1. 一个公式两个名字到底在聊同一件事吗先说个有意思的现象。你在搜索引擎里搜指数移动平均出来的多半是量化交易、数据分析、神经网络优化相关的内容搜一阶低通滤波出来的几乎全是信号处理、传感器融合、控制系统设计。两个词分属不同圈子看起来井水不犯河水但如果你把两个方向的公式摆在一起会发现它们惊人地相似——准确地说它们根本就是同一个数学结构。指数移动平均Exponential Moving Average简称EMA的标准形式长这样[ y_t \alpha x_t (1-\alpha) y_{t-1} ]一阶低通滤波RC低通滤波的离散形式也长这样[ y[k] y[k-1] \alpha (x[k] - y[k-1]) ]把第二条式子展开括号不就是第一条吗这两个公式在数学上完全等价。差别只在于做量化的人把 (\alpha) 叫平滑系数做信号的人把 (\alpha) 叫滤波系数做量化的人关心它对价格序列的追踪速度做信号的人关心它对高频噪声的抑制能力。这篇文章的核心目的就一句话把这两个名字背后的数学本质、参数含义、工程实现和常见坑一次性讲透。不管你是写数据处理脚本的分析师还是在STM32上做传感器滤波的嵌入式工程师又或者是刚接触深度学习中优化器原理的初学者看完之后应该能彻底理解这个公式的一切。我见过不少人在这上面翻车。有人用EMA给传感器数据做平滑结果发现输出永远追不上真实值以为是代码写错了其实是没搞懂 (\alpha) 的物理含义有人在一阶低通滤波里套用时间常数公式滤波效果和预期差了一个数量级原因是离散化和连续域的换算出了偏差。这些坑这篇文章都会逐一拆开。2. 从两个不同领域出发推导出同一个递推式2.1 统计学视角EMA是怎么定义出来的先看统计学/数据分析领域里的定义。移动平均Moving Average大家应该熟悉就是取最近 N 个数据点的算术平均。它的问题很直观需要维护一个固定长度的窗口每进来一个新数据就得把最旧的那个数据踢出去内存开销是 (O(N))而且对突变不敏感滞后明显。EMA的改进思路是不再给每个历史数据同等权重而是让权重随时间指数衰减。越近的数据权重越大越远的数据权重越小。它的递推形式只需要保存上一个输出值内存开销是 (O(1))实时性极好。从定义上看EMA的权重分配满足[ w_i \alpha (1-\alpha)^i, \quad i 0, 1, 2, \ldots ]其中 (i0) 是当前数据点权重最高为 (\alpha)(i1) 是前一个数据点权重为 (\alpha(1-\alpha))以此类推。所有权重加起来正好是1因为这是一个几何级数。所以EMA可以写成完整形式[ y_t \alpha x_t \alpha(1-\alpha) x_{t-1} \alpha(1-\alpha)^2 x_{t-2} \cdots ]注意这个形式是无限求和的实际工程中不可能真的累加无穷项所以用递推式实现[ y_t \alpha x_t (1-\alpha) y_{t-1} ]把递推式展开就可以还原成上面的无穷加权形式。这是EMA最基本也最重要的性质它实际上是一个拥有无限记忆的加权平均只是旧数据的权重趋向于零在数值上可以忽略不计。2.2 信号处理视角一阶RC低通滤波的离散化再来看信号处理领域。一阶低通滤波器的连续域原型是RC电路一个电阻串联一个电容从电容两端取输出。这个电路的传递函数是[ H(s) \frac{1}{1 sRC} ]其中 (\tau RC) 是时间常数截止频率 (f_c \frac{1}{2\pi RC})。这是一个典型的单极点低通系统-3dB点在 (f_c) 处高于这个频率的信号会被逐渐衰减。要把这个连续系统变成数字系统有几种离散化方法。最直观的是一阶后向差分法即用 ((1 - z^{-1})/T) 替代 (s)其中 (T) 是采样周期。代入传递函数[ H(z) \frac{1}{1 RC \cdot \frac{1 - z^{-1}}{T}} \frac{T}{T RC RC \cdot z^{-1}} ]化简得到差分方程[ y[k] \frac{T}{T RC} x[k] \frac{RC}{T RC} y[k-1] ]令[ \alpha \frac{T}{T RC} \frac{T}{T \tau} ]就得到和EMA完全一致的形式[ y[k] \alpha x[k] (1-\alpha) y[k-1] ]这里就引出了一个极其重要的换算关系[ \boxed{\alpha \frac{T}{T \tau}} ]反过来[ \boxed{\tau T \cdot \frac{1-\alpha}{\alpha}} ]如果你更习惯用截止频率来表示[ f_c \frac{1}{2\pi \tau} \frac{\alpha}{2\pi T (1-\alpha)} ]这段时间常数和 (\alpha) 的换算关系是实操中必须刻在脑子里的。很多人在嵌入式项目里用一阶低通滤波直接网上抄一个 (\alpha 0.2) 之类的经验值完全不考虑采样周期是多少结果出来的波形要么太钝要么太毛。正确流程应该是先明确采样周期再按需要的截止频率算出时间常数最后换算成 (\alpha)。2.3 为什么两个领域会用完全不同的符号体系统计学家把 (\alpha) 叫平滑系数取值通常在 0 到 1 之间越接近 1 表示越重视当前数据平滑程度越低越接近 0 表示越重视历史数据平滑程度越高。这是非常直观的加权视角。信号处理工程师把 (\alpha) 叫滤波系数关心的不是加权直觉而是频域特性截止频率是多少、相位滞后多少、对特定频率的衰减比是多少。他们更喜欢用 (\tau) 或 (f_c) 作为设计参数(\alpha) 只是中间换算量。两种视角各有优劣。统计数据出身的往往直觉上知道(\alpha) 小一点平滑效果好但问他一阶低通滤波器的截止频率是多少答不上来做信号处理的知道截止频率是多少但换个场景让他用EMA去跟踪一个趋势数据又容易把参数调过头滤波过重。理解了本质之后你就同时拥有了两套思维框架。做数据平滑的时候可以用截止频率来推导平滑系数是否合理做信号滤波的时候也可以用EMA的加权直觉判断当前参数对突变数据的响应速度。工具是同一个框架可以混用。3. 同样的公式在不同场景里藏着的输出形态差异这一节要聊一个很多人忽略的细节。上面推导出的递推式[ y_t \alpha x_t (1-\alpha) y_{t-1} ]在这个式子里(x_t) 和 (y_t) 的系数之和恰好是1。这是什么意思意味着如果输入信号是个常数比如一直保持 5.0那么输出经过若干步之后会收敛到 5.0稳态增益是1。换句话说这个滤波器不会改变信号的直流分量不会像某些高通或带通滤波器那样改变信号的均值水平。这一点在绝大多数信号处理场景中都是期望的——你不想让滤波后的数据整体偏低或偏高。但在某些场景里特别是量化交易中EMA的变种会故意把系数改掉这就产生了两个看起来差不多、实际输出不同的公式标准形式(y_t \alpha x_t (1-\alpha) y_{t-1})稳态增益为1交易软件常见形式如SMA的EMA替代(EMA_t \alpha \cdot Close_t (1-\alpha) \cdot EMA_{t-1})看起来一样稳态增益也是1。那问题出在哪出在很多人把EMA用于预测而不是滤波。做预测的人拿到一个序列用EMA去预测下一时刻的值如果数据本身单调上升EMA永远追不上因为它的特性就是追赶但追不平。这个滞后在滤波场景是可以接受的甚至是必需的不然怎么平滑噪声但在预测场景就是一个系统性偏差。另外还有一个容易出问题的细节初始值 (y_0) 怎么设。很多人从 (y_0 0) 开始递推这会导致输出经过一段较长的暖机时间才接近真实值。如果 (\alpha) 很小比如 0.02暖机可能需要几百个采样点才能消除初始偏移。更合理的做法是用第一个有效输入 (x_0) 作为 (y_0)或者在前几十个采样点用较大的 (\alpha) 快速收敛之后再切换到目标 (\alpha)。同样一个递推式在不同场景中关注点完全不同滤波场景关心频响特性和稳态误差交易场景关心跟踪速度和信号交叉点的可靠性控制场景关心相位滞后会不会导致系统不稳定。理解这个同一个公式、不同评价体系的事实才是深入掌握它的关键。4. 参数设计实战截止频率、平滑系数与时间常数的三角换算4.1 给定截止频率确定平滑系数在实际项目里最常见的需求是采样周期是固定的比如传感器每隔 10ms 采一次数据我希望滤掉 5Hz 以上的噪声问 (\alpha) 应该取多少先算时间常数[ \tau \frac{1}{2\pi f_c} \frac{1}{2\pi \times 5} \approx 0.0318 \text{s} ]采样周期 (T 0.01)s代入[ \alpha \frac{T}{T \tau} \frac{0.01}{0.01 0.0318} \approx 0.239 ]所以 (\alpha) 取 0.24 左右。这里要特别注意离散化方法不同换算公式会有细微差别。我上面用的是后向差分法对应公式 (\alpha \frac{T}{T\tau})。如果用的是双线性变换Tustin变换公式会变成[ \alpha \frac{2T}{2T \tau} ]两者在 (T \ll \tau) 时非常接近但采样周期跟时间常数同一量级时差异会大到影响滤波效果。实际工程中我建议统一使用双线性变换的推导结果因为它在频域上的畸变更小尤其当采样率不够高时。4.2 给定时间常数和采样率估算响应速度时间常数 (\tau) 的物理含义是输入阶跃变化后输出到达最终值的 (1 - e^{-1} \approx 63.2%) 所需的时间。这是判断滤波器反应快不快的最直观指标。举个例子采样率 1000Hz即 (T 0.001)s取 (\alpha 0.01)。对应的时间常数[ \tau 0.001 \times \frac{0.99}{0.01} 0.099 \text{s} ]也就是约 100ms。输入一个阶跃信号输出要经过 100ms 才能到达目标值的 63.2%经过 (3\tau)约 300ms到达 95%经过 (5\tau)约 500ms才基本稳定。如果你想判断滤波器响应是否太慢直接看 (3\tau \sim 5\tau) 这个量级就够了不需要跑仿真估。反过来如果业务要求突变信号在 50ms 内体现出明显变化比如跌倒检测中的加速度突变那时间常数至少得在 20ms 以下对应的 (\alpha) 也就能估算出来了。4.3 常见取值速查表为了方便工程中快速选参我做了一个换算表假设后向差分法采样周期 T截止频率 fc时间常数 τα1ms100Hz1.59ms0.3861ms10Hz15.9ms0.0591ms1Hz159ms0.00610ms50Hz3.18ms0.75810ms10Hz15.9ms0.38610ms1Hz159ms0.059100ms10Hz15.9ms0.863100ms1Hz159ms0.386100ms0.1Hz1.59s0.059这个表的规律很清晰T 和 τ 的比值决定了 α 的大小。当采样率远高于截止频率时α 会很小当采样率接近截止频率的 1/10 时α 已经接近 0.9 了这时候滤波几乎没有平滑作用。实际项目中我建议以这个表为起点再根据波形微调。不要一上来就拍脑袋定 α 0.5 或者 0.7那样大概率需要反复试错。4.4 一个容易忽略的问题截止频率的定义在信号处理里截止频率严格说是-3dB 频率点也就是输出功率降为输入一半0.707倍幅值的频率。但在工程实践中很多人把衰减多少频率以上的波形这个直觉理解当成截止频率这就容易造成预期偏差。举个例子对于一阶低通滤波器在截止频率 (f_c) 处的衰减只有 -3dB这意味着幅度变成了原来的 0.707还是有超过 70% 的幅度被保留。如果你想在 5Hz 处衰减掉 90% 以上的幅度实际需要把截止频率大幅降低而不是正好设在 5Hz。衰减和频率的关系是一阶系统固有的特性频率每增加 10 倍衰减增加 20dB。这是一个非常温和的滚降也正因如此一阶低通滤波器在频率上分得不够干净。如果需要更陡峭的衰减曲线就需要升阶二阶、三阶或者改用其他类型的滤波器。这是后话但做项目选型时心里要有数。5. 工程实现细节从朴素算法到高性能写法5.1 最基础的实现以及为什么它反而坑很多人EMA/一阶低通滤波的朴素实现非常短class LowPassFilter: def __init__(self, alpha, init_value0.0): self.alpha alpha self.y init_value def update(self, x): self.y self.alpha * x (1 - self.alpha) * self.y return self.y这代码本身没有问题但坑在用法上。初学者最容易犯的错误把init_value设成 0而真实数据初始值可能是 50结果输出从 0 开始慢慢爬向真实值看起来就像是滤波引入了巨大的起始偏差在循环里重复创建滤波器对象导致每次都是全新初始化滤波永远不收敛在中断服务函数里调用滤波时用了浮点数运算在低端MCU上耗时过长影响实时性。这些都是我在实际项目里见过的真实问题。解决方式也不复杂初始化值用第一个数据可以在首帧时直接self.y x确保滤波器对象是全局或静态的只在程序启动时创建一次MCU上没有FPU时用定点数实现见下面的代码。5.2 更高效的EMA展开式适合在线数据流场景如果你在做高频数据分析每个时刻收到一个数据就要计算一次EMA朴素递推式已经很快了。但还有一种写法可以进一步减少计算量同时更好地理解EMA的本质def ema_update(prev_ema, new_x, alpha): return prev_ema alpha * (new_x - prev_ema)这个展开形式和前面推导的滤波器形式一致但它更直观地表达了当前输出 上次输出 比例 ×当前输入 - 上次输出。这个写法在数据流处理中的好处是它显式地把误差修正的概念放大了后续如果要加自适应调整比如根据误差大小动态改变 alpha会非常方便。5.3 定点数实现嵌入式MCU上的常用技巧很多MCU没有硬件浮点单元直接用float做滤波会拖慢程序。一个经典的优化是把 (\alpha) 近似成 (\frac{1}{2^n})这样乘法和浮点运算可以退化成移位操作。比如 (\alpha 1/16)那么[ y_t y_{t-1} ((x_t - y_{t-1}) 4) ]在C语言中static int32_t y 0; int32_t lowpass_update(int32_t x) { y (x - y) 4; // 对应 alpha 1/16 return y; }这样把浮点乘法替换成了整数移位速度提升非常明显。代价是 (\alpha) 只能取 2 的负整数次幂1/2、1/4、1/8、1/16、1/32、1/64 等灵活性变差。实际工程中如果 1/16 不能满足需求可以用两个移位组合近似比如 (1/16 1/64)就能得到更接近目标的 (\alpha 0.078125)而不必精确到任意浮点值。我个人建议先按目标截止频率算出精确的 (\alpha)再找最近的 2 的幂次或两段 2 的幂次的组合来近似然后用一个简单的仿真脚本对比近似前后的频响差异通常差别很小但代码效率提升一个量级。5.4 多通道数据同时滤波的向量化写法如果你要同时处理很多路信号比如IMU输出6轴数据、机械臂关节编码器8路数据不要写循环逐个调用滤波器直接用NumPy批量处理import numpy as np def lowpass_vectorized(x, alpha): y np.zeros_like(x) y[0] x[0] for i in range(1, len(x)): y[i] alpha * x[i] (1 - alpha) * y[i-1] return y注意这个循环在Python层面仍然是逐个迭代的但放在NumPy数组里好处是批量处理多维数据时可以直接对二维数组按行操作# 假设 data 形状是 (n_samples, n_channels) alpha 0.2 filtered np.zeros_like(data) filtered[0] data[0] for i in range(1, data.shape[0]): filtered[i] alpha * data[i] (1 - alpha) * filtered[i-1]这个写法虽然还是一个Python循环但内层计算是NumPy向量化的6路信号同时更新比纯Python逐个通道快得多。如果你的数据量极大可以考虑用scipy.signal.lfilter它用C语言实现速度更快from scipy.signal import lfilter a [1, -(1 - alpha)] b [alpha] filtered lfilter(b, a, x, zi[x[0]])需要注意的是lfilter函数中 (a) 和 (b) 的定义形式网上有很多人把这俩写反导致滤波结果完全不对。正确理解传递函数形式是 (Y(z) \frac{b_0 b_1 z^{-1}}{1 a_1 z^{-1}} X(z))对照递推式可以写出 (a [1, -(1-\alpha)])、(b [\alpha])。6. 实际操作中的四大坑从初始化到时间步长不等距6.1 初始值的暖机问题前面提到过初始值设 0 会导致输出有一段明显的爬坡过程。具体量化一下如果真实值是 100(\alpha 0.1)那么初始输出从 0 爬到 63.2% 需要大约 (\tau T \cdot \frac{1-\alpha}{\alpha} 9T) 的时间爬到 95% 需要约 27 个采样周期。在某些实时系统中前 27 个采样点数据是不可用的。解决方案有这么几种直接设为第一个输入值程序启动后第一个样本只用于初始化不进行滤波操作快速温启动前 N 个采样点用较大的 (\alpha)比如 0.5之后切换为正常 (\alpha);后台预跑在正式启用函数前用一小段历史数据先跑100个点让滤波器收敛后再输出。方案1最简单也是我推荐大多数场景采用的做法。方案2适合启动瞬间就需要准确输出的系统但代码复杂度略高。6.2 采样时间间隔不均匀时的处理很多实际系统并不保证严格的等间隔采样。比如一个单片机主循环里有不同优先级的任务滤波函数有时每 10ms 执行一次有时要等 15ms。如果始终用相同的 (\alpha)当采样间隔变大时实际截止频率会降低滤波变重采样间隔变小则变轻。这会导致输出波动莫名其妙地变化。解决思路不要固定 (\alpha)动态计算。伪代码def update(self, x, dt): # 根据实际时间间隔计算alpha tau self.tau alpha dt / (dt tau) self.y alpha * x (1 - alpha) * self.y return self.y这样做的前提是系统能精确获取两次调用之间的时间差 (dt)。在嵌入式系统中通常用定时器计时或读取millis()的差值。如果实在拿不到精确时间至少要保证执行周期基本稳定否则滤波器的截止频率会波动。6.3 浮点溢出问题和长时间运行的数据漂移这个问题在纯Float32环境下长时间运行时偶发(\alpha) 极小比如 0.0001(1-\alpha) 接近 1递推式在数值上相当于不断把当前值乘以一个接近1的数加上一个极小的量。如果输入数据的动态范围很大浮点数的精度会逐渐丢失最终导致输出不更新或缓慢漂移。这在嵌入式场景特别值得注意因为MCU上的float只有23位尾数精度约 7 位十进制数。建议使用 double 类型如果平台支持或者定期重置尺度。比如把输入先除以一个固定缩放系数滤波完成后再乘回去能显著减少数值误差积累。6.4 工业现场常见误区传感器时间常数和滤波器参数混淆在工业温控、压力变送器等场景传感器本身就是一个物理系统有自己的时间常数通常几秒到几十秒。如果你在传感器输出后面又加了一级一阶低通滤波那么总系统相当于两个一阶低通串联等效时间常数是两个时间常数之和系统响应更慢了。举个例子温度传感器时间常数 5s采样周期 1s你在软件里又加了一级截止频率对应时间常数 5s 的滤波那么整体从阶跃输入到 63.2% 的响应时间约为 10s。很多现场工程师以为软件滤波可以改善传感器响应速度实际上只会让响应更慢。软件滤波只能让信号更平滑不可能让物理传感器的响应变快。如果想要更快得从传感器本身或控制策略入手。7. 从一阶到更高阶什么时候该升级怎么升级一阶低通滤波的频域特性是 20dB/decade 的滚降这个特性决定了它无法干净地区分接近的频段。如果你是处理带宽较宽的数据比如IMU原始数据中既有低频姿态信息又有高频振动噪声一阶滤波往往会在抑制高频噪声的同时引入明显的相位滞后。这时候就该考虑二阶或更高阶滤波。二阶低通滤波的标准形式可以用两个一阶滤波器串联实现class SecondOrderLowPass: def __init__(self, alpha1, alpha2): self.f1 LowPassFilter(alpha1) self.f2 LowPassFilter(alpha2) def update(self, x): return self.f2.update(self.f1.update(x))如果两个一阶滤波器的截止频率相同串联后的二阶系统滚降是 40dB/decade对高频噪声的抑制能力显著增强。但带来的代价是相位滞后翻倍实际工程中需要做权衡。另外还有一个更实用的升级方法对同一数据流同时做一阶低通和它的差分结果相当于高通然后加权组合可以实现类似低通适度平滑但不丢细节的效果。这种互补滤波的思路在姿态解算中非常常见——陀螺仪积分提供角度加速度计提供绝对参考两部分通过类似 EMA 的系数加权融合。本质上你掌握的 EMA 系数换算能力正是设计这类互补滤波器的核心工具。8. 我在实际项目中积累的参数调试清单与心得最后分享一点个人经验。每次用 EMA 或一阶低通滤波我都会先跑一遍这个排查流程省掉了大量反复试错的时间先定采样周期。这是所有参数计算的地基。不确定就用示波器或日志打点实测不要拍脑袋再定截止频率。根据信号的物理特性反推已知噪声频率范围和有效信号频率范围取一个折中用公式换算 α先精确计算再看看能不能简化成 2 的幂次附近的值跑仿真验证拿一段真实采集的数据离线跑一遍直观检查输出波形是否达到预期实测微调由于真实系统存在模型误差最终 α 往往和理论值有偏差。但注意调整幅度应该在理论值周围而不是从零开始重试检查相位场景如果滤波后的信号要参与反馈控制务必校核滞后是否在系统稳定性允许范围内。还有一个小技巧当你需要快速判断当前滤波是否过重时不需要看频域图直接看阶跃响应就够了。给系统一个突变输入记录输出达到 63.2% 和 95% 的时间分别对应 (\tau) 和 (3\tau)一眼就能判断参数是否合理。这个方法在调试无法跑仿真脚本的嵌入式现场非常管用。另外如果你是做数据分析和量化方向EMA 的 (\alpha) 和交易中常说的半衰期也有一个对应关系半衰期 (h) 是权重衰减到一半所需的数据点数。[ (1-\alpha)^h 0.5 \quad \Rightarrow \quad h \frac{\ln 0.5}{\ln(1-\alpha)} ]比如 (\alpha 0.1)半衰期约 6.6 个周期(\alpha 0.01)半衰期约 69 个周期。这个换算可以帮你快速判断当前 EMA 对旧数据的遗忘速度在设计交易策略时非常有用。核心技术点说完了。EMA 和一阶低通滤波说到底是同一个递推式在不同领域各自长了不同的皮。把这一层看穿之后你在任何领域遇到它都能快速调用对应的直觉和参数设计方法这比死记公式要实用得多。
1. 一个公式两个名字到底在聊同一件事吗先说个有意思的现象。你在搜索引擎里搜指数移动平均出来的多半是量化交易、数据分析、神经网络优化相关的内容搜一阶低通滤波出来的几乎全是信号处理、传感器融合、控制系统设计。两个词分属不同圈子看起来井水不犯河水但如果你把两个方向的公式摆在一起会发现它们惊人地相似——准确地说它们根本就是同一个数学结构。指数移动平均Exponential Moving Average简称EMA的标准形式长这样[ y_t \alpha x_t (1-\alpha) y_{t-1} ]一阶低通滤波RC低通滤波的离散形式也长这样[ y[k] y[k-1] \alpha (x[k] - y[k-1]) ]把第二条式子展开括号不就是第一条吗这两个公式在数学上完全等价。差别只在于做量化的人把 (\alpha) 叫平滑系数做信号的人把 (\alpha) 叫滤波系数做量化的人关心它对价格序列的追踪速度做信号的人关心它对高频噪声的抑制能力。这篇文章的核心目的就一句话把这两个名字背后的数学本质、参数含义、工程实现和常见坑一次性讲透。不管你是写数据处理脚本的分析师还是在STM32上做传感器滤波的嵌入式工程师又或者是刚接触深度学习中优化器原理的初学者看完之后应该能彻底理解这个公式的一切。我见过不少人在这上面翻车。有人用EMA给传感器数据做平滑结果发现输出永远追不上真实值以为是代码写错了其实是没搞懂 (\alpha) 的物理含义有人在一阶低通滤波里套用时间常数公式滤波效果和预期差了一个数量级原因是离散化和连续域的换算出了偏差。这些坑这篇文章都会逐一拆开。2. 从两个不同领域出发推导出同一个递推式2.1 统计学视角EMA是怎么定义出来的先看统计学/数据分析领域里的定义。移动平均Moving Average大家应该熟悉就是取最近 N 个数据点的算术平均。它的问题很直观需要维护一个固定长度的窗口每进来一个新数据就得把最旧的那个数据踢出去内存开销是 (O(N))而且对突变不敏感滞后明显。EMA的改进思路是不再给每个历史数据同等权重而是让权重随时间指数衰减。越近的数据权重越大越远的数据权重越小。它的递推形式只需要保存上一个输出值内存开销是 (O(1))实时性极好。从定义上看EMA的权重分配满足[ w_i \alpha (1-\alpha)^i, \quad i 0, 1, 2, \ldots ]其中 (i0) 是当前数据点权重最高为 (\alpha)(i1) 是前一个数据点权重为 (\alpha(1-\alpha))以此类推。所有权重加起来正好是1因为这是一个几何级数。所以EMA可以写成完整形式[ y_t \alpha x_t \alpha(1-\alpha) x_{t-1} \alpha(1-\alpha)^2 x_{t-2} \cdots ]注意这个形式是无限求和的实际工程中不可能真的累加无穷项所以用递推式实现[ y_t \alpha x_t (1-\alpha) y_{t-1} ]把递推式展开就可以还原成上面的无穷加权形式。这是EMA最基本也最重要的性质它实际上是一个拥有无限记忆的加权平均只是旧数据的权重趋向于零在数值上可以忽略不计。2.2 信号处理视角一阶RC低通滤波的离散化再来看信号处理领域。一阶低通滤波器的连续域原型是RC电路一个电阻串联一个电容从电容两端取输出。这个电路的传递函数是[ H(s) \frac{1}{1 sRC} ]其中 (\tau RC) 是时间常数截止频率 (f_c \frac{1}{2\pi RC})。这是一个典型的单极点低通系统-3dB点在 (f_c) 处高于这个频率的信号会被逐渐衰减。要把这个连续系统变成数字系统有几种离散化方法。最直观的是一阶后向差分法即用 ((1 - z^{-1})/T) 替代 (s)其中 (T) 是采样周期。代入传递函数[ H(z) \frac{1}{1 RC \cdot \frac{1 - z^{-1}}{T}} \frac{T}{T RC RC \cdot z^{-1}} ]化简得到差分方程[ y[k] \frac{T}{T RC} x[k] \frac{RC}{T RC} y[k-1] ]令[ \alpha \frac{T}{T RC} \frac{T}{T \tau} ]就得到和EMA完全一致的形式[ y[k] \alpha x[k] (1-\alpha) y[k-1] ]这里就引出了一个极其重要的换算关系[ \boxed{\alpha \frac{T}{T \tau}} ]反过来[ \boxed{\tau T \cdot \frac{1-\alpha}{\alpha}} ]如果你更习惯用截止频率来表示[ f_c \frac{1}{2\pi \tau} \frac{\alpha}{2\pi T (1-\alpha)} ]这段时间常数和 (\alpha) 的换算关系是实操中必须刻在脑子里的。很多人在嵌入式项目里用一阶低通滤波直接网上抄一个 (\alpha 0.2) 之类的经验值完全不考虑采样周期是多少结果出来的波形要么太钝要么太毛。正确流程应该是先明确采样周期再按需要的截止频率算出时间常数最后换算成 (\alpha)。2.3 为什么两个领域会用完全不同的符号体系统计学家把 (\alpha) 叫平滑系数取值通常在 0 到 1 之间越接近 1 表示越重视当前数据平滑程度越低越接近 0 表示越重视历史数据平滑程度越高。这是非常直观的加权视角。信号处理工程师把 (\alpha) 叫滤波系数关心的不是加权直觉而是频域特性截止频率是多少、相位滞后多少、对特定频率的衰减比是多少。他们更喜欢用 (\tau) 或 (f_c) 作为设计参数(\alpha) 只是中间换算量。两种视角各有优劣。统计数据出身的往往直觉上知道(\alpha) 小一点平滑效果好但问他一阶低通滤波器的截止频率是多少答不上来做信号处理的知道截止频率是多少但换个场景让他用EMA去跟踪一个趋势数据又容易把参数调过头滤波过重。理解了本质之后你就同时拥有了两套思维框架。做数据平滑的时候可以用截止频率来推导平滑系数是否合理做信号滤波的时候也可以用EMA的加权直觉判断当前参数对突变数据的响应速度。工具是同一个框架可以混用。3. 同样的公式在不同场景里藏着的输出形态差异这一节要聊一个很多人忽略的细节。上面推导出的递推式[ y_t \alpha x_t (1-\alpha) y_{t-1} ]在这个式子里(x_t) 和 (y_t) 的系数之和恰好是1。这是什么意思意味着如果输入信号是个常数比如一直保持 5.0那么输出经过若干步之后会收敛到 5.0稳态增益是1。换句话说这个滤波器不会改变信号的直流分量不会像某些高通或带通滤波器那样改变信号的均值水平。这一点在绝大多数信号处理场景中都是期望的——你不想让滤波后的数据整体偏低或偏高。但在某些场景里特别是量化交易中EMA的变种会故意把系数改掉这就产生了两个看起来差不多、实际输出不同的公式标准形式(y_t \alpha x_t (1-\alpha) y_{t-1})稳态增益为1交易软件常见形式如SMA的EMA替代(EMA_t \alpha \cdot Close_t (1-\alpha) \cdot EMA_{t-1})看起来一样稳态增益也是1。那问题出在哪出在很多人把EMA用于预测而不是滤波。做预测的人拿到一个序列用EMA去预测下一时刻的值如果数据本身单调上升EMA永远追不上因为它的特性就是追赶但追不平。这个滞后在滤波场景是可以接受的甚至是必需的不然怎么平滑噪声但在预测场景就是一个系统性偏差。另外还有一个容易出问题的细节初始值 (y_0) 怎么设。很多人从 (y_0 0) 开始递推这会导致输出经过一段较长的暖机时间才接近真实值。如果 (\alpha) 很小比如 0.02暖机可能需要几百个采样点才能消除初始偏移。更合理的做法是用第一个有效输入 (x_0) 作为 (y_0)或者在前几十个采样点用较大的 (\alpha) 快速收敛之后再切换到目标 (\alpha)。同样一个递推式在不同场景中关注点完全不同滤波场景关心频响特性和稳态误差交易场景关心跟踪速度和信号交叉点的可靠性控制场景关心相位滞后会不会导致系统不稳定。理解这个同一个公式、不同评价体系的事实才是深入掌握它的关键。4. 参数设计实战截止频率、平滑系数与时间常数的三角换算4.1 给定截止频率确定平滑系数在实际项目里最常见的需求是采样周期是固定的比如传感器每隔 10ms 采一次数据我希望滤掉 5Hz 以上的噪声问 (\alpha) 应该取多少先算时间常数[ \tau \frac{1}{2\pi f_c} \frac{1}{2\pi \times 5} \approx 0.0318 \text{s} ]采样周期 (T 0.01)s代入[ \alpha \frac{T}{T \tau} \frac{0.01}{0.01 0.0318} \approx 0.239 ]所以 (\alpha) 取 0.24 左右。这里要特别注意离散化方法不同换算公式会有细微差别。我上面用的是后向差分法对应公式 (\alpha \frac{T}{T\tau})。如果用的是双线性变换Tustin变换公式会变成[ \alpha \frac{2T}{2T \tau} ]两者在 (T \ll \tau) 时非常接近但采样周期跟时间常数同一量级时差异会大到影响滤波效果。实际工程中我建议统一使用双线性变换的推导结果因为它在频域上的畸变更小尤其当采样率不够高时。4.2 给定时间常数和采样率估算响应速度时间常数 (\tau) 的物理含义是输入阶跃变化后输出到达最终值的 (1 - e^{-1} \approx 63.2%) 所需的时间。这是判断滤波器反应快不快的最直观指标。举个例子采样率 1000Hz即 (T 0.001)s取 (\alpha 0.01)。对应的时间常数[ \tau 0.001 \times \frac{0.99}{0.01} 0.099 \text{s} ]也就是约 100ms。输入一个阶跃信号输出要经过 100ms 才能到达目标值的 63.2%经过 (3\tau)约 300ms到达 95%经过 (5\tau)约 500ms才基本稳定。如果你想判断滤波器响应是否太慢直接看 (3\tau \sim 5\tau) 这个量级就够了不需要跑仿真估。反过来如果业务要求突变信号在 50ms 内体现出明显变化比如跌倒检测中的加速度突变那时间常数至少得在 20ms 以下对应的 (\alpha) 也就能估算出来了。4.3 常见取值速查表为了方便工程中快速选参我做了一个换算表假设后向差分法采样周期 T截止频率 fc时间常数 τα1ms100Hz1.59ms0.3861ms10Hz15.9ms0.0591ms1Hz159ms0.00610ms50Hz3.18ms0.75810ms10Hz15.9ms0.38610ms1Hz159ms0.059100ms10Hz15.9ms0.863100ms1Hz159ms0.386100ms0.1Hz1.59s0.059这个表的规律很清晰T 和 τ 的比值决定了 α 的大小。当采样率远高于截止频率时α 会很小当采样率接近截止频率的 1/10 时α 已经接近 0.9 了这时候滤波几乎没有平滑作用。实际项目中我建议以这个表为起点再根据波形微调。不要一上来就拍脑袋定 α 0.5 或者 0.7那样大概率需要反复试错。4.4 一个容易忽略的问题截止频率的定义在信号处理里截止频率严格说是-3dB 频率点也就是输出功率降为输入一半0.707倍幅值的频率。但在工程实践中很多人把衰减多少频率以上的波形这个直觉理解当成截止频率这就容易造成预期偏差。举个例子对于一阶低通滤波器在截止频率 (f_c) 处的衰减只有 -3dB这意味着幅度变成了原来的 0.707还是有超过 70% 的幅度被保留。如果你想在 5Hz 处衰减掉 90% 以上的幅度实际需要把截止频率大幅降低而不是正好设在 5Hz。衰减和频率的关系是一阶系统固有的特性频率每增加 10 倍衰减增加 20dB。这是一个非常温和的滚降也正因如此一阶低通滤波器在频率上分得不够干净。如果需要更陡峭的衰减曲线就需要升阶二阶、三阶或者改用其他类型的滤波器。这是后话但做项目选型时心里要有数。5. 工程实现细节从朴素算法到高性能写法5.1 最基础的实现以及为什么它反而坑很多人EMA/一阶低通滤波的朴素实现非常短class LowPassFilter: def __init__(self, alpha, init_value0.0): self.alpha alpha self.y init_value def update(self, x): self.y self.alpha * x (1 - self.alpha) * self.y return self.y这代码本身没有问题但坑在用法上。初学者最容易犯的错误把init_value设成 0而真实数据初始值可能是 50结果输出从 0 开始慢慢爬向真实值看起来就像是滤波引入了巨大的起始偏差在循环里重复创建滤波器对象导致每次都是全新初始化滤波永远不收敛在中断服务函数里调用滤波时用了浮点数运算在低端MCU上耗时过长影响实时性。这些都是我在实际项目里见过的真实问题。解决方式也不复杂初始化值用第一个数据可以在首帧时直接self.y x确保滤波器对象是全局或静态的只在程序启动时创建一次MCU上没有FPU时用定点数实现见下面的代码。5.2 更高效的EMA展开式适合在线数据流场景如果你在做高频数据分析每个时刻收到一个数据就要计算一次EMA朴素递推式已经很快了。但还有一种写法可以进一步减少计算量同时更好地理解EMA的本质def ema_update(prev_ema, new_x, alpha): return prev_ema alpha * (new_x - prev_ema)这个展开形式和前面推导的滤波器形式一致但它更直观地表达了当前输出 上次输出 比例 ×当前输入 - 上次输出。这个写法在数据流处理中的好处是它显式地把误差修正的概念放大了后续如果要加自适应调整比如根据误差大小动态改变 alpha会非常方便。5.3 定点数实现嵌入式MCU上的常用技巧很多MCU没有硬件浮点单元直接用float做滤波会拖慢程序。一个经典的优化是把 (\alpha) 近似成 (\frac{1}{2^n})这样乘法和浮点运算可以退化成移位操作。比如 (\alpha 1/16)那么[ y_t y_{t-1} ((x_t - y_{t-1}) 4) ]在C语言中static int32_t y 0; int32_t lowpass_update(int32_t x) { y (x - y) 4; // 对应 alpha 1/16 return y; }这样把浮点乘法替换成了整数移位速度提升非常明显。代价是 (\alpha) 只能取 2 的负整数次幂1/2、1/4、1/8、1/16、1/32、1/64 等灵活性变差。实际工程中如果 1/16 不能满足需求可以用两个移位组合近似比如 (1/16 1/64)就能得到更接近目标的 (\alpha 0.078125)而不必精确到任意浮点值。我个人建议先按目标截止频率算出精确的 (\alpha)再找最近的 2 的幂次或两段 2 的幂次的组合来近似然后用一个简单的仿真脚本对比近似前后的频响差异通常差别很小但代码效率提升一个量级。5.4 多通道数据同时滤波的向量化写法如果你要同时处理很多路信号比如IMU输出6轴数据、机械臂关节编码器8路数据不要写循环逐个调用滤波器直接用NumPy批量处理import numpy as np def lowpass_vectorized(x, alpha): y np.zeros_like(x) y[0] x[0] for i in range(1, len(x)): y[i] alpha * x[i] (1 - alpha) * y[i-1] return y注意这个循环在Python层面仍然是逐个迭代的但放在NumPy数组里好处是批量处理多维数据时可以直接对二维数组按行操作# 假设 data 形状是 (n_samples, n_channels) alpha 0.2 filtered np.zeros_like(data) filtered[0] data[0] for i in range(1, data.shape[0]): filtered[i] alpha * data[i] (1 - alpha) * filtered[i-1]这个写法虽然还是一个Python循环但内层计算是NumPy向量化的6路信号同时更新比纯Python逐个通道快得多。如果你的数据量极大可以考虑用scipy.signal.lfilter它用C语言实现速度更快from scipy.signal import lfilter a [1, -(1 - alpha)] b [alpha] filtered lfilter(b, a, x, zi[x[0]])需要注意的是lfilter函数中 (a) 和 (b) 的定义形式网上有很多人把这俩写反导致滤波结果完全不对。正确理解传递函数形式是 (Y(z) \frac{b_0 b_1 z^{-1}}{1 a_1 z^{-1}} X(z))对照递推式可以写出 (a [1, -(1-\alpha)])、(b [\alpha])。6. 实际操作中的四大坑从初始化到时间步长不等距6.1 初始值的暖机问题前面提到过初始值设 0 会导致输出有一段明显的爬坡过程。具体量化一下如果真实值是 100(\alpha 0.1)那么初始输出从 0 爬到 63.2% 需要大约 (\tau T \cdot \frac{1-\alpha}{\alpha} 9T) 的时间爬到 95% 需要约 27 个采样周期。在某些实时系统中前 27 个采样点数据是不可用的。解决方案有这么几种直接设为第一个输入值程序启动后第一个样本只用于初始化不进行滤波操作快速温启动前 N 个采样点用较大的 (\alpha)比如 0.5之后切换为正常 (\alpha);后台预跑在正式启用函数前用一小段历史数据先跑100个点让滤波器收敛后再输出。方案1最简单也是我推荐大多数场景采用的做法。方案2适合启动瞬间就需要准确输出的系统但代码复杂度略高。6.2 采样时间间隔不均匀时的处理很多实际系统并不保证严格的等间隔采样。比如一个单片机主循环里有不同优先级的任务滤波函数有时每 10ms 执行一次有时要等 15ms。如果始终用相同的 (\alpha)当采样间隔变大时实际截止频率会降低滤波变重采样间隔变小则变轻。这会导致输出波动莫名其妙地变化。解决思路不要固定 (\alpha)动态计算。伪代码def update(self, x, dt): # 根据实际时间间隔计算alpha tau self.tau alpha dt / (dt tau) self.y alpha * x (1 - alpha) * self.y return self.y这样做的前提是系统能精确获取两次调用之间的时间差 (dt)。在嵌入式系统中通常用定时器计时或读取millis()的差值。如果实在拿不到精确时间至少要保证执行周期基本稳定否则滤波器的截止频率会波动。6.3 浮点溢出问题和长时间运行的数据漂移这个问题在纯Float32环境下长时间运行时偶发(\alpha) 极小比如 0.0001(1-\alpha) 接近 1递推式在数值上相当于不断把当前值乘以一个接近1的数加上一个极小的量。如果输入数据的动态范围很大浮点数的精度会逐渐丢失最终导致输出不更新或缓慢漂移。这在嵌入式场景特别值得注意因为MCU上的float只有23位尾数精度约 7 位十进制数。建议使用 double 类型如果平台支持或者定期重置尺度。比如把输入先除以一个固定缩放系数滤波完成后再乘回去能显著减少数值误差积累。6.4 工业现场常见误区传感器时间常数和滤波器参数混淆在工业温控、压力变送器等场景传感器本身就是一个物理系统有自己的时间常数通常几秒到几十秒。如果你在传感器输出后面又加了一级一阶低通滤波那么总系统相当于两个一阶低通串联等效时间常数是两个时间常数之和系统响应更慢了。举个例子温度传感器时间常数 5s采样周期 1s你在软件里又加了一级截止频率对应时间常数 5s 的滤波那么整体从阶跃输入到 63.2% 的响应时间约为 10s。很多现场工程师以为软件滤波可以改善传感器响应速度实际上只会让响应更慢。软件滤波只能让信号更平滑不可能让物理传感器的响应变快。如果想要更快得从传感器本身或控制策略入手。7. 从一阶到更高阶什么时候该升级怎么升级一阶低通滤波的频域特性是 20dB/decade 的滚降这个特性决定了它无法干净地区分接近的频段。如果你是处理带宽较宽的数据比如IMU原始数据中既有低频姿态信息又有高频振动噪声一阶滤波往往会在抑制高频噪声的同时引入明显的相位滞后。这时候就该考虑二阶或更高阶滤波。二阶低通滤波的标准形式可以用两个一阶滤波器串联实现class SecondOrderLowPass: def __init__(self, alpha1, alpha2): self.f1 LowPassFilter(alpha1) self.f2 LowPassFilter(alpha2) def update(self, x): return self.f2.update(self.f1.update(x))如果两个一阶滤波器的截止频率相同串联后的二阶系统滚降是 40dB/decade对高频噪声的抑制能力显著增强。但带来的代价是相位滞后翻倍实际工程中需要做权衡。另外还有一个更实用的升级方法对同一数据流同时做一阶低通和它的差分结果相当于高通然后加权组合可以实现类似低通适度平滑但不丢细节的效果。这种互补滤波的思路在姿态解算中非常常见——陀螺仪积分提供角度加速度计提供绝对参考两部分通过类似 EMA 的系数加权融合。本质上你掌握的 EMA 系数换算能力正是设计这类互补滤波器的核心工具。8. 我在实际项目中积累的参数调试清单与心得最后分享一点个人经验。每次用 EMA 或一阶低通滤波我都会先跑一遍这个排查流程省掉了大量反复试错的时间先定采样周期。这是所有参数计算的地基。不确定就用示波器或日志打点实测不要拍脑袋再定截止频率。根据信号的物理特性反推已知噪声频率范围和有效信号频率范围取一个折中用公式换算 α先精确计算再看看能不能简化成 2 的幂次附近的值跑仿真验证拿一段真实采集的数据离线跑一遍直观检查输出波形是否达到预期实测微调由于真实系统存在模型误差最终 α 往往和理论值有偏差。但注意调整幅度应该在理论值周围而不是从零开始重试检查相位场景如果滤波后的信号要参与反馈控制务必校核滞后是否在系统稳定性允许范围内。还有一个小技巧当你需要快速判断当前滤波是否过重时不需要看频域图直接看阶跃响应就够了。给系统一个突变输入记录输出达到 63.2% 和 95% 的时间分别对应 (\tau) 和 (3\tau)一眼就能判断参数是否合理。这个方法在调试无法跑仿真脚本的嵌入式现场非常管用。另外如果你是做数据分析和量化方向EMA 的 (\alpha) 和交易中常说的半衰期也有一个对应关系半衰期 (h) 是权重衰减到一半所需的数据点数。[ (1-\alpha)^h 0.5 \quad \Rightarrow \quad h \frac{\ln 0.5}{\ln(1-\alpha)} ]比如 (\alpha 0.1)半衰期约 6.6 个周期(\alpha 0.01)半衰期约 69 个周期。这个换算可以帮你快速判断当前 EMA 对旧数据的遗忘速度在设计交易策略时非常有用。核心技术点说完了。EMA 和一阶低通滤波说到底是同一个递推式在不同领域各自长了不同的皮。把这一层看穿之后你在任何领域遇到它都能快速调用对应的直觉和参数设计方法这比死记公式要实用得多。
