本文主要介绍了移动平均滤波的Python极简实现(基于Numpy.convolve)的知识，很不错，有一定的参考价值。有需要的朋友可以参考一下。

1.滑动平均概念

滑动平均滤波法(也称递归平均滤波法)，当取N个连续的采样值作为一个队列时，队列的长度固定为N，每采样一个新的数据就放在队列的末尾，队列头的原始数据被扔掉。(先进先出原则)通过对队列中的N个数据进行算术平均，可以得到新的滤波结果。n的选择：流量，n=12压力：n=4；液位，n=4 ~ 12温度，N=1~4

优点：对周期性干扰抑制效果好，平滑度高，适用于高频振荡系统。

缺点：灵敏度低，对偶发性脉冲干扰抑制效果差，难以消除脉冲干扰造成的采样值偏差。不适合脉冲干扰严重的场合，浪费RAM。

2.解决思路

可以发现，滑动平均滤波法的计算与一维卷积的工作原理非常相似，滑动平均n对应的是一维卷积核的大小(长度)。

步长会有一些差异。滑动平均滤波方法的滑动步长为1，而一维卷积步长可以自定义。另一个区别是一维卷积的核参数需要更新迭代，而滑动平均滤波方法的核参数都是一个。

我们应该如何利用这种相似性呢？其实也很简单。只要让一维卷积核的大小(长度)等于N，设置步长为1，所有的核参数初始都是1。因为一维卷积速度快，那么我们就可以用一维卷积来实现这个功能，速度快，效率高。

用深度学习框架来实现这个功能是不是大材小用？大材小用了，因为这里用的卷积的核参数不需要更新。其实没必要用复杂的深度学习框架。如果能在Numpy中实现这些功能，那就更简单方便了。

去做吧。经过搜索，我们发现Numpy.convolve可以实现我们想要的功能。

3.Numpy.convolve介绍

numpy.convolve(a，v，mode='full ')

参数：

A:(N，)一维输入数组

V:(M，)输入的第二个一维数组

模式：{ '完整'，'有效'，'相同' }参数是可选的。

默认值“完整”，返回每个卷积的值。长度为NM-1。在卷积的边缘，信号不重叠，存在边际效应。

' ' same '返回的数组长度是max(M，N)，边际效应依然存在。

由“valid”返回的数组的长度是max(M，N)-min(M，N) 1，在这种情况下，它返回完全重叠的点。边缘的点无效。

类似于一维卷积参数，A是卷积数据，V是卷积核大小。

4.算法实现

def np_move_avg(a，n，mode='same '):

return(np.convolve(a，np.ones((n，)/n，mode=mode))

原理说明

移动平均是卷积数学运算的一个例子。对于运行平均值，沿输入滑动窗口并计算窗口内容的平均值。对于离散1D信号，卷积是相同的，只是不是计算任何线性组合的平均值，而是将每个元素乘以相应的系数，并将结果相加。这些系数，窗口中的每个位置一个，有时被称为卷积核。现在，n值的算术平均值是(x_1 x_2.x_N)/N，所以对应的核是(1/N，1/N，1/N)，这正是我们用NP得到的。个((n，))/n。

边缘处理

此模式的参数np.convolve指定如何处理边。这里选择了相同的模式，可以保证一个输出长度，但是你可能有其他的优先级。这张图说明了模式之间的差异：

将numpy作为np导入

将matplotlib.pyplot作为plt导入

def np_move_avg(a，n，mode='same '):

return(np.convolve(a，np.ones((n，)/n，mode=mode))

modes=['完整'，'相同'，'有效']

对于模式中的m:

PLT . plot(NP _ move _ avg(NP . ones((200，))，50，mode=m))；

plt.axis([-10，251，-.1，1.1])；

plt.legend(modes，loc=' lower center ')；

plt.show()

5.参考

1.https://stack overflow . com/questions/13728392/移动平均线或移动平均数

总结

以上是边肖介绍的Python实现滑动平均滤波的思想的详细说明(基于Numpy.convolve)。希望对你有帮助。如果您有任何问题，请给我留言，边肖将及时回复您！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。