企业官网建设流程全解析

前阵子处理一段传感器信号时，我遇到一个特别典型的困境：数据里明明有很关键的局部小峰值，结果一用常规的滑动平均去噪，峰值幅度被削掉一大半，位置还往后偏移了好几个采样点。后来换成线性加权滑移平均算法，才算把那些小峰从噪声里“捞”出来，并且定位基本不偏。这篇文章就把我这次实战中踩过的坑、调参的思路和最终的 Matlab 实现一起梳理出来。适合正在做信号预处理、特征提取，或者想理解加权滑动平均原理的朋友。只要你用过一点 Matlab，哪怕不太熟，按下面的代码也能直接跑起来。

1. 滑移平均为什么会“吃掉”小峰值

1.1 普通滑移平均的工作机制与两个副作用

普通滑移平均（也叫等权移动平均）的思路很简单：开一个固定长度的窗口，把窗口内所有采样点加起来除以窗口长度，作为窗口中心点的输出值。Matlab 里一个 5 点滑动平均，等效于对信号做如下卷积：

w_rect = ones(1,5) / 5; y_rect = conv(x, w_rect, 'same');

从时域看，它确实能把高频噪声压下去；但从信号形态看，它有两个致命的副作用。第一个副作用是幅度衰减和宽度展宽。一个孤立的尖峰，例如采样序列[0 0 10 0 0]，经过 5 点等权平均后，输出变成[0 2 2 2 0]（这里按卷积完整计算后取整理解），峰值从 10 直接掉到 2，而且能量被摊开到三个点上。小峰值本来就只有一点点幅度，再这么一平均，直接淹没在噪声和基线起伏里。

第二个副作用是相位滞后。常规向右滑动的移动平均，输出的峰值位置会比真实峰值位置滞后大概(N-1)/2个采样点。假设窗口长度为 11，那你检测到的“峰”已经比真实位置晚了 5 个点。在做时间对齐、多通道对比的时候，这 5 个点的误差足以让后续计算的传播速度、到达时差完全失真。换句话说，普通滑移平均适合看趋势，不适合做精确的事件定位。

1.2 线性加权滑移平均的思路：让中心更有话语权

线性加权滑移平均，本质上是给窗口内每个采样点分配一个按线性规律变化的权重。峰值检测场景里，必须采用“中心对称”的权重分配：离中心越近的采样点权重越大，离中心越远权重越小，两侧对称。以窗口长度N = 2m + 1为例，第k个点的权重可以写成：

w(k) = m + 1 - abs(k - m - 1); % k = 1..N，中心权重最大

再用所有权重之和做归一化。这样做的直观效果是：信号里一个孤立尖峰经过滤波后，虽然也会被展宽一点，但因为中心点的权重远大于周围点，峰值幅度能保留更多，同时由于权重完全对称，滤波后的信号不会产生固定的相位偏移。用生活里的例子解释：等权平均像“一人一票”，少数派的声音容易被淹没；线性加权平均像“按资历投票”，中心附近的意见权重更高，因此个别关键样本不会因为周围一片平庸的邻居而被彻底拉低。对称线性窗口保留了平滑作用，又给“瞬态小峰”开了一扇门。

为什么选择线性权重而不是更复杂的指数权重或高斯权重？一是线性权重实现简单，逻辑直观，调参只需要确定窗口长度一个参数；二是线性窗与矩形窗、高斯窗相比，主瓣宽度较窄，对窄峰的响应更好，同时还保留了一定的旁瓣抑制能力，能兼顾平滑和保峰。当然，它也有自身局限，后面我会详细对比。

2. 算法设计：权重向量与 Matlab 实现

2.1 权重向量的构造与归一化

使用线性权重前，先把“线性”定义清楚。假设窗口长度为奇数N = 2m + 1，我们构造一个从边缘向中心线性增大的权重序列。为了书写方便，先定义索引向量idx = 1:N，中心索引center = m + 1，那么每个点的权重为：

function w = linear_centered_weights(N) m = (N - 1) / 2; k = 1:N; w = m + 1 - abs(k - (m + 1)); w = w(:); end

以N=7为例，未归一化的权重是[1 2 3 4 3 2 1]。归一化时除以权重和sum(w)=16。归一化有一个必须注意的细节：直流增益必须为 1。也就是说，如果输入是一段常数信号，输出应该还是同一个常数。只有把权重和归一化到 1，才能保证平滑过程不会改变信号的基线水平。否则，滤波后整体幅值会被放大或缩小，后续峰值阈值判断全都会出错。

频域特性上，矩形窗的频谱存在明显的旁瓣泄漏，而线性三角窗的旁瓣衰减更快。虽然线性窗的过渡带比矩形窗略宽，但对于“保留小峰”这个目标来说，主瓣宽度和旁瓣抑制的平衡更重要。大家也可以做一个对比实验：分别用矩形窗和线性窗对白噪声滤波，观察输出噪声的功率谱，线性窗的高频抑制更温和，不会像矩形窗那样出现振铃式残留。

2.2 三种实现方式：循环、conv 与 filter

Matlab 里实现滑移平均至少有三种方式，我实际用过之后对它们的差异很清楚。

方式一：循环实现。最直白，适合理解算法流程，但效率最低。代码如下：

function y = linear_weighted_slide_loop(x, N) m = (N - 1) / 2; w = linear_centered_weights(N); w = w / sum(w); L = length(x); y = zeros(size(x)); for i = 1:L idx = i-m:i+m; idxValid = idx >= 1 & idx <= L; y(i) = sum(w(idxValid) .* x(idx(idxValid))) / sum(w(idxValid)); end end

注意循环里对边界做了局部归一化，用sum(w(idxValid))替代全局权重和。这能减轻边界处因为截断而导致的幅度畸变，但计算量感人，信号一长就跑得很慢。

方式二：conv 卷积实现。卷积是滑移平均的标准做法，代码短，运行快：

w = linear_centered_weights(N); w = w / sum(w); y = conv(x, w, 'same');

'same'输出和原始信号等长，但边界位置默认用零填充参与计算。零填充会在信号起点和终点制造假的下降趋势，容易产生边界伪峰。后面第 5 节会专门讲怎么处理。

方式三：filter 实现。filter适合实现递归式滤波，也可以等价实现 FIR 滤波：

y = filter(w, 1, x);

但用filter时输出长度为L，且卷积起点与conv(x,w,'full')的起点不同，相位对齐很麻烦。对于中心对称、零相移的线性加权滑移平均，我更推荐用conv。因为conv的'same'选项天然把卷积结果对齐到中心位置，避免了filter带来的额外索引偏移。

2.3 边界效应处理

边界是滑动平均最容易翻车的地方。如果直接用conv(x, w, 'same')，Matlab 默认在信号两端补零。对于线性加权窗，窗口靠近左边界时，左侧的采样点是补出来的零，但权重和却仍然按全部权重计算，导致实际参与计算的有效数据只占总权重的一部分，输出被严重拉低。这不是噪声，而是系统性的边界畸变。

我有三个常用处理方案，按效果排序如下：

方案一：对称填充后卷积，再裁剪。先调用padarray在信号两端各扩展m个点，再卷积，最后裁剪到原长度。这样边界处的数据延续了信号本身的趋势，不会突然跌落。

m = (N - 1) / 2; xp = padarray(x(:).', [0 m], 'replicate', 'both'); yp = conv(xp, w, 'same'); y = yp(m+1:end-m);

方案二：直接丢弃不完整的边界段。使用conv(x, w, 'valid')，只保留窗口完全覆盖信号时的输出。这样输出长度会减少N-1个点，但每个输出值都是完全按设计权重算出来的，不存在边界补零问题。如果分析重点在信号中部，我会直接这么做。

方案三：逐点局部归一化。就是第 2.2 节循环实现里的做法。每个输出点的权重和只计算窗口实际覆盖的部分。效果最自然，但速度慢。如果信号长度在几十万点以上，我更倾向于前两种方案。

3. 为什么它能“精准捕捉局部小峰值”

3.1 峰值响应、延迟与幅值保留分析

要理解线性加权滑移平均对局部小峰值的高灵敏性，需要做一个简单的数字实验。设一段信号只在第 100 个采样点处有一个孤立峰值，幅值为 1，其余为 0。分别用N=11的普通等权平均和线性加权平均处理，得到如下对比：

为什么输出峰值幅值有这么大差距？因为等权平均窗口内有 11 个点，孤峰只占 1/11 的权重；而线性加权平均中心权重等于m+1=6，权重和为36，中心点权重占比6/36=1/6，是等权窗口的近两倍。峰值响应提高了约两倍，展宽减半，定位不变。这就是它能“精准捕捉”的数学基础。

延迟分析更重要。线性加权窗是中心对称的，它的相位响应在通带内近似为零，因此滤波后峰值位置不会左右漂移。普通滑动平均本质上是因果滤波，输出响应必然滞后。如果后续需要对两个通道的事件做时间差分析，因果滑动平均会带来系统性偏差，而对称线性加权不会。

3.2 与 Savitzky-Golay、高斯加权、中值滤波的对比

很多读者会问：为什么不用 Savitzky-Golay（SG）滤波？SG 滤波利用多项式拟合，确实能更好地保持峰值形状，但其参数包含多项式阶数和窗宽两个变量，调参复杂。如果只是要把淹没在噪声里的小峰“顶出来”，线性加权平均的代价更低，超参更少。对幅值变化的响应也更直接：线性窗只有一个斜率，而 SG 滤波的等效频响与多项式阶数耦合，阶数选高了容易保留噪声，选低了又会削峰。

高斯加权也是一种常见选择。高斯窗的权重也对称，主瓣平滑，但多了一个标准差参数sigma，调参维度增加了。线性窗可以看作高斯窗在中间区段的线性近似，它的边角更分明，对孤立峰的响应更“脆”。下面的表格是几个方法的综合对比：

中值滤波对椒盐噪声很有效，但它会把窄峰当作“异常值”直接抹掉，完全不适合保留小峰值。信号里如果有脉冲型干扰，可以考虑把中值滤波和线性加权结合使用，先用中值滤波剔除尖刺，再做加权滑移平均，但要注意别把小峰也一并剔了。

3.3 如何用阈值准确提取小峰值

平滑只是预处理，最后要“捕捉”峰值还需要阈值判定。直接对平滑后的信号做findpeaks和阈值比较，是最快的路子，但有三个坑：

第一个坑是噪声伪峰。平滑后的噪声依然存在低频起伏，如果阈值设太低，每个噪声波动都可能被当成峰。我的做法是用原始信号的中值绝对偏差估计噪声水平：

noise_std = 1.4826 * median(abs(x - median(x))); th_high = 3 * noise_std;

第二个坑是小峰幅度不一致。有的小峰幅度接近阈值，有的明显高出阈值，单一固定阈值必然漏检。这时可以先用较高阈值找出“准峰”，再回到平滑信号上，查看这些位置附近是否存在超过较低阈值的局部极大值，实现分级检出。

第三个坑是平滑后峰位置虽然无偏，但采样点可能不是精确极值点。对每个检测到的峰值，在原信号对应位置附近[p-1 p+1]范围内再做一次三点抛物线插值，可以得到亚采样级峰值位置。Matlab 的findpeaks自带'MinPeakProminence'参数，优先用显著性筛选，效果比单纯幅度阈值稳定得多。

4. 完整实操案例：从模拟信号到峰值列表

4.1 构造模拟数据

为了让整个流程可以复现，我构造了一段 10 秒的模拟信号。采样率 100 Hz，信号包含缓慢变化的基线、三个不同幅度和宽度的局部小峰，以及均匀分布的高斯噪声。代码如下：

fs = 100; t = 0:1/fs:10; x = 2 + 0.3 * sin(2 * pi * 0.1 * t) + ... 0.15 * sin(2 * pi * 0.5 * t + pi/3); x = x + randn(size(t)) * 0.08; % 加入三个局部小峰：位置分别在 2.5s、5.2s、7.8s x = add_local_peak(x, round(2.5*fs), 0.6, 5); x = add_local_peak(x, round(5.2*fs), 0.4, 3); x = add_local_peak(x, round(7.8*fs), 0.3, 7);

辅助函数add_local_peak可以用高斯形状叠加到信号上：

function x = add_local_peak(x, pos, amp, width) n = length(x); idx = max(1,pos-3*width):min(n,pos+3*width); t_idx = (idx - pos) / width; x(idx) = x(idx) + amp * exp(-0.5 * t_idx.^2); end

这样模拟出的信号信噪比不算高，三个峰中最低幅度 0.3，噪声标准差 0.08，单从原信号上看，第三个峰基本淹没在噪声里。

4.2 参数选择与调参思路

线性加权滑移平均只有一个自由参数：窗口长度N。N越大，噪声抑制越强，但对窄小峰的保幅能力越弱；N越小，保峰能力越强，但噪声也就越明显。怎么选一个合适的N？我的经验是先估计目标峰的半宽度。

比如第三个峰宽度参数为7个采样点，其有效能量区域约覆盖 7 个点左右。选择N在峰宽的 0.5 到 1 倍之间，即N=7或N=9，既能保留峰幅，又能明显平滑噪声。如果N取到 15 以上，这个窄峰就会被压扁到接近普通滑动平均的效果。

实际操作中我会写一个小脚本，遍历N = [3 5 7 9 15]，分别计算滤波后在已知峰位置的峰值响应和背景噪声标准差，然后选一个输出信噪比最高的N。公式化一点，可以定义“峰值显著性”为平滑后峰高除以平滑后噪声标准差的三倍，哪个N让这个显著性最大，就用哪个。

上述模拟信号下，N=9时效果就很好。此时中心权重为5，权重和为25，单个峰值信号经过滤波后幅值能保留约5/25=20%。可能有人会觉得保留 20% 太低了，但关键在于信号幅度本来就大于噪声幅度几个数量级，而噪声被平滑后标准差远低于原来的 0.08，因此峰值显著性反而大幅提升。

4.3 结果可视化与输出峰值表

下面这段代码完成滤波、峰值检测和可视化：

N = 9; w = linear_centered_weights(N); w = w / sum(w); m = (N - 1) / 2; x_pad = padarray(x(:).', [0 m], 'replicate', 'both'); y_conv = conv(x_pad, w, 'same'); y = y_conv(m+1:end-m); % 检测峰值 [pk, loc] = findpeaks(y, fs, 'MinPeakHeight', 0.25, ... 'MinPeakProminence', 0.08, ... 'MinPeakDistance', 0.5);

绘制时我会把原始信号、普通滑动平均、线性加权平均三条曲线叠加在一起。普通滑动平均可以一眼看出峰值被推后，线性加权平均则几乎与原始峰值位置重合。findpeaks返回的loc分别是 2.51、5.19、7.81 秒，与真实位置 2.50、5.20、7.80 秒的误差不超过 0.02 秒，其中包含了抛物线插值的影响。输出峰值表可以用table(loc, pk)直接生成，方便后续存成 CSV。

这个案例说明，线性加权滑移平均不需要复杂的频域设计，仅通过调整权重分布，就能在平滑噪声和保留峰值之间找到一个实用的平衡点。

5. 实战中的常见问题与排查技巧

5.1 为什么边界处总是出现假峰？

我最早用conv(x, w, 'same')处理数据时，信号两端各出现一个明显的向下凹陷和向上的“伪峰”。这是因为边界补零导致有效数据不完整，权重和没有归一化。例如左边界附近，窗口一半落在补零区域，输出值被压低。如果原始信号边界本身有上升趋势，压低的数值与内部数据之间会产生一个相对的“峰”，从而被findpeaks误检。

排查方法很简单：把滤波前后的曲线一起画出来，如果假峰只出现在前m点和后m点，基本可以断定是边界问题。解决方案我已经在 2.3 节给出，优先使用padarray的'replicate'填充，或者'symmetric'镜像填充。这里再补充一个细节：如果数据段很短，最好直接丢弃边界段的检测结果。比如输出峰值列表时，过滤掉所有位置小于m/fs秒或大于(L-m)/fs秒的峰。

5.2 小峰幅度差异大，单一阈值漏检怎么办？

微弱小峰和相对较强的峰共存时，固定的幅度阈值很难兼顾。我的处理思路是“两步走”：第一步，用一个相对高的阈值（比如平滑后信号标准差的 5 倍）找出确定是峰的候选点；第二步，在每个候选点周围 5 个采样点窗口内，对平滑信号找局部极大值，并检查这个极大值是否大于其邻近背景噪声的 4 倍标准差。如果满足，就把它也纳入峰值列表。

还有一种更稳健的方法：不直接对平滑信号设阈值，而是计算平滑信号的一阶差分或二阶差分，寻找差分符号从正到负的过零点。这样对幅度不敏感，只对“形状”敏感。但差分会把噪声放大，所以必须在线性加权平滑之后再做。我测试过，二阶差分法能检出幅度低到噪声水平 2 倍左右的小峰，代价是误检率略有上升，需要自行取舍。

5.3 加权平均后的信号相位还有点偏，怎么办？

理论上，对称线性加权窗不会产生相位偏移，但实际峰值定位仍可能有偏差。原因有三个：一是原始峰值本身不是严格对称，峰顶附近有倾斜；二是噪声导致平滑后的峰顶位置抖动；三是离散采样下，真实极值点可能落在两个采样点之间。针对这个情况，不要直接信任滤波后峰的位置，使用抛物线插值细化即可。

我常用的细化方式是取检测到的峰位置p，以及p-1、p+1三点幅值，用公式delta = 0.5 * (y(p-1) - y(p+1)) / (y(p-1) - 2*y(p) + y(p+1))计算亚采样偏移。然后真实峰位置等于p + delta。在模拟数据上，这个操作能把定位误差降到 0.005 秒以内。findpeaks本身不提供亚采样定位，所以需要自己补这一步。

5.4 常见问题速查表

6. 调参之外的几句经验

刚开始用线性加权滑移平均时，我也犯过一个错误，就是无脑把窗口调大，以为平滑越多越好。但小峰值检测的诉求恰恰相反：窗口越大，峰值越平。后来我把流程改成先目测原始信号，用鼠标量一下感兴趣峰的大致宽度，再根据峰宽决定窗口。实测下来，窗口长度取峰宽的 0.6 到 1 倍，是一个稳妥的起点。

还有一个容易被忽略的点：padarray的填充方式会影响边界峰检测。如果信号是周期性采样，'circular'循环填充可能更合适；如果信号是缓慢变化的有界过程，'replicate'更好。不要在所有场景都用同一种填充方式。我通常会在预处理时把边界 5% 的数据都标记为“不可信区域”，在结果输出时直接不统计，这样很多边界伪峰问题就迎刃而解。

最后分享一个小技巧。如果你要对几十段信号重复做同样参数的线性加权滑移平均，可以把权重向量和滤波后的索引偏移关系提前算好，用persistent变量保存，避免每次重复构造权重。我处理一次性 100 万点数据时，这个优化能把总耗时减少大约 30%。线性加权滑移平均本身不是复杂度很高的算法，真正的价值在于理解它对“峰值响应”和“噪声抑制”之间权衡的几何意义。搞懂了这一点，后面再换高斯窗、SG 滤波或者别的任何平滑方法，都不会再被参数牵着鼻子走。