滑窗算法笔记

---

作者：ShownSun
工作室：时沿科技

---

滑窗算法笔记

平滑算法

  m:平滑宽度（通常为奇数）；

  n:信号中点的总数；

降噪

  D：原始信号中噪声的标准差，第一次滑窗后噪声的标准差D/sqrt（m），阶跃响应时间等于平滑宽度除以采样率，三次滑窗后噪声的标准差Dx0.7/sqrt(m);第一次三角平滑后噪声的标准差Dx0.8/sqrt(m)；

  一个m宽度的平滑n次会得到一个合并的平滑宽度n*m-n+1；多次平滑处理会更有效地衰减掉高频噪声，但会减缓步进响应；

  Savitzky-Golay平滑基于多项式对数据段的最小二乘拟合；对比相同m宽度滑窗平滑，Savitzky-Golay平滑在减小噪声方面不是很有效，但是更有效的保持原始信号形状，另外计算时间较长和占用内存比较多；

噪声的频率分布

  对于不同噪声降噪效果，原始信号的噪声的标准差为1；

Original unsmoothed noise	1
Smoothed white noise	0.1
Smoothed pink noise	0.55
Smoothed blue noise	0.01
Smoothed red (random walk) noise	0.98

结尾效果和丢失点问题

  一般来说，m宽度的平滑窗口，在开始处会有（m-1）/2个点，在信号结束处也会有（m-1）/2个点，无法计算出完整的m宽度的平滑。有两种方法解决：

  一种是接受点数的丢失，将这些点修剪掉或者在平滑过程中使用0代替;

  一种是在信号的末端逐步使用更小的平滑。

  平滑宽度越大，降噪效果越好，同时信号被平滑操作扭曲的可能性也越大。平滑宽度的最佳选择取决于信号的宽度和形状以及数字化间隔。对于峰值信号，关键因素是平滑比，即平滑宽度m与峰半宽度点数之比。

  一般而言，增加平滑比可以改善信噪比，但会导致峰值振幅的降低和带宽的增加。由于平滑比增加，窄峰的峰值畸变效用（峰高降低和峰宽增加）更大。如果保持峰值的形状比优化信噪比更重要，那么Savitzky-Golay比滑动平均平滑更有优势。

平滑问题

  平滑确实使信号更平滑，也确实降低了噪声的标准偏差，但这是否有助于更好的测量取决于具体情况。不要仅仅因为一点平滑就认为越多越好。

优化平滑

  随着平滑宽度的增加，平滑比增加，噪声先减小的快，再减小的慢，峰高也减小，先减小的慢，再减小的快，峰高也减小，先减小的慢，再减小的快。噪声的降低取决于平滑宽度、平滑类型和噪声颜色，但峰高的降低也取决于峰宽。结果是，信噪比（噪声标准差的峰值高度,峰值高度/噪声标准差）先迅速增大，然后达到最大值。

  最好的平滑比，取决于测量峰值的目的。如果最终目的是测量峰高或峰宽，应使用低于0.2的平滑比，最好使用Savitzky-Golay平滑。如果测量的是目的是测量峰值的位置，那么可以使用更大的平滑比。最佳的信噪比对应的是一个明显扭曲峰值的平滑比，这就是为什么曲线拟合未经平滑的数据通常是测量峰值位置、高度和宽度的首选方法。峰面积不会因为平滑而改变，除非它改变了对峰开始和结束的估计。

使用平滑的原因

  1. 视觉需求；

  2. 存在高频噪声（蓝色），但不影响低频信号位置高度宽度等；

  3. 后期需要分析处理，例如测量拐点等（未经平滑数据最好使用最小二乘法进行分析）；

什么时候不应该平滑信号

  1. 平滑不会显著提高参数测量的准确性（由最小二乘法测量）；

  2. 平滑算法有所折损，涉及部分信号的形状和幅值的变化；

  3. 平滑信号会严重低估误差的代数传播计算；

处理峰值和异常值

  窄的尖峰和异常值，使用中间过滤器取代信号周围m相邻点，可以完全消除狭窄的尖峰。使用killspike.m在信号点尖峰前后进行线性插值进行修补来定位和消除尖峰。

替代平滑的方法

  计算信号的平均值，但是应用于重复信号的噪声，最大的优点就是所有频率上噪声都降低了，而不仅仅是平滑高频噪声（用于信号或者基线漂移）。

压缩过量采集的信号

  每n个点取平均作为采样值，类似于平滑处理。