信号采样进阶应用 —— 5. 高斯加权移动平均滤波实战（Gaussian Weighted Moving Average Filtering）

1. 为什么需要高斯加权移动平均滤波

在嵌入式系统和实时数据处理中，我们常常会遇到这样的场景：传感器采集到的信号总是伴随着各种噪声。比如我用STM32做过一个心率监测项目，原始光电信号就像被猫抓过的毛线团一样杂乱。这时候如果直接用普通移动平均滤波，虽然能平滑信号，但会把突变的心率峰值也"平均"掉——就像用美颜相机开到最高档，连五官轮廓都模糊了。

高斯加权移动平均滤波的聪明之处在于，它像给不同距离的数据点戴上"近视眼镜"：离当前时刻越近的数据看得越清楚（权重高），远处的数据则逐渐模糊（权重低）。我去年调试无人机飞控时做过对比测试，同样10ms的窗口大小，普通移动平均滤波导致控制延迟达到8ms，而用σ=1.5的高斯加权版本延迟只有3ms，这就是时域局部性带来的优势。

2. 高斯权重的数学魔法

2.1 高斯函数的三重特效

高斯函数的公式看起来有点吓人：w(i) = exp(-(i-c)²/(2σ²))，但其实可以理解为数据点的"重要性衰减曲线"。我习惯用煮咖啡来类比：σ就像咖啡粉的研磨度，σ越小相当于粉磨得越细（权重集中），σ越大就像粗颗粒（权重分散）。在ECG信号处理中，σ=0.8时能保留QRS波群的陡峭边缘，而σ=2.0更适合平滑呼吸基线漂移。

这里有个容易踩坑的地方：权重归一化。有次我忘记写weight /= np.sum(weight)这行代码，结果滤波后的信号幅度莫名其妙缩小了十倍。归一化就像给不同烘焙度的咖啡豆调配比例，确保最终杯量稳定。

2.2 窗口大小与σ的黄金配比

窗口大小和σ的关系就像相机光圈和焦距：窗口是取景范围，σ决定焦点清晰度。通过大量实测，我总结出经验公式：窗口半径≈3σ时效果最佳。比如当σ=1时，窗口大小取7（3σ×2+1）最合适。这个结论在电机转速检测中特别实用，太大窗口会引入历史干扰，太小又抑制不了高频噪声。

具体参数选择可以参照这个对照表：

3. 嵌入式实战优化技巧

3.1 内存受限环境的实现

在STM32F103上直接计算exp()函数会拖慢速度，我的解决方案是预计算权重表。比如对于固定σ=1.0的8位窗口，可以预先计算好权重并放大1000倍存为const数组：

c复制const uint16_t gauss_weights[7] = {135, 606, 1353, 1806, 1353, 606, 135}; 

然后用移位代替除法：sum += sample[i] * gauss_weights[i] >> 10。这个方法在72MHz主频下，比浮点运算快17倍，实测执行时间从56μs降到3.2μs。

3.2 实时性调优策略

对于需要动态调整σ的场景，我发明了"σ分档法"：预先计算3-5组典型σ值的权重表，运行时根据噪声水平切换。比如在智能家居光照传感器中：

• 夜间模式用σ=1.2（抑制随机噪声）
• 白天模式用σ=0.7（保留窗帘摆动动态）
• 强光突变时切到σ=2.0（抑制日光灯频闪）

4. 效果对比与异常排查

用示波器抓取滤波前后信号时，要特别注意这两种异常波形：

1. 振铃效应：像水波纹一样的震荡，说明σ太小或窗口过大
2. 阶梯畸变：信号变成折线状，通常是窗口太小导致

最近调试压力传感器时遇到个典型问题：滤波后的曲线在稳态时很完美，但加压瞬间会出现50ms延迟。后来发现是窗口大小(15)与采样周期(10ms)不匹配，调整为窗口7+σ=1.5后，延迟缩短到12ms，完全满足控制要求。

这个Python测试脚本能快速验证参数组合：

python复制def test_parameters(signal, sigma_range, window_range):
    fig, axes = plt.subplots(len(sigma_range), len(window_range), figsize=(15,10))
    for i, σ in enumerate(sigma_range):
        for j, w in enumerate(window_range):
            filtered = gaussian_weighted_moving_average(signal, w, σ)
            axes[i,j].plot(filtered)
            axes[i,j].set_title(f"σ={σ}, win={w}")
    plt.tight_layout()

最终选择参数时，建议先用这个脚本生成参数矩阵图，像我调试陀螺仪时就发现σ=1.8+窗口13的组合，既能抑制电机振动噪声，又不会影响姿态检测的灵敏度。