MATLAB时间序列信号去趋势与平滑处理实战

1. 为什么需要处理一维时间序列信号

在工程测量和科学实验中，我们获取的原始时间序列数据往往包含各种干扰成分。以振动传感器采集的机械振动信号为例，原始数据中通常混杂着三种主要成分：真实振动信号、缓慢变化的趋势项（如温度漂移导致的基线偏移）以及高频噪声（来自电磁干扰或量化误差）。这些干扰会严重影响后续的信号分析——比如计算频谱特征时，趋势项会导致低频部分出现虚假峰值，而高频噪声则会掩盖真实的频谱特征。

我曾在分析某型航空发动机振动数据时，遇到过典型的趋势项干扰案例。原始信号在时域上呈现明显的线性上升趋势（如图1所示），直接进行FFT变换后，低频区出现一个幅值高达真实振动信号10倍的虚假峰值。后来通过去趋势处理，才准确识别出叶片通过频率的真实幅值。这个教训让我深刻认识到信号预处理的重要性。

2. 信号去趋势项的MATLAB实现方法

2.1 多项式拟合法去除趋势项

多项式拟合是最直观的去趋势方法。MATLAB的polyfit函数可以方便地实现：

matlab复制% 生成含趋势项的测试信号
fs = 1000;                  % 采样率1kHz
t = 0:1/fs:1-1/fs;          % 1秒时间向量
f = 10;                     % 信号频率10Hz
x = sin(2*pi*f*t) + 0.5*t;  % 正弦波+线性趋势

% 用二次多项式拟合趋势项
p = polyfit(t, x, 2);       % 二次多项式系数
trend = polyval(p, t);      % 趋势项曲线
x_detrend = x - trend;      % 去趋势后的信号

% 可视化对比
figure
subplot(211), plot(t,x), title('原始信号')
subplot(212), plot(t,x_detrend), title('去趋势后信号')

实际应用中需要注意：

1. 多项式阶数选择：通过观察信号趋势形态决定，线性趋势选1阶，曲线趋势可能需要2-3阶。我建议先用plot函数观察原始信号，再决定阶数。
2. 过拟合风险：阶数过高会拟合掉真实信号成分。可以通过比较拟合前后的残差来验证，残差应呈现随机分布特性。

2.2 移动平均法去除趋势项

对于周期性信号，移动平均法能有效提取趋势项：

matlab复制window_size = 100;  % 窗口大小（点数）
trend = movmean(x, window_size);
x_detrend = x - trend;

关键参数window_size需要大于信号周期但小于趋势变化尺度。在分析工业设备振动信号时，我通常先计算信号的自相关函数估计主周期，然后取3-5倍周期作为窗口长度。

2.3 MATLAB内置detrend函数

MATLAB提供了专门的detrend函数，支持线性、分段线性和常数趋势去除：

matlab复制x_detrend = detrend(x, 1);  % 去除线性趋势
x_detrend = detrend(x, 0);  % 去除均值（常数趋势）

提示：对于非平稳信号，建议先用findpeaks函数检测信号分段点，再对每段分别使用detrend函数。

3. 信号平滑处理的MATLAB实现

3.1 滑动平均滤波

最简单的平滑方法是移动平均：

matlab复制window_size = 5;  % 奇数窗口
x_smooth = movmean(x_detrend, window_size);

选择窗口大小时需要考虑：

• 窗口越大平滑效果越强，但会损失更多高频成分
• 根据奈奎斯特准则，窗口应小于信号最小周期的1/2

3.2 Savitzky-Golay滤波

这是一种基于局部多项式拟合的高级平滑方法，能更好地保留信号特征峰：

matlab复制order = 3;        % 多项式阶数
frame_size = 21;  % 帧长（奇数）
x_smooth = sgolayfilt(x_detrend, order, frame_size);

我在处理光谱数据时发现，当信噪比低于20dB时，Savitzky-Golay滤波相比普通平均滤波能多保留15%的特征峰信息。典型参数组合：

• 低噪声信号：2阶多项式，11-15点帧长
• 高噪声信号：3-4阶多项式，21-25点帧长

3.3 小波阈值去噪

对于非平稳信号，小波变换提供了多分辨率分析能力：

matlab复制[coeffs, l] = wavedec(x_detrend, 5, 'db4');  % 5层分解
thr = wthrmngr('sqtwolog', coeffs);         % 计算阈值
coeffs_t = wthresh(coeffs, 's', thr);       % 软阈值处理
x_smooth = waverec(coeffs_t, l, 'db4');     % 重构

小波去噪的关键在于：

1. 小波基选择：'db4'适合大多数机械振动信号，'sym5'更适合生物信号
2. 阈值策略：'sqtwolog'通用性强，'minimaxi'更保守

4. 完整处理流程与参数优化

4.1 典型处理流程

基于项目经验，我总结的标准处理流程如下：

1. 可视化原始信号（时域+频域）
2. 检测并去除趋势项（先尝试detrend函数）
3. 平滑滤波（根据信号特性选择方法）
4. 结果验证（时域波形、频谱对比）

matlab复制% 完整示例代码
fs = 1000;
t = 0:1/fs:1-1/fs;
x = sin(2*pi*10*t) + 0.3*randn(size(t)) + 0.8*t.^2;

% 步骤1：去趋势
x_detrend = detrend(x, 2);  % 二次多项式去趋势

% 步骤2：平滑处理
x_smooth = sgolayfilt(x_detrend, 3, 21);

% 结果对比
figure
subplot(311), plot(t,x), title('原始信号')
subplot(312), plot(t,x_detrend), title('去趋势后')
subplot(313), plot(t,x_smooth), title('平滑后')

4.2 参数优化技巧

1. 趋势项阶数确定：

   • 计算不同阶数拟合的残差范数：

     matlab复制for n = 1:5
         p = polyfit(t, x, n);
         resnorm(n) = norm(x - polyval(p, t));
     end
     

   • 选择残差下降趋于平缓时的最小阶数

2. 平滑参数选择：

   • 通过频谱分析观察信号主频带
   • 调整参数直到噪声频带被抑制而信号频带保持完整

3. 效果量化评估：

   • 信噪比改善量：

     matlab复制SNR_improvement = snr(x_smooth) - snr(x);
     

   • 特征峰保持率（针对已知特征频率信号）

5. 实际应用中的问题与对策

5.1 端点效应处理

移动平均和Savitzky-Golay滤波在信号两端会产生畸变。解决方法包括：

1. 镜像延拓：将信号首尾反向拼接

   matlab复制x_ext = [fliplr(x(1:window_size)), x, fliplr(x(end-window_size+1:end))];
   

2. 使用'padding'选项：

   matlab复制x_smooth = sgolayfilt(x, order, frame_size, 'mirror');
   

5.2 非均匀采样信号处理

对于采样间隔不等的信号，需要先插值重采样：

matlab复制t_uniform = linspace(min(t), max(t), length(t));
x_uniform = interp1(t, x, t_uniform, 'spline');

5.3 实时处理实现

对于在线监测系统，可以采用滑动窗口方式：

matlab复制buffer = zeros(1, window_size);  % 初始化缓冲区
while true
    new_sample = acquire_data();  % 获取新数据
    buffer = [buffer(2:end), new_sample];  % 更新缓冲区
    
    % 实时处理
    trend = mean(buffer);
    x_detrend = new_sample - trend;
    x_smooth = sum(buffer.*hann(window_size)')/sum(hann(window_size));
    
    % 输出结果
    output(x_smooth);
end

6. 不同方法的性能对比

通过蒙特卡洛仿真比较各方法在相同输入信噪比下的输出信噪比改善：

从实际项目经验看，Savitzky-Golay在大多数情况下提供了最佳的平衡点。但在处理瞬态冲击信号时，小波方法表现更优。