%20
%20
滑动平均滤波法(又称递推平均滤波法),时把连续取N个采样值看成一个队列,队列的长度固定为N,每次采样到一个新数据放入队尾,并扔掉原来队首的一次数据。(先进先出原则),把队列中的N个数据进行算术平均运算,就可获得新的滤波结果新值的选取:流量,N=12;压力:N=4,液面,N=4%20~%2012;温度,N=1%20~%204%20
优点:对周期性干扰有良好的抑制作用,平滑度高,适用于高频振荡的系统,
缺点:灵敏度低,对偶然出现的脉冲性干扰的抑制作用较差,不易消除由于脉冲干扰所引起的采样值偏差,不适用于脉冲干扰比较严重的场合,比较浪费RAM %20
%20
可以发现滑动平均滤波法计算很类似与一维卷积的工作原理,滑动平均的N就对应一维卷积核大小(长度)。
步长会有些区别,滑动平均滤波法滑动步长为1,而一维卷积步长可以自定义。还有区别就是一维卷积的核参数是需要更新迭代的,而滑动平均滤波法核参数都是一。
我们应该怎么利用这个相似性呢?其实也很简单,只需要把一维卷积核大小(长度)和N相等,步长设置为1,核参数都初始为1就可以了。由于一维卷积具备速度快,然后我们就可以使用一维卷积来实现这个功能了,快速高效。
使用深度学习框架实现这个功能是否有些大材小用了?是有些大材小用了,因为这里使用卷积的核参数不用更新,其实没必要使用复杂的深度学习框架,如果Numpy中可以实现这些功能就更简单方便了。
说干就干,经过查找发现Numpy.convolve可以实现我们想要的功能。
%20
%20<代码>%20numpy。卷积(a、v模式='全部')%20
参数:
(N)输入的一维数组
v%20(M):输入的第二个一维数组
模式:{‘满’,‘有效’,‘相同’}参数可选
“满”默认值,返回每一个卷积值,长度是N%20+%20m%20-%201,在卷积的边缘处,信号不重叠,存在边际效应。
“相同”返回的数组长度为马克斯(M,%20N),边际效应依旧存在。
“有效”返回的数组长度为马克斯(M,%20N)分钟(M,%20N)%20+%201,此时返回的是完全重叠的点。边缘的点无效。
和一维卷积参数类似,一个就是被卷积数据,v是卷积核大小。
%20
%20
运行平均值是卷积数学运算的一个例子。对于运行平均值,沿着输入滑动窗口并计算窗口内容的平均值。对于离散的1%20d信号,卷积是相同的,除了代替计算任意线性组合的平均值,即将每个元素乘以相应的系数并将结果相加。那些系数,一个用于窗口中的每个位置,有时称为卷积核。现在,N值的算术平均值是(x_1%20+%20x_2%20+……+%20x_N)/N,所以相应的内核是(1/N,%201/N,…1/N),这正是我们通过使用得到的np.ones%20((N))/N%20.%20
%20
该模式的参数np.convolve指定如何处理边缘。在这里选择了相同的模式,这样可以保证输出长度一种,但你可能还有其他优先事项。这是一个说明模式之间差异的图:
%20
1。https://stackoverflow.com/questions/13728392/moving-average-or-running-mean
