Matlab线性加权滑移平均算法：精准捕捉局部小峰值

最新推荐文章于 2026-08-20 13:03:06 发布

原创最新推荐文章于 2026-08-20 13:03:06 发布 · 324 阅读

本内容遵循CC 4.0 BY-SA版权协议

matlab线性加权滑移平均算法和一般滑移平均滤波相比，数据局部峰值不会削减的很严重，更加贴近想要找到局部小峰值的应用场合提供源代码

在信号处理领域，滤波算法是处理数据不可或缺的工具。一般的滑移平均滤波虽然能对数据进行平滑处理，但在某些需要捕捉局部小峰值的应用场景中，它会将局部峰值削减得过于严重，导致重要信息丢失。而Matlab线性加权滑移平均算法在这方面就展现出了独特优势，能让我们更贴近地找到局部小峰值。

一般滑移平均滤波的局限

一般的滑移平均滤波就是简单地对一定窗口内的数据取平均值。例如，假设有一组数据 data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]，窗口大小设为3。那么第一个平均值就是 (1 + 2 + 3) / 3 = 2，第二个平均值是 (2 + 3 + 4) / 3 = 3，依此类推。这种方法虽然能平滑数据，但遇到局部峰值时，比如数据 [1, 2, 10, 3, 4]，窗口为3时，峰值10就会被大幅削弱。

Matlab线性加权滑移平均算法原理

线性加权滑移平均算法在计算平均值时，给窗口内不同位置的数据赋予不同的权重。靠近窗口中心的数据权重相对较大，边缘的数据权重较小。这样，既能够平滑数据，又能较好地保留局部峰值。

Matlab代码实现

% 生成示例数据
t = 0:0.01:1;
data = sin(2*pi*5*t) + 0.5*randn(size(t));

% 线性加权滑移平均滤波参数
windowSize = 11; % 窗口大小
weights = linspace(1, windowSize, windowSize); % 生成线性权重
weights = weights / sum(weights); % 归一化权重

filteredData = conv(data, weights, 'same');

% 绘图展示
figure;
subplot(2,1,1);
plot(t, data);
title('原始数据');
xlabel('时间 t');
ylabel('幅值');

subplot(2,1,2);
plot(t, filteredData);
title('线性加权滑移平均滤波后的数据');
xlabel('时间 t');
ylabel('幅值');

代码分析

生成示例数据：
matlab t = 0:0.01:1; data = sin(2pi5t) + 0.5randn(size(t));
这里我们生成了一个时间序列 t，从0到1，步长为0.01。同时生成一个带有噪声的正弦信号 data，噪声的标准差为0.5。这样的信号能较好地模拟实际应用中的复杂数据。
设置滤波参数：
matlab windowSize = 11; weights = linspace(1, windowSize, windowSize); weights = weights / sum(weights);
首先定义了窗口大小为11。然后使用 linspace 函数生成从1到窗口大小的线性权重数组 weights，再通过除以权重总和对权重进行归一化，确保权重之和为1。
执行滤波操作：
matlab filteredData = conv(data, weights, 'same');
使用 conv 函数对原始数据 data 和权重 weights 进行卷积操作，'same' 参数表示输出结果与输入数据 data 大小相同，从而得到滤波后的数据 filteredData。
绘图展示：