[开发技巧]·Python极简实现滑动平均滤波（基于Numpy.convolve）

[开发技巧]·Python极简实现滑动平均滤波（基于Numpy.convolve）

​

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个采样值当作一个队列 ，队列的长度固定为N ，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)  把队列中的N个数据进行算术平均运算,就可得到新的滤波结果。N值的选取：流量，N=12；压力：N=4；液面，N=4~12；温度，N=1~4 

优势：  对周期性干扰有良好的抑制做用，平滑度高  适用于高频振荡的系统  

缺点：  灵敏度低  对偶然出现的脉冲性干扰的抑制做用较差  不易消除因为脉冲干扰所引发的采样值误差  不适用于脉冲干扰比较严重的场合  比较浪费RAM  

 

2.解决思路

能够发现滑动平均滤波法计算很相似与一维卷积的工做原理，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，而一维卷积步长能够自定义。还有区别就是一维卷积的核参数是须要更新迭代的，而滑动平均滤波法核参数都是一。

咱们应该怎么利用这个类似性呢？其实也很简单，只须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就能够了。因为一维卷积具有速度快，而后咱们就可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，由于这里使用卷积的核参数不用更新，其实不必使用复杂的深度学习框架，若是Numpy中能够实现这些功能就更简单方便了。

说干就干，通过查找发现Numpy.convolve能够实现咱们想要的功能。

 

3.Numpy.convolve介绍

numpy.convolve(a, v, mode=‘full’)
参数：
　　　　a:(N,)输入的一维数组
　　　　v:(M,)输入的第二个一维数组
　　　　mode:{‘full’, ‘valid’, ‘same’}参数可选
　　　　　　‘full’　默认值，返回每个卷积值，长度是N+M-1,在卷积的边缘处，信号不重叠，存在边际效应。
　　　　　　‘same’　返回的数组长度为max(M, N),边际效应依旧存在。
　　　　　　‘valid’ 　返回的数组长度为max(M,N)-min(M,N)+1,此时返回的是彻底重叠的点。边缘的点无效。

和一维卷积参数相似，a就是被卷积数据，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

运行平均值是卷积数学运算的一个例子。对于运行平均值，沿着输入滑动窗口并计算窗口内容的平均值。对于离散的1D信号，卷积是相同的，除了代替计算任意线性组合的平均值，即将每一个元素乘以相应的系数并将结果相加。那些系数，一个用于窗口中的每一个位置，有时称为卷积核。如今，N值的算术平均值是(x_1 + x_2 + ... + x_N) / N，因此相应的内核是(1/N, 1/N, ..., 1/N)，这正是咱们经过使用获得的np.ones((N,))/N。

边缘处理

该mode的参数np.convolve指定如何处理边缘。在这里选择了same模式，这样能够保证输出长度一种，但你可能还有其余优先事项。这是一个说明模式之间差别的图：

import numpy as np
import matplotlib.pyplot as plt

def np_move_avg(a,n,mode="same"):
    return(np.convolve(a, np.ones((n,))/n, mode=mode))

modes = ['full', 'same', 'valid']
for m in modes:
    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://stackoverflow.com/questions/13728392/moving-average-or-running-mean