基于Numpy.convolve使用Python实现滑动平均滤波的思路详解

​

1.滑动平均概念

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%20，队列的长度固定为N%20，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) %20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。N值的选取：流量，N=12；压力：N=4；液面，N=4~12；温度，N=1~4

优点： %20对周期性干扰有良好的抑制作用，平滑度高 %20适用于高频振荡的系统 

缺点： %20灵敏度低 %20对偶然出现的脉冲性干扰的抑制作用较差 %20不易消除由于脉冲干扰所引起的采样值偏差 %20不适用于脉冲干扰比较严重的场合 %20比较浪费RAM 

2.解决思路

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中本文来源gaodai$ma#com搞$$代**码)网@可以实现这些功能就更简单方便了。

喜欢 (0)赏

[搞代码]

分享 (0)