有段时间我在处理振动传感器的采样数据，目标是识别轴承磨损瞬间产生的脉冲尖峰。信号里确实有个很明显的峰值，但考虑到需要先做平滑降噪，我直接用了最常用的滑动平均（moving average）。结果跑完一看，脉冲尖峰基本消失了，剩下一个极不起眼的鼓包，峰值幅度掉了快一半。问题不是平滑本身，而是平滑的方式不对。后来换成线性加权滑移平均算法，同样的窗口长度下，局部小峰值被清晰地保留下来，噪声也压下去了。这篇文章就聊聊这个算法在Matlab里的实现思路、参数选择，以及我实测中踩到的一些坑，给做信号处理、时序分析、传感器数据预处理的同学做个参考。
1. 为什么滑动平均总会抹掉小峰值：权重摊薄的数学解释
1.1 简单滑移平均的本质是一个矩形窗
滑动平均是最朴素的平滑方法：把最近L个点相加再除以L。从滤波器角度看，它就是一个长度为L的矩形窗，窗口内每个点的权重都是1/L。也就是说，不管数据是刚刚发生的最新值，还是已经过去很久的旧值，对当前输出的贡献完全相同。
问题恰恰出在这里。如果你想捕捉的局部小峰值刚刚出现在窗口最末端，它只占总权重的一小部分。举个具体例子：窗口长度L=10时，即使信号里这个脉冲的真实幅度是基线的3倍，经过10点滑动平均后，这个脉冲对输出的贡献最多只有原始幅度的10%。如果窗口里还有其他小幅波动，这个小峰值会被彻底淹没。再加上窗口持续滑动，峰值会在连续几个采样点里被反复摊薄，视觉上就是一个矮胖的鼓包。这就是"平滑后峰值消失"的直观原因。
1.2 线性加权滑移平均的权重设计与公式
线性加权滑移平均的思路很直接：既然新数据比旧数据更值得关注，就按数据的"年龄"分配权重。窗口内最旧的数据权重为1，越新的数据权重越大，最新数据权重为L。权重序列可以写成 [L, L-1, ..., 1]（最新在前），也可以写成 [1, 2, ..., L]（最旧在前），本质相同。归一化之后，它仍然是一个有效的加权平均，所有权重之和等于 L(L+1)/2。
对当前时刻t和窗口长度L，计算公式是：
y(t) = [L·x(t) + (L-1)·x(t-1) + ... + 1·x(t-L+1)] / [L(L+1)/2]
从直观理解，它还是"平均"，只不过对最近的数据更偏心。从滤波器角度看，它把矩形窗换成了一条递减的斜线窗，频域上低通滤波的特性仍然保留，但过渡带和纹波特性发生了变化。更重要的是，这种设计让"新信息"在输出中拥有更高话语权，这正是捕捉局部小峰值所需要的特性。
1.3 两个指标直观对比：峰值保留率与噪声衰减
为了说明小峰值保留效果，我构造两个极端场景算一笔账。
场景一：信号里有一个孤立的单点脉冲，幅度A，其他位置为零。在脉冲刚出现的那一刻，简单滑动平均的输出是 A/L；线性加权滑移平均的输出是：
A·L / [L(L+1)/2] = 2A/(L+1)
两者对比如下表：
| 窗口长度L | 简单平均脉冲保留率 | 线性加权脉冲保留率 | 线性加权的相对优势 |
|---|---|---|---|
| 5 | 20% | 33.3% | 1.67倍 |
| 10 | 10% | 18.2% | 1.82倍 |
| 20 | 5% | 9.5% | 1.90倍 |
窗口越长，线性加权对峰值保留率的好处越明显。这个"峰值保留率"在做特征检测时是核心指标，因为它直接决定了峰值能不能被后续的阈值或寻峰算法看见。
场景二：纯白噪声。简单滑动平均把噪声标准差衰减为原来的 1/√L；线性加权滑移平均的噪声衰减系数是：
sqrt(1²+2²+...+L²) / [L(L+1)/2]
代入L=10，简单平均约为0.316，线性加权约为0.357。两者噪声抑制水平接近，但线性加权明显保留了更多信号幅度。相当于同样的"噪声风险"下，信号的"收益"更高，是一个相当划算的权衡。
需要说明的是，以上是单点脉冲的极限情况。如果局部峰值本身占了好几个采样点，简单平均的保留率会随着峰值实际宽度的增加而变高，差距会缩小。但方向是确定的：让新数据获得更多权重，峰值就更容易从平滑结果中露头。
2. Matlab实现：从movavg到一行卷积
2.1 有Financial Toolbox时直接用movavg
如果你的环境里安装了Financial Toolbox，最快的方式是直接用movavg函数：
x = randn(100, 1); L = 10; ma_linear = movavg(x, L, 0, 'linear');这里的第一个参数是原始序列，第二和第三个参数是一对Lead/Lag窗口长度，第四个参数指定类型为'linear'。对捕捉"当前时刻附近的局部峰值"来说，Lag设为0就足够了，意思是只看当前以及之前的L个数据点。
需要提醒的是，movavg默认的计算类型可能是指数型，所以一定要显式写上'linear'。不过这个函数通常用在金融时序分析场景中，很多人处理通用信号时不会第一时间想到它。另外，如果目标环境没有Financial Toolbox，这段代码就跑不了，所以我更推荐下面这种不依赖工具箱的写法。
2.2 不依赖工具箱：filter实现与原理
用Matlab自带的filter函数可以一行搞定线性加权滑移平均，而且完全不需要额外工具箱。先看一下filter做的事：y(i) = num(1)·x(i) + num(2)·x(i-1) + ...，这个形式恰恰就是线性加权滑移平均要的"当前点乘以最大权重、前一个点乘以次大权重"：
L = 10; w = L:-1:1; % 最新点权重L，最旧点权重1 y = filter(w, sum(w), x);sum(w)等于L(L+1)/2，就是归一化分母。filter会把每一项求和再除以这个分母，输出长度和x一致，实时流式数据也能用。这段代码的可移植性极强，任何装了Matlab的机器都能跑，是我实际项目中用的主力版本。
还有一种离线快速写法：
y = conv(x, L:-1:1, 'valid') ./ (L*(L+1)/2);conv用'valid'选项时，输出长度是N-L+1，每个输出点对应原始信号第L到第N个点，等价于把窗口完整滑过整个序列。如果需要和原数组对齐使用，要自己补前L-1个NaN。这个写法适合一次性离线验证，快速看效果。
2.3 边界对齐：三种实现的关键差异
这是最容易踩坑的地方，我在这里吃过不少亏。三种实现在边界上的处理完全不同：
- movavg：专门处理了边界，前L-1个点是基于已有数据计算的"部分窗口"结果，没有NaN，输出长度和输入一致。做整段分析时最省心。
- filter：默认初始状态为零，前L-1个点实际只用了部分输入数据，但分母仍然用的是完整权重和。结果是边界处的数值系统性偏小，看起来像是"开头被压低了一截"。
- conv + 'valid'：直接丢弃边界，输出从第L个点开始，长度最短，但边界最干净。
我的建议是：离线分析优先用movavg或conv；如果为了可移植性用filter，一定要主动把前L-1个点设为NaN或者直接忽略，不要用它们做峰值检测。
2.4 验证：合成信号上的对比测试
为了确认效果，我构造了一个包含缓慢基线、高斯脉冲和随机噪声的测试信号，代码如下：
rng(0); N = 1000; t = (0:N-1)'; x = 0.5 * sin(2*pi*0.01*t) + ... 3.0 * exp(-((t-500).^2) / 2) + ... % 高斯小峰值 0.15 * randn(N, 1); L = 10; y_simple = movmean(x, L); % 简单滑动平均 w = L:-1:1; y_linear = filter(w, sum(w), x); y_linear(1:L-1) = NaN; % 边界数据不参与比较 fprintf('原始信号峰值: %.3f\n', max(x(480:520))); fprintf('简单滑动平均峰值: %.3f\n', max(y_simple(480:520))); fprintf('线性加权滑移平均峰值: %.3f\n', max(y_linear(480:520)));我实际跑过很多次，结果稳定。原始信号里峰值大约在3.0附近；经过10点简单滑动平均，峰值幅度掉到1.0以下；改用线性加权滑移平均后，峰值能保留下来到1.3左右。也就是说，同样的窗口长度，仅仅把权重从"平权"改成"线性递减"，峰值幅度就能提高三四成。再看噪声区域，两者都被压得很平，肉眼几乎看不出区别。
后续做峰值定位时，直接对线性加权后的信号调用findpeaks，设置一个略高于噪声底的高度阈值，就能稳定把小峰值找出来。这在后续的窗口参数调整里非常有用。
3. 参数怎么定：窗口长度、峰值宽度与滞后折中
3.1 峰值保留率如何随窗口长度变化
窗口长度L是整个算法最关键的旋钮。从第1章的公式可以看出，单点脉冲的保留率是2/(L+1)，L越大保留率越低。但L太小，平滑效果就弱，噪声压不住。这里存在一个典型的折中。
如果目标峰值本身有一定宽度（比如一个高斯脉冲占了K个采样点），经验规律是：当窗口长度约为峰值宽度的1.5到3倍时，线性加权可以保留到原始幅度的50%到70%左右；一旦L超过峰值宽度的3倍，峰值幅度衰减会变得非常快，继续加大窗口就没有意义了。所以第一条准则就是：窗口长度应尽量与目标峰值宽度匹配，而不是拍脑袋选个固定值。
3.2 时间滞后：线性加权比简单平均快多少
滑动平均本质上会引入滞后，这个滞后可以用权重的一阶矩来估算。简单滑动平均的权重重心在窗口正中间，对斜坡信号的滞后约为(L-1)/2个采样点。线性加权滑移平均的权重重心偏向当前时刻，滞后约为(L-1)/3个采样点。
算一笔账：L=10时，简单平均滞后约4.5个采样点，线性加权滞后约3个采样点。也就是说，用线性加权后的峰值时刻更接近真实发生时刻。如果监控系统对报警延迟敏感，这个差异值得写进技术方案里。更重要的是，滞后减小意味着峰值"走形"也小，后续做特征提取时，峰宽、峰高这些参数更接近真实值。
3.3 一个实用流程：用小峰值检测来定窗口
我常用的定参流程是这样的：
- 先不做平滑，直接在原始信号上粗看目标峰值的宽度K，确认大概范围；
- 把L设置为K的1.5倍，运行线性加权滑移平均；
- 对比平滑前后的峰值幅度和相邻波谷：如果峰值还是太"毛"，把L往大调；如果峰被压扁了，把L往小调；
- 固定一个L之后，不要再为了画面好看频繁更改。
有条件的还可以做一个一维扫描，直观观察窗口长度对峰值幅度的影响：
Ls = 3:2:25; peak_amps = zeros(size(Ls)); for i = 1:numel(Ls) y_tmp = filter(Ls(i):-1:1, sum(Ls(i):-1:1), x); peak_amps(i) = max(y_tmp(480:520)); end plot(Ls, peak_amps); xlabel('窗口长度 L'); ylabel('峰值幅度');做出来的曲线通常是一条先平缓后陡降的线，拐点附近就是合适的L。这个方法比直接猜参数可靠得多，尤其适合数据特点不明确、需要快速探索的场景。
3.4 不同应用场景的窗口推荐
基于我自己的项目经验，整理了一张常用窗口范围表，可以当作起点：
| 应用场景 | 推荐窗口长度L | 备注 |
|---|---|---|
| 振动/加速度脉冲检测 | 5~15 | 建议先中值滤噪再做线性加权 |
| 心电/脑电特征波（QRS波、棘波） | 10~30 | 基线漂移慢，窗口可以稍大 |
| 金融收益率序列动量拐点 | 5~20 | 优先选小窗口，避免滞后太大 |
| 工业传感器趋势跟踪 | 20~50 | 主要用于趋势滤波而非峰检测 |
这张表只是经验值，真正的决定因素是采样率、目标峰值形状和噪声水平。团队里如果对参数有分歧，最好的办法就是回到3.3的扫描流程，用数据说话。
4. 实战中的坑与延伸：噪声尖峰、边界效应、实时流式
4.1 边界数据不可直接用于峰检测
第2.3节提过，filter输出的前L-1个点相当于"部分窗口+完整归一化"，数值系统性偏小。我实际踩过这个坑：一段数据的开头有一个起始脉冲，用findpeaks怎么都找不到，后来打印前几个输出点才发现，第一个点的数值只有正常状态的18%左右。
处理办法有三种：
- 主动把前L-1个点设为NaN，后续任何分析直接跳过；
- 用movavg函数处理边界；
- 对数据做重叠切片，每段往前多取L-1个点，分析完再丢弃前半段。
边界问题的本质是窗口内数据不足L个点时，平均结果没有足够的统计意义。不能因为某个现成函数"看起来没报错"就忽略边界，峰检测这种任务里，边界错误经常导致漏检。
4.2 噪声尖峰反而会被"优待"：建议配合中值滤波
线性加权对"真实峰值"和"噪声尖峰"的判断并不智能。只要一个突变点落在窗口最新位置，它就能拿到最高的权重，输出会明显跳一下。换句话说，线性加权会放大高频突变的可见性。如果做异常检测，噪声尖峰可能变成误报。
我的做法是两步走：
- 先用medfilt1对原始信号做中值滤波，窗口取3~5个点，把孤立的噪声尖峰去掉；
- 再用线性加权滑移平均做平滑和峰值增强。
中值滤波对孤立尖峰特别有效，因为只看窗口内排序后的中位数，一个异常点不会改变中位数。线性加权再对整理后的信号做加权平均，既能保留局部小峰值，又不会把噪声尖峰放大。这个组合我在振动数据和心电数据上都验证过，效果比单用任何一种都稳定。
4.3 实时流式数据的filter状态维护
filter版本很适合实时流式处理：每个新样本进来，只需要更新内部状态。具体写法是把滤波状态变量透传下去：
L = 10; w = L:-1:1; den = sum(w); [y, zf] = filter(w, den, x_new, zi); zi = zf; % 每次更新状态第一次调用时不传zi，默认初始状态为0。系统刚启动时的前L个点仍然有边界效应，建议做一个预热段，前L个点只累计不判定，等窗口填满了再开始做峰值检测。filter默认使用双精度浮点状态，长时间运行精度没有问题。
另外，如果你在Simulink里做嵌入式代码生成，filter也能顺利生成对应的C代码，只是要注意输入数据类型尽量统一成形，避免自动引入额外的类型转换开销。
4.4 其他加权滑移平均的适用场景：三角形与指数型
线性加权只是"越新越重要"的一种实现方式。实际工程中还会用到另外两种：
- 三角形加权：窗口中间权重最大，两头小。它更像"以窗口中心为参照的加权平均"，适合数据在一个窗口内相对平稳、你想突出中心状态而不是最新状态的场景，比如光谱数据的局部平滑。
- 指数加权：权重按指数规律衰减，对近期数据最敏感，但理论上没有窗口边界，所有历史数据都会以衰减形式参与。实时流式处理非常方便，因为只需要保存一个累加状态，但参数衰减因子的可解释性不如线性权重直观。
选型逻辑可以根据需求来定：需要明确窗口边界、希望权重可解释，选线性；做无限记忆的递推平滑，选指数；想在窗口内突出中心对称特征，选三角形。我大部分峰值检测场景都选线性，因为它把"时间性"和"可控窗口"结合得最好。
4.5 扩展：多尺度滑移平均或两级套用
最后一个思路：不要只用一组窗口。如果目标峰值宽度在不同时间尺度上变化，比如一会儿是窄脉冲，一会儿是宽缓波包，可以同时跑几组不同L的线性加权滑移平均，然后取它们的逐点最大值或交集。计算量也不算大，本质上就是多跑几次filter。
我自己的做法是两级方案：L1=5负责宽带信号，L2=15负责窄峰信号，然后取两组输出的逐点最大值。这样窄峰不会被L2拖垮，宽峰也不会被L1切碎，多数情况都能覆盖到。这个做法在"局部小峰值捕捉"任务里，比死磕一个窗口参数省心得多。
最后说点个人体会：线性加权滑移平均不是什么高深算法，但它的核心思想——让新数据比旧数据更有发言权——几乎适用于所有时序平滑任务。在我的项目里，"从还算平滑变成既平滑又保真"只是改了一行权重代码，代价几乎为零。如果你也在被"平滑后峰值消失"困扰，建议先别急着把窗口调小，试着把简单平均换成线性加权，再配合中值滤波，大多数情况下会比你想的更管用。
