指数移动平均（Exponential Moving Average, EMA）详解

指数移动平均是加权移动平均的一种特殊形式，它对历史数据的权重呈指数衰减：越新的数据权重越大，越老的数据权重越小。
这使得 EMA 对近期变化响应更快，同时计算量极低（只需一次乘法 + 一次加法），适合实时嵌入式系统、传感器去噪、姿态融合、金融K线等场景。

核心公式（KaTeX）

[
EMA_t = \alpha \cdot x_t + (1 - \alpha) \cdot EMA_{t-1}
]

其中：

• ( x_t )：当前时刻原始采样值
• ( \alpha )：平滑因子（0 < α ≤ 1），越大越重视新数据
• ( EMA_{t-1} )：上一次 EMA 值（初始值通常取 ( x_0 ) 或简单平均）

α 的常见计算方式（按周期 N）：
[
\alpha = \frac{2}{N + 1}
]

• N=5 → α≈0.333（最近数据权重约33%）
• N=10 → α≈0.182
• N=20 → α≈0.095（更平滑）

等价递归形式（更常用）：
[
EMA_t = EMA_{t-1} + \alpha \cdot (x_t - EMA_{t-1})
]

EMA vs 简单移动平均（SMA）的本质区别

项目	EMA	SMA（简单移动平均）
权重	指数衰减（新数据权重最高）	均匀权重
对突变的响应	更快（滞后 ≈ 1/α）	滞后 ≈ (N-1)/2 个采样点
历史记忆	无限（但老数据权重趋近0）	严格只看最近 N 个点
计算量	O(1)（只需上次结果）	O(N)（每次都要重新求和）
相位延迟	小	固定且较大
典型应用	姿态融合、电池SOC、实时趋势	温度/压力等极慢变信号

优点：

• 实时性极高（嵌入式单片机只需 2 行代码）
• 对白噪声抑制好，同时保留趋势
• 初始值收敛快（几周期后就稳定）

缺点：

• 对尖峰脉冲噪声（盐椒噪声）敏感（会把尖峰“拉”进趋势）
• α 调不好会过冲或响应太慢

C# 极简实现（推荐直接复制）：

public class EMAFilter
{
    private double ema;
    private readonly double alpha;

    public EMAFilter(double period = 10)
    {
        alpha = 2.0 / (period + 1);
        ema = 0; // 第一次用 rawValue 初始化
    }

    public double Update(double newValue)
    {
        if (Math.Abs(ema) < 1e-9) ema = newValue; // 首次初始化
        ema = alpha * newValue + (1 - alpha) * ema;
        return ema;
    }
}

---

中值滤波算法（Median Filter）详解

中值滤波是非线性滤波器，专门针对脉冲噪声（盐椒噪声、尖峰干扰）设计。它不做平均，而是把窗口内数据排序后取中间值，因此能完全剔除极端异常值，同时完美保留信号边沿（阶跃、方波）。

算法步骤

1. 取当前时刻前后共 2k+1 个数据（奇数窗口长度，常见 3、5、7）
2. 对这 2k+1 个数进行排序
3. 输出排序后的中间值（第 k+1 个）

窗口长度为 5 的示例如下（假设原始序列含一个大尖峰）：
原始窗口：[10, 12, 50, 11, 13]
排序后：[10, 11, 12, 13, 50]
→ 中值 = 12（完美剔除 50）

数学表达

[
y[n] = \text{median}{ x[n-k], \dots, x[n], \dots, x[n+k] }
]

C# 实现（窗口长度可配置）：

public class MedianFilter
{
    private readonly double[] buffer;
    private readonly int windowSize; // 必须为奇数
    private int index = 0;

    public MedianFilter(int size = 5)
    {
        windowSize = size;
        buffer = new double[size];
    }

    public double Update(double newValue)
    {
        buffer[index] = newValue;
        index = (index + 1) % windowSize;

        // 复制 + 排序（小窗口效率极高）
        double[] sorted = (double[])buffer.Clone();
        Array.Sort(sorted);
        return sorted[windowSize / 2];
    }
}

---

中值滤波对比分析（2025–2026 工程视角）

以下表格把中值滤波与前面讲过的几种主流滤波器做全面对比（针对传感器数据：IMU、Vce、温度、压力等）：

滤波器类型	噪声类型最擅长	边沿/阶跃保留能力	计算量（单次）	延迟	对白噪声抑制	对脉冲噪声抑制	典型应用场景	推荐场景优先级（传感器）
中值滤波	盐椒/脉冲/尖峰	★★★★★（最佳）	O(N log N)	(N-1)/2	★★	★★★★★	编码器、超声、激光、Vce异常剔除	★★★★★（有尖峰时首选）
简单移动平均	白噪声/高斯噪声	★★	O(N)	(N-1)/2	★★★★	★★	温度、液位、慢变信号	★★★☆
指数移动平均	白噪声 + 趋势提取	★★★	O(1)	≈1/α	★★★★	★★	IMU 融合、SOC、实时趋势	★★★★★（计算资源紧张）
Kalman/EKF	多传感器融合 + 动态模型	★★★★	O(状态维度²)	极小	★★★★★	★★★★	无人机、机器人、自动驾驶	★★★★★（高精度需求）
Madgwick/Mahony	IMU 噪声 + 漂移	★★★★	O(1)	极小	★★★★	★★★	9轴姿态融合	★★★★★（姿态专用）

中值滤波独有优势：

• 完全免疫极端异常值（只要窗口内异常值不超过一半，就不会影响输出）—— 这是 EMA/SMA/Kalman 都做不到的
• 边沿无模糊（阶跃信号几乎零延迟保留）—— 适合位置、距离、开关信号
• 实现最简单（排序 + 取中位数）

中值滤波局限：

• 对白噪声（随机抖动）抑制较弱（输出仍会小幅抖）
• 计算量比 EMA 大（但窗口 5~7 时单片机完全无压力）
• 不适合需要“趋势预测”的场景（EMA/Kalman 更优）

组合使用推荐（工业最优实践）：

1. 先中值滤波（窗口 5）→ 剔除尖峰
2. 再接 EMA（N=10）→ 平滑剩余白噪声
3. 最后可选 Kalman 做多传感器融合

实际测试建议（针对你之前的 Vce 数据）：

• 中值滤波（窗口 5）对 0、-1、0.2、0.11 这类极端值一次性剔除，输出直接稳定在 0.45
• EMA（α=0.2）也能稳定，但如果出现连续 3 个 0，会轻微拉低趋势
• 结论：有明显脉冲噪声时优先中值；纯白噪声 + 需要极低计算量时选 EMA

你现在是想把这些滤波器应用到 VceSat / IMU / 温度哪个场景？
需要我给你中值 + EMA 级联 C# 代码、窗口长度自动推荐公式，还是与你之前 FilterVceAndUpdate 的融合版？随时告诉我，我立刻给出完整可运行实现！