算术平均滤波法Smooth算法的python时域分析

整理电脑上的资料，翻到了很早的Smooth算法，想着现在正玩着Python，觉得再拿出来分析下：

一、Smooth算法原理

Smooth算法又叫算术平均值算法，具体算法实现有很多种，其中一种等长算法如下：

有序列XS，长度为N-1，处理完的序列为YS，则

YS[0] = XS[0];

YS[1] = 1/3(XS[0]+XS[1]+XS[2])

......

YS[i] = 1/3(XS[i-1]+XS[i]+XS[i+1])

YS[N-1] = XS[N-1];

二、不同波形的smooth算法的时域表现

考虑到常见的几种波形三角波、锯齿波、正弦波、抽样信号比较有代表性。下文以这几种信号为例进行分析。

（1）三角波和锯齿波。

取样点数为13点的三角波和锯齿波如下：

蓝色为原信号，黄色为平滑滤波后的信号，下同。

 

取样为31点的滤波图形如下：

 

对比可以看出，Smooth算法对信号突变抑制较为明显，但如果信号抽样点数不够，则信号畸变较大。另外，按照抽样定理一周期2个到4个点的做法对上文采样的Smooth算法明显裕量不够。

（2）正弦波和抽样信号

取样31点的图形如下：

 

取样61点图形如下：

结合31点和61点的图样可以清晰看出，取样点数（取样频率和信号本身的频率）对Smooth算法影响较大。抛开取样频率空谈算法没有任何意义。