理解指数移动平均(ema)

浅谈 ema 中我给出了一个指数移动平均的自然解释，但还是不够自然，如果把 $V_n=(1-\beta )\ast V_{n-1}+\beta \ast C$ 变个形式：

$V_n=V_{n-1}+\beta \ast (C-V_{n-1})$

其中 C - Vn-1 可理解为误差，这是个典型纠错式，在估值 Vn-1 的基础上加上误差。采样值 C 本身就有噪声，这误差是个估计误差，乘以系数 beta 可抗噪。

如果当前采样 C 是个噪点，系数 beta < 1 将它的影响压缩，如果 C 正常采样，beta 将延后 V 收敛到均值，因此 beta 越小，抗噪能力越强，滞后性越大。

直观上，如果 C 无噪声，需要 1 / beta 的时间能收敛到均值。将迭代式展开后，n 趋向无穷大时，所有 n 个采样的综合影响力为：

$\beta +\beta \ast (1-\beta {)}^1+\beta (1-\beta {)}^2+...=\beta \ast (1+(1-\beta {)}^1+(1-\beta {)}^2+...)=\beta \ast \frac{1}{\beta }=1$

一切归一，收敛结束后，正好 1 / beta 次 beta 倍误差缩放。

这还可作为设置 beta 的指导。全部权重中，第 n 项后的所有权重之和为：

$\beta \ast ((1-\beta {)}^n+(1-\beta {)}^{n+1}+...)=\beta \ast (1-\beta {)}^n(1+(1-\beta )+(1-\beta {)}^2+...)=(1-\beta {)}^n$

如果只要保留 30% 的权重，只要 $(1-\beta {)}^n=0.7$ 即可，因此 $\beta =1-e^{\frac{\ln 0.7}{n}}$，剩下的就看影响周期了。

和普遍的 ema 式子的理解方式侧重于衰减不同，用缩放误差表示的式子展示了另一种校准的过程，因此在整个过程中，不光关注采样值，还可以调整误差缩放系数 beta 本身，比如，在 tcp(or 别的可靠传输协议) retrans 阶段，将 srtt 的 beta 调大以提高灵敏度。

浙江温州皮鞋湿，下雨进水不会胖。