平滑价值随着时间的推移：移动平均或更好的东西？
我正在编写一些东西，我正在从一个硬件指南针随着时间的推移一堆价值。 这个指南针是非常准确的，经常更新，结果是，如果它轻微抖动，我会得到与其邻居大不相同的奇数值。 我想要平滑这些价值观。
经过一些阅读，看来我想要的是高通滤波器，低通滤波器或移动平均。 移动平均数我可以记住，只是保留最后5个值的历史logging，或者在我刚刚使用最近值的代码中使用这些值的平均值。
我认为，这应该很好地消除这些抖动，但是这让我觉得这可能是效率很低的，这可能是适合程序员的已知问题之一，其中有一个巧妙的math解决scheme。
然而，我是那些可怕的自学成才的程序员之一，没有任何与CompSci或Math相关的正规教育。 仔细阅读，可以看出这可能是高通滤波器或低通滤波器，但是我找不到任何可以用像我这样的黑客理解的东西来解释这些algorithm对一系列值的影响，更不用说如何math作品。 例如， 在这里给出的答案在技术上确实回答了我的问题，但仅仅是对那些可能已经知道如何解决问题的人来说是可理解的。
这真是一个非常可爱，聪明的人，他可以用这个问题来解释这个问题，以及这个解决scheme是如何工作的。
如果你的移动平均线需要很长才能达到所需的平滑，而你并不需要任何特定形状的内核，那么如果你使用指数衰减的移动平均线，那么你最好：
a(i+1) = tiny*data(i+1) + (1.0-tiny)*a(i) 你selecttiny的是一个适当的常量（例如，如果你select微小= 1/1，它将有一个大小为N的窗口的平均数量，但分布在旧的点不同）。
无论如何，由于移动平均值的下一个值仅取决于前一个值和您的数据，因此您不必保留队列或任何东西。 你可以把这个想法看做是这样的：“我有一个新的观点，但是我不太相信它，所以我会保留我以前的测量结果的80％相信这个新的数据点20％“。 这就好像说：“呃，我只相信这个新点数20％，而且我会用另外4个我相信相同数量的点”，除了不是明确地采取其他4个点，而是假设你上次做的平均值是明智的，所以你可以使用你以前的工作。
如果您尝试去除偶然的奇数值，则低通滤波器是您已识别的三个选项中最好的。 例如，低通滤波器允许手动旋转罗盘引起的低速变化，同时拒绝诸如道路颠簸引起的高速变化。
移动平均线可能还不够，因为根据移动平均窗口的大小，数据中单个“blip”的效果会影响多个后续值。
如果奇数值很容易被检测到，那么使用完全忽略它们的毛刺去除algorithm可能会更好：
if (abs(thisValue - averageOfLast10Values) > someThreshold) { thisValue = averageOfLast10Values; }
这里是一个guick图来说明：
第一个图是input信号，有一个不愉快的毛刺。 第二个图表显示了10样本移动平均线的效果。 最终graphics是上述10个样本平均值和简单毛刺检测algorithm的组合。 当检测到毛刺时，使用10个样本的平均值代替实际值。
移动平均值我可以放下…但是这让我觉得这可能是相当低效的。
移动平均数实际上没有理由是低效率的。 你保留在一些缓冲区中的数据点的数量（如循环队列）。 在每个新数据点上，popup最旧的值并从总和中减去它，然后推入最新的值并将其添加到总和中。 所以每个新的数据点只需要一个popup/推送，一个加法和一个减法。 你的移动平均值总是这个移动总和除以缓冲区中的数值。
如果你从多个线程同时接收数据，它会变得有点麻烦，但是因为你的数据来自一个硬件设备，这对我来说似乎是非常可疑的。
哦，还有：可怕的自学成才的程序员团结起来！ ;）
如果使用适当的值，指数衰减的移动平均值可以只用趋势“手动”计算。 见http://www.fourmilab.ch/hackdiet/e4/了解如何使用纸笔快速做到这一点，如果你正在寻找“平滑10％的指数平滑移动平均”。; 但是既然你有一台电脑，你可能想做二进制移位而不是十进制移位;）
这样，所有你需要的是一个variables为您的当前值和一个平均值。 下一个平均值可以从中计算出来。
有一种称为距离门（range gate）的技术可以很好地适用于低出错的假样本。 假设使用上面提到的滤波器技术之一（移动平均，指数），一旦你有足够的历史（一个时间常数），你可以testing新的，传入的数据样本的合理性， 然后它被添加到计算。
需要了解信号的最大合理变化率。 将原始样本与最近的平滑值进行比较，如果该差值的绝对值大于允许的范围，则将该样本丢弃（或者用一些启发式代替，例如，基于斜率的预测;差分或来自双指数平滑的“趋势”预测值）
