神经网络基础-神经网络补充概念-45-指数加权平均

概念

指数加权平均（Exponential Moving Average，EMA）是一种平均方法，用于平滑时间序列数据或者计算变量的滚动均值。它对数据的权重分布呈指数递减，越靠近当前时刻的数据权重越高，越远离当前时刻的数据权重越低。EMA在信号处理、金融分析和深度学习等领域中有广泛应用，可以用于去噪、趋势分析以及模型参数更新等场景。

公式

EMA的计算公式如下：

EMA(t) = α * x(t) + (1 - α) * EMA(t-1)

其中，t 表示当前时刻，x(t) 表示当前时刻的数据点，α 是平滑因子（也称为衰减因子），通常取值范围在0到1之间。EMA(t-1) 表示上一时刻的指数加权平均。

在每一步迭代中，都会计算新的EMA值，这样可以在数据流动过程中对数据进行平滑处理。

代码实现

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(0)
data = np.random.randn(100)

# 指数加权平均的平滑因子
alpha = 0.2

# 计算指数加权平均
ema = np.zeros_like(data)
ema[0] = data[0]
for t in range(1, len(data)):
    ema[t] = alpha * data[t] + (1 - alpha) * ema[t-1]

# 绘制原始数据和指数加权平均
plt.plot(data, label='Original Data')
plt.plot(ema, label=f'EMA (alpha={alpha})', color='red')
plt.legend()
plt.xlabel('Time')
plt.ylabel('Value')
plt.title('Exponential Moving Average')
plt.show()