java 移动平均_手把手教系列之移动平均滤波器实现

[导读]：前面一篇文章关于IIR设计的文章，还是有朋友点开来阅读。虽不知看官们的感想如何，但想着总还是有赏光一读，所以决定继续这个系列。本文来聊一聊平均滤波器，这题目咋一看非常容易。但个人觉得里面一些关键要点未必都明了，本文主要关注xx一维平均滤波器设计内在机理、应用场景。

注：尽量在每篇文章写写摘要，方便阅读。信息时代，大家时间都很宝贵，如此亦可节约粉丝们的宝贵时间。

理论理解

学习一样东西，个人建议须从三个维度进行：What Why How

这里的内容主要参考胡广书编写的<>7.5.1节，加了一些自己的理解。

提到平均滤波器，做过单片机应用开发的朋友，马上能想到将一些采样数据进行加和求平均。诚然如此，从其时域数学描述而言也很直观：

$$

\begin{align*}

y(n)&=\frac{1}{N}\sum_{k=0}^Nx(n-k)\&=\frac{1}{N}[x(n)+...+x(n-N+1)]

\end{align*}

$$

其中$x(n)$代表当前测量值，对于单片机应用而言，可以是当前ADC的采样值或者当前传感器经过一系列处理的物理量(比如在工业控制领域中的温度、压力、流量等测量值)，而$x(n-1)$表示上一次的测量值，以此类推，$x(n-N+1)$则是前第N-1次测量值。

为了揭示其更深层次的机理，这里用Z传递函数将上述公式进一步描述：

$$

\begin{align*}

H(Z)&=\frac{1}{N}\sum_{k=0}^NZ^{-N}\&=\frac{1}{N}\frac{1-Z^{-N}}{1-Z^{-1}}

\end{align*}

$$

对于傅立叶变换而言:

$$

X(\omega)=\sum_{k=-\infty}^{\infty}x(n)e^{-j\omega{n}}

$$

Z变换的本质是拉普拉斯变换的离散化形式，$Z=e^{\sigma+j\omega}=e^{\sigma}e^{j\omega}$,令$e^{\sigma}=r$,则