[開發技巧]·Python極簡實現滑動平均濾波（基於Numpy.convolve）

[開發技巧]·Python極簡實現滑動平均濾波（基於Numpy.convolve）

​

1.滑動平均概念

滑動平均濾波法（又稱遞推平均濾波法），時把連續取N個採樣值當作一個隊列 ，隊列的長度固定爲N ，每次採樣到一個新數據放入隊尾,並扔掉原來隊首的一次數據.(先進先出原則)  把隊列中的N個數據進行算術平均運算,就可得到新的濾波結果。N值的選取：流量，N=12；壓力：N=4；液麪，N=4~12；溫度，N=1~4 

優勢：  對週期性干擾有良好的抑制做用，平滑度高  適用於高頻振盪的系統  

缺點：  靈敏度低  對偶然出現的脈衝性干擾的抑制做用較差  不易消除因爲脈衝干擾所引發的採樣值誤差  不適用於脈衝干擾比較嚴重的場合  比較浪費RAM  

 

2.解決思路

能夠發現滑動平均濾波法計算很相似與一維卷積的工做原理，滑動平均的N就對應一維卷積核大小（長度）。

步長會有些區別，滑動平均濾波法滑動步長爲1，而一維卷積步長能夠自定義。還有區別就是一維卷積的核參數是須要更新迭代的，而滑動平均濾波法核參數都是一。

咱們應該怎麼利用這個類似性呢？其實也很簡單，只須要把一維卷積核大小（長度）和N相等，步長設置爲1，核參數都初始爲1就能夠了。因爲一維卷積具有速度快，而後咱們就可使用一維卷積來實現這個功能了，快速高效。

使用深度學習框架實現這個功能是否有些大材小用了？是有些大材小用了，由於這裏使用卷積的核參數不用更新，其實不必使用複雜的深度學習框架，若是Numpy中能夠實現這些功能就更簡單方便了。

說幹就幹，通過查找發現Numpy.convolve能夠實現咱們想要的功能。

 

3.Numpy.convolve介紹

numpy.convolve(a, v, mode=‘full’)
參數：
　　　　a:(N,)輸入的一維數組
　　　　v:(M,)輸入的第二個一維數組
　　　　mode:{‘full’, ‘valid’, ‘same’}參數可選
　　　　　　‘full’　默認值，返回每個卷積值，長度是N+M-1,在卷積的邊緣處，信號不重疊，存在邊際效應。
　　　　　　‘same’　返回的數組長度爲max(M, N),邊際效應依舊存在。
　　　　　　‘valid’ 　返回的數組長度爲max(M,N)-min(M,N)+1,此時返回的是徹底重疊的點。邊緣的點無效。

和一維卷積參數相似，a就是被卷積數據，v是卷積核大小。

 

4.算法實現

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

原理說明

運行平均值是卷積數學運算的一個例子。對於運行平均值，沿着輸入滑動窗口並計算窗口內容的平均值。對於離散的1D信號，卷積是相同的，除了代替計算任意線性組合的平均值，即將每一個元素乘以相應的係數並將結果相加。那些係數，一個用於窗口中的每一個位置，有時稱爲卷積核。如今，N值的算術平均值是(x_1 + x_2 + ... + x_N) / N，因此相應的內核是(1/N, 1/N, ..., 1/N)，這正是咱們經過使用獲得的np.ones((N,))/N。

邊緣處理

該mode的參數np.convolve指定如何處理邊緣。在這裏選擇了same模式，這樣能夠保證輸出長度一種，但你可能還有其餘優先事項。這是一個說明模式之間差別的圖：

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()

​

5.參考

1.https://stackoverflow.com/questions/13728392/moving-average-or-running-mean