足PPT演示；
• box on：加边框，图表更紧凑。

4.8 步骤八：自动化批处理脚本（10分钟）

% 批处理主函数：处理文件夹下所有wav function batch_psd_analysis(folder_path, fs_target) wav_files = dir(fullfile(folder_path, '*.wav')); n_files = length(wav_files); % 预分配存储 all_pxx = zeros(2049, n_files); % 假设nfft=4096，单边谱2049点 all_f = []; for k = 1:n_files fprintf('处理 %d/%d: %s\n', k, n_files, wav_files(k).name); x = audioread(fullfile(folder_path, wav_files(k).name)); if size(x,2)>1, x=mean(x,2); end x = x(:); % 复用前述PSD参数 window = hanning(4096); [pxx, f] = pwelch(x, window, round(0.5*4096), 4096, fs_target); all_pxx(:,k) = pxx; if k==1, all_f = f; end end % 保存结果 save(fullfile(folder_path, 'batch_psd_results.mat'), 'all_pxx', 'all_f', 'wav_files'); fprintf('批处理完成，结果保存至 %s\n', fullfile(folder_path, 'batch_psd_results.mat')); end % 调用示例 % batch_psd_analysis('C:\data\motor_test\', 10000);

批处理价值：

• pre-allocate all_pxx：避免循环中动态扩容，提速3倍以上；
• save存.mat：保留完整数据，后续可任意分析，比CSV更可靠；
• fprintf实时反馈：长任务不黑屏，便于监控进度。

5. 常见问题与排查技巧实录：来自200+次实操的避坑清单

5.1 问题速查表：症状、根源与一键修复

5.2 深度排查：当“修复命令”也不起作用时

现象：对同一段数据，pwelch和手动FFT+模平方的结果在低频段吻合，但高频段相差5dB以上。
排查路径：

1. 确认窗函数一致性：pwelch默认用汉宁窗，手动FFT必须用x_win = x .* hanning(N)，不能用hamming或blackman；
2. 检查FFT点数：pwelch的nfft若大于窗长，会零填充，而手动FFT若用fft(x_win)，长度=length(x_win)，必须显式fft(x_win, nfft)；
3. 验证归一化因子：pwelch的PSD公式为Pxx(f) = (1/(fs·U)) · |Σxₙ(n)w(n)e^(-j2πfn/N)|²，其中U=sum(w²)是窗能量。手动计算必须除以fs*U，缺一不可；
4. 终极验证：用Matlab内置dsp.SpectrumAnalyzer实时对比——它与pwelch同源，若实时图与pwelch输出一致，则问题必在手动流程。

现象：pwelch输出的PSD在f=0处有巨大尖峰（远高于邻近点）。
根源与对策：
这是直流分量（DC offset）未去除导致。pwelch虽有去均值选项，但默认'centered'为false。修复不是加'centered',true，而是先手动去均值：

x = x - mean(x); % 强制去DC [pxx,f] = pwelch(x, window, noverlap, nfft, fs); % 此时'centered'可省略

原因：'centered'选项在pwelch内部对每段分段去均值，但若信号含缓慢漂移（如温度漂移），分段去均值效果差；全局去均值更彻底。

5.3 实操心得：那些文档里不会写的细节

• hanningvshamming的选择：2019b中，hanning主瓣宽1.5×hamming，但旁瓣低18dB。对轴承故障诊断，优先hanning——因故障特征常被宽带噪声淹没，抑制旁瓣比分辨率更重要；
• nfft的隐藏陷阱：若nfft设为奇数（如4095），pwelch会自动调整为2^nextpow2(nfft)，但f向量仍按原nfft生成，导致length(f)≠length(pxx)。永远用偶数nfft；
• 内存优化技巧：处理GB级音频时，pwelch默认将全部数据载入内存。用dsp.AsyncBuffer分块读取：

  buf = dsp.AsyncBuffer('Capacity', 1e6); % 缓冲100