一阶低通滤波（EMA）从假设到推导：为何有效、何时失效、如何选参

在各种机器人、传感、遥操作、VR 控制系统中，我们最常见的一类信号问题是——数据在抖动。
不论是 IMU 姿态、机械臂角度，还是工业传感器输出，
你都会发现：值本身没错，但就是在高频地抖。
这种抖动的根源就是 高频噪声。

而我们最经典的“平滑工具”，就是——一阶低通滤波（Exponential Moving Average, EMA）。

这篇文章将从噪声模型假设 → 理论推导 → 数学公式 → 工程直觉 → 适用与局限 → 实践实现
六个层面，完整讲清楚这条公式背后的原理。

---

一、噪声模型：为什么会需要一阶低通？

在工业、机器人或嵌入式系统中，常见的噪声类型包括：

噪声类型	来源	特性	对应频率
白噪声 / 电气干扰	模数转换、电源纹波	零均值、相邻采样独立	高频
量化噪声	ADC 精度不足	细微跳动、无偏性	高频
传感器抖动	IMU、编码器、压力传感器	高频抖动、随机波动	高频
通信抖动	UDP/TCP 报文延迟变化	时间抖动、数值随机	高频
温漂 / 偏置漂移	低质量传感器、外界温度	缓慢、系统性漂移	低频

👉 从频率角度看，
噪声主要集中在高频部分，而真实信号往往是低频平滑变化的。

此处“频率”在信号处理中，本质上描述的是

信号变化快慢的“节奏”或“密度”。

• 低频分量 → 变化缓慢，连续平滑（如温度、姿态角、位置趋势）。
• 高频分量 → 变化剧烈、上下波动快（如随机电气噪声、抖动）。

而从时域到频域的转换，可通过傅里叶分解实现，此处仅对不太明确“频率”概念的，比如博主本人，做简单说明，详细转换不在此处展开，大致理解为什么噪声高频、真实低频即可。举个例子：

示例信号	表现	所属频率
体温（每秒变化0.01℃）	慢慢变	低频
手抖动加速度（每秒震动100次）	快速颤动	高频
机器振动叠加漂移	慢趋势+快波动	低频 + 高频混合

于是，我们希望构造一个滤波器，让它：

只保留信号中的低频部分（真实趋势），
抑制信号中的高频部分（随机抖动）。

这就是一阶低通滤波的出发点。

---

二、信号模型假设

我们假设观测到的信号为：
$$x[k]=s[k]+n[k]$$
其中：

• $s[k]$：系统真实信号（低频变化）；
• $n[k]$：测量噪声（零均值、高频变化）。

基本假设如下：

假设	说明
零均值	E[n[k]] = 0（噪声不带偏移）
高频特性	n[k] 的变化速度远快于 s[k]
相邻独立	n[k] 与 n[k−1] 不相关
信号平滑	s[k] 在相邻采样间变化幅度较小

只要满足这四条，一阶低通滤波就非常有效。

三、一阶低通滤波的思路

假设我们每次采样都拿到一个新值 $x[k]$，
但我们不想完全相信它，而是希望融合历史趋势 $y[k-1]$ 来得到一个更稳定的输出 $y[k]$：

于是我们写出最朴素的加权形式：
$$y[k]=\alpha x[k]+(1-\alpha )y[k-1]$$
其中：

• $y[k]$：滤波后的输出
• $x[k]$：当前输入（含噪声）
• $\alpha \in (0,1)$：平滑系数（也叫滤波系数）

这条简单的递推公式，就是一阶低通滤波器（EMA）。

但它不是凭空来的，而是有三种严谨的推导来源。
我们接下来一步步看清楚——为什么它科学、为什么它有效。

四、从不同角度推导一阶低通滤波

这一节是整篇文章的核心：
你将看到三种推导路径，它们分别来自统计学、物理系统、频域滤波三种思想。

---

（1）统计角度：最小化均方误差的加权估计

问题设定（最简单的一维线性融合）

把上一步的平滑结果 $y[k-1]$ 视作对 $s[k]$ 的先验估计，其误差为
$e_p=s[k]-y[k-1]$，记方差 $P=\mathrm{Var}(e_p)$。
测量方程 $x[k]=s[k]+n[k]$，噪声方差 $R=\mathrm{Var}(n[k])$。

在两者之间做线性加权：
$$y[k]=ax[k]+(1-a)y[k-1],a\in (0,1)$$
目标： 选 $a$ 最小化均方误差 $\mathrm{MSE}=\mathbb{E}[(y[k]-s[k]{)}^2]$。

展开误差：
$$\begin{array}{rl}y[k]-s[k]& =a(s[k]+n[k])+(1-a)y[k-1]-s[k]\\ & =(a-1)s[k]+(1-a)y[k-1]+an[k]\\ & =(a-1)(s[k]-y[k-1])+an[k]\\ & =(a-1)e_p+an[k]\end{array}$$
取方差（独立&零均值）：

注意此处要满足：

（A）$n[k]$ 与 $e_p$ 相互独立
（B）二者都是 零均值随机变量
（C）其方差分别为 $R=\mathrm{Var}(n[k])$、$P=\mathrm{Var}(e_p)$，且为常数或平稳可估计

有了这三个假设，才能写出：
$$\mathrm{MSE}(a)=E[(a-1{)}^2{e}_p^2+a^{2}n[k{]}^2]=(a-1{)}^{2}P+a^{2}R$$
这一步如果噪声不独立或不零均值，就不能直接相加方差

一阶条件求极小：
$$\frac{d}{da}\mathrm{MSE}=2(a-1)P+2aR=0\Rightarrow a=\frac{P}{P+R}$$
得到最优线性权重：
$$\boxed{y[k]=\underset{\alpha }{\underbrace{\frac{P}{P+R}}}x[k]+\underset{1-\alpha }{\underbrace{(1-\frac{P}{P+R})}}y[k-1]}$$

结论 ：在“先验方差 $P$”与“测量噪声方差 $R$”条件下，最小均方误差的线性解就是 EMA，$\alpha =\frac{P}{P+R}$。
直觉：测量越吵（$R$ 大）→ $\alpha$ 越小（更信历史）；信号越可能变（$P$ 大）→ $\alpha$ 越大（更信新值）。

接着给出信号模型假设的必要性分析：

假设	作用	若不满足会怎样
零均值 (E[n]=0, E[e_p]=0)	让估计在均值上无偏（即 E[y]=E[s]）	若噪声有偏（非零均值），输出将产生系统性偏差，即滤波结果会“偏离真实值”
独立性 (E[e_p n]=0)	允许误差方差直接相加：Var(ae_p + bn)=a²Var(e_p)+b²Var(n)	若相关，交叉项 (2ab,\mathrm{Cov}(e_p,n)) 会导致最优权重失真，α 不再是 P/(P+R)，甚至可能>1或<0
方差可定义且稳定	使得“权重”可解释为相对置信度	若噪声方差不稳定（时变或未知），α 失去统计意义，只能经验调参（自适应滤波才行）

实际情况可能的结果分析如下：

1、非零均值噪声（存在漂移）

假设 $n[k]=0.1+w[k]$，即观测恒偏高。

结果：
滤波输出 $y[k]$ 永远偏大约 0.1。
滤波“稳定”但不再正确——会形成长期漂移误差。

这就是为什么单独对 IMU 做 EMA 会出现姿态慢慢偏移：噪声里混了偏置（bias）。

---

2、噪声与预测误差相关（系统误差未建模）

如果 $n[k]$ 与 $e_p$ 有正相关（例如信号预测模型有残留误差、或传感器受状态相关噪声影响）：
$$E[e_{p}n[k]]\ne 0$$
则展开平方时会出现额外项：
$$\mathrm{MSE}(a)=(a-1{)}^{2}P+a^{2}R+2a(a-1)\mathrm{Cov}(e_p,n[k])$$
最优解变为：
$$a=\frac{P-\mathrm{Cov}(e_p,n[k])}{P+R-2\mathrm{Cov}(e_p,n[k])}$$
→ 如果协方差未知或符号不确定，a 的取值可能超出 (0,1)，
导致滤波放大噪声或出现发散。

这种情况在非线性系统或动态耦合系统中很常见，因此需要卡尔曼滤波显式维护协方差项。

---

3、噪声方差变化（时变或非平稳）

如果测量环境不断变化（例如 IMU 在震动中、或摄像头亮度突变），则 R 不再固定。
固定 α=const 的一阶低通无法动态响应，表现为：

• 噪声变大时 → α 应该减小（信历史多）但没变 → 结果输出抖动；
• 噪声变小时 → α 应该增大（信当前多）但没变 → 输出滞后。

这时就需要自适应低通滤波（adaptive EMA），或者让 α 随时间或加速度变化动态调整。此处实现方法要根据实际问题做适配，因此不做过多概述。

综上所述，对于符合前面信号模型假设定义的噪声，可通过寻找协方差矩阵来确定 α 值，从而使均方误差最小。后续的两种理解需要一定基础，因此仅给出推导过程，以及在该种视角下如何确定 α 是合理的。

---

（2）物理角度：一阶惯性系统的离散化

1. 什么是一阶惯性系统？

这是物理系统中最常见的一种动态形式：

“系统不会立刻响应输入，而是逐渐跟随。”

典型例子：

• 电路中的 RC 滤波器；
• 水箱液位对进水量的响应；
• 机械臂的末端跟随目标点的动作。

其连续时间方程为：
$$\tau \frac{dy(t)}{dt}+y(t)=x(t)$$
其中：

• τ：系统时间常数，决定了“反应速度”；
• x(t)：输入信号；
• y(t)：输出信号。

这方程的意思是：

输出不会立刻等于输入，而是以一定惯性（τ）缓慢逼近。

---

2. 离散化得到数字滤波公式

假设采样周期为 Δt，
连续系统每 Δt 秒更新一次。
用零阶保持（ZOH）离散化，可得：
$$\boxed{y[k]=e^{-\Delta t/\tau }y[k-1]+(1-e^{-\Delta t/\tau })x[k]}$$
定义：
$$\alpha =1-e^{-\Delta t/\tau }$$
于是：
$$\boxed{y[k]=\alpha x[k]+(1-\alpha )y[k-1]}$$
👉 意义：

• τ 越大（系统更“重”）→ α 越小 → 平滑更强；
• τ 越小（系统更“轻”）→ α 越大 → 反应更快。

这说明 EMA 完全对应于一个物理上一阶惯性响应系统。

所以这不是凭空定义，而是物理上最自然的平滑过程。

3.小算例

采样周期 Δt=0.01 s，若取 α=0.2：

• 由 $\alpha =1-e^{-\Delta t/\tau }$ 得 $\tau =\frac{\Delta t}{-\ln (1-\alpha )}\approx 0.0447$ s

• 截止频率 $f_c=\frac{1}{2\pi \tau }\approx 3.56$ Hz

• 低频近似群时延（EMA 的等效滞后）：
  $$\text{delay}\approx \frac{1-\alpha }{\alpha }\Delta t=\frac{0.8}{0.2}\times 0.01\approx 0.04\text{ s}$$

---

（3）频域角度：维纳滤波的工程近似

在信号的频率分解中：

• 低频部分代表慢变化（例如姿态角缓慢变化）；
• 高频部分代表快速波动（例如抖动噪声）。

理想的“低通滤波器”应该让低频通过、高频被削弱。

---

⚙️ 维纳近似的含义

维纳滤波（Wiener Filter）是一种“最优线性滤波”，
它假设信号和噪声的功率谱已知，
最优滤波器的频率响应为：
$$H(\omega )=\frac{S_s(\omega )}{S_s(\omega )+S_n(\omega )}$$
其中：

• $S_s(\omega )$：信号的能量分布；
• $S_n(\omega )$：噪声的能量分布。

当噪声是白噪声（即 $S_n(\omega )$ 为常数），
而信号能量集中在低频，
则这个式子的形状恰好类似于：
$$H(\omega )=\frac{1}{1+j\omega \tau }$$
这就是一阶低通滤波器的频率响应形式。

于是我们就可以用简单的一阶递推式近似维纳滤波。
EMA 正是这种近似的时域实现形式。

---

💡 四、公式物理含义与参数关系

最终我们得到的递推公式：
$$\boxed{y[k]=\alpha x[k]+(1-\alpha )y[k-1]}$$
参数 α 的含义：

参数	解释	对应关系
α	平滑系数（0~1）	越大响应越快、越灵敏
τ	系统时间常数	α = Δt / (τ + Δt)
fc	截止频率	α = (2πfcΔt) / (1 + 2πfcΔt)

根据三种推导，理解实际中的工业需求，即可使用对应的关系来选择合适的参数。

同样此处也给出直觉理解：

α值	效果	场景
0.1	平滑、滞后大	传感器长期趋势提取
0.5	平衡	普通实时平滑
0.9	灵敏、抑噪弱	高动态姿态跟踪

图像示意如下：



图像对应代码如下：

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 1️⃣ 生成信号
t = np.linspace(0, 5, 500)
true_signal = np.sin(2 * np.pi * 0.5 * t)           # 真实信号（0.5Hz）
noise = 0.4 * np.random.randn(len(t))               # 高斯噪声
x = true_signal + noise                             # 含噪信号

# 2️⃣ 定义一阶低通滤波
def ema_filter(signal, alpha):
    y = np.zeros_like(signal)
    y[0] = signal[0]
    for k in range(1, len(signal)):
        y[k] = alpha * signal[k] + (1 - alpha) * y[k - 1]
    return y

# 3️⃣ 计算不同 α 下结果
alphas = [0.2, 0.5, 0.9]
colors = ['#1f77b4', '#ff7f0e', '#2ca02c']
titles = [
    'α = 0.2：平滑强，延迟大',
    'α = 0.5：平衡，适中响应',
    'α = 0.9：灵敏快，噪声多'
]

# 4️⃣ 绘制三张独立图
for i, alpha in enumerate(alphas):
    y = ema_filter(x, alpha)
    plt.figure(figsize=(10, 4))
    plt.plot(t, x, color='gray', alpha=0.4, label='原始信号（含噪声）')
    plt.plot(t, y, color=colors[i], linewidth=2.5, label=f'滤波结果 α={alpha}')
    plt.xlabel('时间 (s)', fontsize=12)
    plt.ylabel('信号幅值', fontsize=12)
    plt.title(f'一阶低通滤波效果：{titles[i]}', fontsize=14)
    plt.legend(loc='upper right')
    plt.grid(True, linestyle='--', alpha=0.5)
    plt.tight_layout()
    plt.savefig(f'ema_alpha_{alpha}.png', dpi=200)   # 🔹自动保存为PNG文件
    plt.show()

---

🧠 五、核心滤波原理总结

EMA 本质上是一种低通权衡机制：

• 在时间域： 每次更新只让“新测量”影响一小部分结果；
• 在统计意义上： 最小化估计方差；
• 在物理意义上： 给信号加“惯性”；
• 在频域意义上： 压制高频、保留低频。

所以，这个“看似简单的叠加公式”，其实隐含了统计优化 + 物理惯性 + 频谱选择 的三重依据。

---

🧩 六、适用条件与失效边界

条件	说明
✅ 噪声特性	零均值、近白、高频、相邻样本独立
✅ 信号特性	缓慢变化（低频）
✅ 系统需求	实时性强、计算量低、易实现
❌ 低频漂移	EMA 无法抑制温漂/偏置漂移
❌ 孤立毛刺	单次极值会污染若干采样，可先用中值滤波
❌ 强相关噪声	若噪声本身有低频特征，应改用卡尔曼或互补滤波

---

⚙️ 七、工程实现示例

def ema_filter(signal, alpha, y0=0.0):
    y = y0
    output = []
    for x in signal:
        y = alpha * x + (1 - alpha) * y
        output.append(y)
    return output

若你已知期望截止频率 fc（Hz）与采样周期 Δt：

alpha = (2 * np.pi * fc * Δt) / (1 + 2 * np.pi * fc * Δt)

---

📍 八、应用举例与原因

场景	噪声来源	一阶低通的作用
VR 手柄姿态	手抖 + IMU 噪声	平滑姿态数据，消除镜头抖动
机械臂关节角	编码器电气噪声	平滑控制输入，减少伺服震动
工业传感器	ADC 量化误差	提取长期趋势，抑制微抖

总结一句话：

它适合“信号慢、噪声快”的任何场景。

---

🔍 九、与卡尔曼滤波的关系

当你把一阶随机游走模型的卡尔曼滤波展开，会得到：
$$y[k]=y[k-1]+K(x[k]-y[k-1])$$
这与 EMA 完全同形，其中 K ≈ α。
因此，EMA 可以看作 稳态卡尔曼滤波在一维白噪声模型下的简化形式。
当你知道过程噪声 Q 与测量噪声 R 时，
可以近似取：
$$\alpha =\frac{Q}{Q+R}$$

---

📘 十、总结

视角	关键词	对应解释
统计	最小化误差方差	平衡新数据与旧估计
物理	一阶惯性	输出带惯性，抗快变
频域	低通特性	保留低频，抑制高频
工程	计算极简	一行代码即可实时运行

📌 适合的信号：

高频噪声 + 低频趋势 的任何场景。

📌 不适合的信号：

低频漂移、极值毛刺、强相关噪声。

---

💬 结语

一阶低通滤波的核心不是“平均”，而是“信任的平衡”。
它让系统在稳定与响应之间找到最优解，
简单，但从未过时。