滤波---指数移动平均法（Exponential Moving Average, EMA）

指数移动平均（Exponential Moving Average, EMA），又称指数加权移动平均（Exponentially Weighted Moving Average, EWMA），是工业测控、机器人感知、数字信号处理与控制系统中应用最广泛的一阶平滑算法。

本文从统计平滑 与数字信号处理 双重视角出发，系统推导EMA的核心原理、参数物理意义、频域特性与工程实现方法，厘清平滑因子α\alphaα、时间常数τ\tauτ、截止频率fcf_cfc与等效窗口长度的换算关系。

一、EMA的定义与直观理解

1.1 标准递推形式

工业界与学术界最通用的EMA递推定义为：

yk=αxk+(1−α)yk−1 \boxed{y_k=\alpha x_k+(1-\alpha)y_{k-1}} yk=αxk+(1−α)yk−1

其中：

xkx_kxk：第kkk时刻的原始测量值
yky_kyk：第kkk时刻的滤波输出值
yk−1y_{k-1}yk−1：上一时刻的滤波输出值
α\alphaα：当前测量值的权重因子，满足0<α≤10<\alpha\le10<α≤1

将公式变形可得到更具物理直觉的误差修正形式：

yk=yk−1+α(xk−yk−1) \boxed{y_k=y_{k-1}+\alpha(x_k-y_{k-1})} yk=yk−1+α(xk−yk−1)

令ek=xk−yk−1e_k = x_k - y_{k-1}ek=xk−yk−1表示当前测量相对于历史估计的"新息"（预测误差），则EMA的物理意义可概括为：

新估计 = 旧估计 + 平滑因子 × 新信息

举例说明：若上一时刻估计值为100，当前传感器读数为110，平滑因子α=0.2\alpha=0.2α=0.2，则新息为10，EMA仅吸收其中20%的偏差，将估计值更新为102。这种"不完全信任单次测量"的特性，正是EMA平滑噪声的核心机制。

1.2 为什么叫"指数"移动平均

从递推式表面看，EMA仅使用了当前测量与上一时刻输出两个数据。但实际上，yk−1y_{k-1}yk−1本身包含了所有历史数据的信息。令r=1−αr=1-\alphar=1−α，对递推式逐次展开：

yk=αxk+ryk−1 =αxk+αrxk−1+r2yk−2 =αxk+αrxk−1+αr2xk−2+αr3xk−3+⋯ \begin{align*} y_k &= \alpha x_k + r y_{k-1} \ &= \alpha x_k + \alpha r x_{k-1} + r^2 y_{k-2} \ &= \alpha x_k + \alpha r x_{k-1} + \alpha r^2 x_{k-2} + \alpha r^3 x_{k-3} + \cdots \end{align*} yk=αxk+ryk−1 =αxk+αrxk−1+r2yk−2 =αxk+αrxk−1+αr2xk−2+αr3xk−3+⋯

由此可得第iii个历史样本的权重：

wi=α(1−α)i \boxed{w_i=\alpha(1-\alpha)^i} wi=α(1−α)i

权重序列为α, α(1−α), α(1−α)2, α(1−α)3,...\alpha,\ \alpha(1-\alpha),\ \alpha(1-\alpha)^2,\ \alpha(1-\alpha)^3,\dotsα, α(1−α), α(1−α)2, α(1−α)3,...，随时间步长按指数规律衰减。pandas官方文档中也明确给出了该指数权重形式，并对应了其ewm接口的递归实现。

以α=0.2\alpha=0.2α=0.2为例，历史样本的权重衰减如下：

样本位置	权重值
当前xkx_kxk	0.2000
xk−1x_{k-1}xk−1	0.1600
xk−2x_{k-2}xk−2	0.1280
xk−3x_{k-3}xk−3	0.1024
xk−4x_{k-4}xk−4	0.0819
...	...

与固定窗口滑动平均不同，EMA没有硬截断的窗口边界，越新的数据权重越高，越旧的数据影响越小，理论上所有历史数据都会对当前输出产生微弱贡献。

二、统计视角：权重特性与噪声抑制能力

2.1 等效窗口长度

EMA没有固定的物理窗口，但可通过统计特性定义等效窗口长度 NeffN_{\text{eff}}Neff，用于衡量其对白噪声的抑制能力。对于白噪声输入，EMA的等效窗口满足：

Neff=2−αα=2α−1 \boxed{N_{\mathrm{eff}} = \frac{2-\alpha}{\alpha} = \frac{2}{\alpha}-1} Neff=α2−α=α2−1

反向推导可得：

α=2Neff+1 \boxed{\alpha = \frac{2}{N_{\mathrm{eff}}+1}} α=Neff+12

α\alphaα	近似等效窗口NeffN_{\text{eff}}Neff
0.5	3
0.2	9
0.1	19
0.05	39
0.02	99

例如α=0.1\alpha=0.1α=0.1的EMA，对白噪声的抑制能力大致等价于19点等权重滑动平均，但仅需保存单个状态变量，计算量为(O(1))(O(1))(O(1))。需注意，等效窗口是统计意义上的等价，EMA并未真正丢弃窗口外的数据。

2.2 对白噪声的抑制能力

设测量信号为xk=s+nkx_k = s + n_kxk=s+nk，其中sss为恒定真值，nkn_knk为零均值独立白噪声，方差为σ2\sigma^2σ2。EMA的冲激响应为hi=α(1−α)ih_i=\alpha(1-\alpha)^ihi=α(1−α)i，根据线性系统噪声传播特性，输出噪声方差为输入噪声方差乘以冲激响应的能量和：

σy2=σ2∑i=0∞hi2 \sigma_y^2 = \sigma^2 \sum_{i=0}^{\infty}h_i^2 σy2=σ2i=0∑∞hi2

代入冲激响应并利用无穷等比级数求和，可得：

σy2=α2−ασ2 \boxed{\sigma_y^2 = \frac{\alpha}{2-\alpha}\sigma^2} σy2=2−αασ2

输出噪声标准差为：

σy=α2−ασ \boxed{\sigma_y = \sqrt{\frac{\alpha}{2-\alpha}}\sigma} σy=2−αα σ

以α=0.1\alpha=0.1α=0.1为例，输出噪声方差仅为输入的5.26%，标准差衰减至约22.9%，可见EMA对高频随机抖动有显著的抑制效果。

重要前提：该结论仅适用于近似白噪声、样本间独立的场景。对于温漂、慢变系统误差、模型偏差等低频干扰，EMA作为低通滤波器无法将其滤除，反而会将其平滑保留。

三、数字信号处理视角：一阶IIR低通滤波器

3.1 差分方程与IIR本质

EMA的递推式可改写为标准离散时间差分方程形式：

y $k$ =αx $k$ +(1−α)y $k-1$ y $k$ = \alpha x $k$ + (1-\alpha)y $k-1$ y $k$ =αx $k$ +(1−α)y $k-1$

输出不仅依赖当前与历史输入，还依赖上一时刻的输出，存在反馈回路。在数字信号处理中，这类带反馈、冲激响应理论上无限长的滤波器被称为无限冲激响应（IIR）滤波器。

SciPy的scipy.signal.lfilter函数可直接实现该滤波器，对应参数为：

分子系数b = [alpha]
分母系数a = [1, -(1-alpha)]

3.2 Z变换与传递函数

对差分方程两边做Z变换：

Y(z)=αX(z)+(1−α)z−1Y(z) Y(z) = \alpha X(z) + (1-\alpha)z^{-1}Y(z) Y(z)=αX(z)+(1−α)z−1Y(z)

整理可得系统传递函数：

H(z)=Y(z)X(z)=α1−(1−α)z−1 \boxed{H(z) = \frac{Y(z)}{X(z)} = \frac{\alpha}{1-(1-\alpha)z^{-1}}} H(z)=X(z)Y(z)=1−(1−α)z−1α

这是标准的一阶IIR低通滤波器形式，其极点由分母为零解得：

zp=1−α \boxed{z_p = 1-\alpha} zp=1−α

极点在单位圆内的位置直接决定了系统特性：

当α\alphaα较大（如0.8），极点zp=0.2z_p=0.2zp=0.2靠近原点，历史衰减快、记忆短、响应快、平滑弱
当α\alphaα较小（如0.1），极点zp=0.9z_p=0.9zp=0.9靠近单位圆，历史衰减慢、记忆长、响应慢、平滑强

3.3 幅频响应与低通特性

将z=ejωz=e^{j\omega}z=ejω代入传递函数，可得离散域频率响应，其中ω\omegaω为归一化角频率，范围 $0,π$ $0,\\pi$ $0,π$ ，对应物理频率 $0,fs/2$ $0,f_s/2$ $0,fs/2$ 。

令r=1−αr=1-\alphar=1−α，可推导幅频响应的模值：

∣H(ejω)∣=α1+r2−2rcos⁡ω \boxed{|H(e^{j\omega})| = \frac{\alpha}{\sqrt{1+r^2-2r\cos\omega}}} ∣H(ejω)∣=1+r2−2rcosω α

通过两个极端频率验证其低通特性：

直流分量（ω=0\omega=0ω=0） ：
∣H(ej0)∣=α1−(1−α)=1 |H(e^{j0})| = \frac{\alpha}{1-(1-\alpha)} = 1 ∣H(ej0)∣=1−(1−α)α=1
直流增益为1，恒定真值不会被衰减。
奈奎斯特频率（ω=π\omega=\piω=π） ：
∣H(ejπ)∣=α2−α |H(e^{j\pi})| = \frac{\alpha}{2-\alpha} ∣H(ejπ)∣=2−αα
当α=0.1\alpha=0.1α=0.1时，高频增益仅约0.0526，高频噪声被强烈抑制。

由此可证：EMA本质是通低频、阻高频的一阶低通滤波器。

3.4 精确的-3dB截止频率

滤波器的-3dB截止频率定义为幅值增益下降至1/21/\sqrt{2}1/2 的频率点。令∣H(ejωc)∣2=1/2|H(e^{j\omega_c})|^2 = 1/2∣H(ejωc)∣2=1/2，代入幅频公式可解得：

cos⁡ωc=1−α22(1−α) \boxed{\cos\omega_c = 1 - \frac{\alpha^2}{2(1-\alpha)}} cosωc=1−2(1−α)α2

其中ωc=2πfc/fs\omega_c = 2\pi f_c / f_sωc=2πfc/fs为截止角频率。反向求解α\alphaα，令q=1−cos⁡ωcq=1-\cos\omega_cq=1−cosωc，可得闭式解：

α=q2+2q−q \boxed{\alpha = \sqrt{q^2+2q} - q} α=q2+2q −q

该公式给出了离散域EMA严格意义上的-3dB截止频率设计方法。当截止频率远低于采样频率时，其结果与连续域近似方法高度吻合。

四、主要参数的物理意义与换算体系

平滑因子α\alphaα并非孤立的"平滑旋钮"，它同时决定了系统的记忆深度 、时间常数 、截止频率 、噪声抑制能力 与响应延迟五者是严格关联的。

4.1 时间常数τ\tauτ：最具物理意义的参数

固定α\alphaα的缺陷在于：相同α\alphaα在不同采样率下，物理平滑效果差异巨大。工业系统更推荐使用时间常数 τ\tauτ作为核心参数，其定义源于阶跃响应特性。

设滤波器初始状态为0，输入突变为恒定值1，EMA的阶跃响应为：

yn=1−(1−α)n y_n = 1 - (1-\alpha)^n yn=1−(1−α)n

定义时间常数τ\tauτ为阶跃响应误差衰减至(1/e)(1/e)(1/e)（约36.8%）所需的时间，即输出达到终值63.2%的时刻。由此推导：

(1−α)nτ=e−1 ⟹ nτ=−1ln⁡(1−α) (1-\alpha)^{n_\tau} = e^{-1} \implies n_\tau = -\frac{1}{\ln(1-\alpha)} (1−α)nτ=e−1⟹nτ=−ln(1−α)1

其中nτn_\taunτ为时间常数对应的样本数。若采样周期为TsT_sTs，则物理时间常数：

τ=−Tsln⁡(1−α) \boxed{\tau = -\frac{T_s}{\ln(1-\alpha)}} τ=−ln(1−α)Ts

反向由时间常数计算平滑因子：

α=1−e−Ts/τ \boxed{\alpha = 1 - e^{-T_s/\tau}} α=1−e−Ts/τ

阶跃响应的典型节点为：

t=τt=\taut=τ：输出达到终值的63.2%
t=2τt=2\taut=2τ：输出达到终值的86.5%
t=3τt=3\taut=3τ：输出达到终值的95.0%
t≈5τt\approx5\taut≈5τ：输出达到终值的99.3%，可认为基本稳态

该特性与连续一阶系统完全一致，MathWorks官方参数平滑模块也采用了相同的时间常数定义。

4.2 截止频率与时间常数的关系

连续时间一阶低通滤波器的传递函数为：

H(s)=11+τs H(s) = \frac{1}{1+\tau s} H(s)=1+τs1

其-3dB截止频率满足：

fc=12πτ \boxed{f_c = \frac{1}{2\pi\tau}} fc=2πτ1

结合α\alphaα与τ\tauτ的指数换算关系，可得到由截止频率直接计算平滑因子的工程公式：

α=1−e−2πfc/fs \boxed{\alpha = 1 - e^{-2\pi f_c / f_s}} α=1−e−2πfc/fs

示例：采样率fs=100 Hzf_s=100\ \text{Hz}fs=100 Hz，期望截止频率fc=5 Hzf_c=5\ \text{Hz}fc=5 Hz，则：

Ts=0.01 s,τ=12π×5≈0.0318 s T_s = 0.01\ \text{s},\quad \tau = \frac{1}{2\pi\times5} \approx 0.0318\ \text{s} Ts=0.01 s,τ=2π×51≈0.0318 s

α=1−e−0.01/0.0318≈0.270 \alpha = 1 - e^{-0.01/0.0318} \approx 0.270 α=1−e−0.01/0.0318≈0.270

4.3 两种离散化方法的差异

工程中还常见另一种α\alphaα计算公式：

α=Tsτ+Ts \alpha = \frac{T_s}{\tau + T_s} α=τ+TsTs

该式源于对连续一阶微分方程的后向欧拉离散化。而指数匹配公式α=1−e−Ts/τ\alpha = 1 - e^{-T_s/\tau}α=1−e−Ts/τ是对时间常数的精确匹配。

当采样频率远高于截止频率（Ts≪τT_s \ll \tauTs≪τ）时，两者近似相等，均满足α≈Ts/τ\alpha \approx T_s/\tauα≈Ts/τ；当截止频率较高时，指数匹配的精度更优。

五、EMA的固有特性与设计权衡

5.1 相位滞后与响应延迟

滤波没有"免费午餐"：抑制高频噪声必然伴随相位滞后与响应延迟。EMA作为一阶IIR滤波器，不具备线性相位特性。

在低频段，EMA的群延迟近似为：

D≈1−αα \boxed{D \approx \frac{1-\alpha}{\alpha}} D≈α1−α

单位为采样周期。典型值对应：

α=0.5\alpha=0.5α=0.5：延迟约1个采样周期
α=0.2\alpha=0.2α=0.2：延迟约4个采样周期
α=0.1\alpha=0.1α=0.1：延迟约9个采样周期

平滑强度与响应速度构成核心权衡：滤波越强，响应越慢。

5.2 闭环控制系统中的约束

在"传感器→滤波→控制器→执行器"的闭环链路中，EMA引入的相位滞后会直接降低系统相位裕度，增加振荡风险。因此：

用于UI显示、离线数据可视化时，可采用较强的平滑以获得美观曲线
用于闭环反馈控制时，需在噪声抑制与控制带宽之间严格权衡，不可片面追求平滑效果

设计时需综合考量噪声主频、控制带宽、采样频率与允许最大延迟四个约束。

5.3 对异常值的局限性

EMA是线性滤波器，对单点突刺、椒盐噪声、离群点的抑制能力有限。例如正常值为100时出现一个500的异常值，α=0.2\alpha=0.2α=0.2的EMA会将输出瞬间拉偏至180，仍会产生明显扰动。

EMA适用于小幅值、高频、近似高斯分布 的随机噪声；对于偶发异常值，推荐采用"异常值剔除→中值滤波→EMA"的级联方案，而非单纯减小α\alphaα。

六、EMA与滑动平均(SMA)的对比

滑动平均对窗口内所有样本赋予相等权重，而指数平滑对历史数据赋予指数衰减权重。

特性维度	简单滑动平均(SMA)	指数移动平均(EMA)
历史权重	窗口内等权重，窗外权重为0	指数连续衰减，无硬截断
窗口长度	固定N点	无限历史，等效窗口统计意义
内存占用	需保存N个历史样本	仅需保存1个状态变量
计算复杂度	(O(N))(O(N))(O(N))或维护累计和(O(1))(O(1))(O(1))	严格(O(1))(O(1))(O(1))
核心参数	窗口长度N	α\alphaα / τ\tauτ / fcf_cfc
频域特性	具有sinc形旁瓣与零点	单调一阶低通，无旁瓣
实时实现	需维护数据队列	单状态递归，极其适合嵌入式

七、工程实践

7.1 初始化：避免启动瞬态

错误的初始化（如初始值设为0）会在系统启动时产生巨大的人为瞬态。例如真值约为100、α=0.1\alpha=0.1α=0.1时，前几次输出会依次为10、19、27.1，严重偏离真实值。

最佳实践 ：首帧测量直接赋值给滤波状态，即y0=x0y_0 = x_0y0=x0。

7.2 非均匀采样：固定时间常数而非固定(α\alphaα)

在视觉检测、点云处理等场景中，采样间隔常因算法耗时、掉帧、网络波动而不稳定。固定α\alphaα会导致实际平滑强度随帧率变化。

解决方案是固定物理时间常数τ\tauτ，每帧根据实际时间间隔Δtk\Delta t_kΔtk动态计算αk\alpha_kαk ：

αk=1−e−Δtk/τ \boxed{\alpha_k = 1 - e^{-\Delta t_k / \tau}} αk=1−e−Δtk/τ

该方法保证滤波器的物理时间常数恒定，不受帧率波动影响。

7.3 科学调参方法论

工程调参不应盲目试错α\alphaα，而应从需求出发倒推参数：

明确采样率fsf_sfs
确定需要保留的最快真实动态频率
确定需要滤除的主要噪声频段
选取合适的截止频率fcf_cfc
由fcf_cfc计算时间常数τ\tauτ，再得到α\alphaα

该流程让每个参数都具备明确的物理意义，避免凭感觉调参。

7.4 C++工程实现代码

版本一：固定平滑因子(\alpha)

cpp 复制代码

class EMAFilter {
public:
    explicit EMAFilter(double alpha) : alpha_(alpha) {}

    double update(double measurement) {
        if (!initialized_) {
            value_ = measurement;
            initialized_ = true;
            return value_;
        }
        // 误差修正形式，物理意义更清晰
        value_ += alpha_ * (measurement - value_);
        return value_;
    }

    void reset() {
        initialized_ = false;
        value_ = 0.0;
    }

    double value() const { return value_; }

private:
    double alpha_;
    double value_{0.0};
    bool initialized_{false};
};

版本二：固定时间常数(\tau)（适配非均匀采样）

cpp 复制代码

#include <cmath>

class EMAFilterTau {
public:
    explicit EMAFilterTau(double tau) : tau_(tau) {}

    double update(double measurement, double dt) {
        if (!initialized_) {
            value_ = measurement;
            initialized_ = true;
            return value_;
        }
        const double alpha = 1.0 - std::exp(-dt / tau_);
        value_ += alpha * (measurement - value_);
        return value_;
    }

    void reset() { initialized_ = false; }

private:
    double tau_;
    double value_{0.0};
    bool initialized_{false};
};

八、扩展：从标量到高维，从固定增益到卡尔曼

8.1 三维位置的EMA

对于三维位置向量p= $x,y,z$ T\mathbf{p}= $x,y,z$ ^Tp= $x,y,z$ T，可直接对三个分量独立执行EMA：

p∗k=p∗k−1+α(p∗kmeas−p∗k−1) \boxed{\mathbf{p}*k = \mathbf{p}*{k-1} + \alpha(\mathbf{p}*k^{\text{meas}} - \mathbf{p}*{k-1})} p∗k=p∗k−1+α(p∗kmeas−p∗k−1)

该方法在多数场景下效果良好，计算高效。

8.2 姿态滤波：不可直接套用标量EMA

欧拉角、四元数等姿态量位于非欧几里得流形上，直接线性加权会产生错误。例如179°与-179°实际仅相差2°，直接平均会得到0°的错误结果。

姿态的指数平滑需在流形上进行，四元数通常采用球面线性插值（SLERP）实现等效EMA：

qk=Slerp⁡(qk−1,qmeas,α) q_k = \operatorname{Slerp}(q_{k-1}, q_{\text{meas}}, \alpha) qk=Slerp(qk−1,qmeas,α)

而非直接对四元数分量做线性加权。

8.3 EMA与卡尔曼滤波的关系

EMA的更新形式与卡尔曼滤波的测量更新高度相似：

EMA：yk=yk−1+α(xk−yk−1)y_k = y_{k-1} + \alpha(x_k - y_{k-1})yk=yk−1+α(xk−yk−1)
卡尔曼更新：x^k=x^k−+Kk(zk−x^k−)\hat{x}_k = \hat{x}_k^- + K_k(z_k - \hat{x}_k^-)x^k=x^k−+Kk(zk−x^k−)

两者核心区别在于：

EMA是固定增益的一阶递归平滑，无运动模型，无不确定性估计
卡尔曼滤波包含状态预测模型 与协方差传播，增益随不确定性动态调整

对于静态或缓变目标的纯测量去噪，EMA通常足够；对于需跟踪运动目标、多传感器融合的场景，卡尔曼滤波更具优势。

EMA公式速查

物理量	公式
标准递推式	yk=αxk+(1−α)yk−1y_k = \alpha x_k + (1-\alpha)y_{k-1}yk=αxk+(1−α)yk−1
误差修正形式	yk=yk−1+α(xk−yk−1)y_k = y_{k-1} + \alpha(x_k - y_{k-1})yk=yk−1+α(xk−yk−1)
历史权重	wi=α(1−α)iw_i = \alpha(1-\alpha)^iwi=α(1−α)i
传递函数	H(z)=α1−(1−α)z−1H(z) = \dfrac{\alpha}{1-(1-\alpha)z^{-1}}H(z)=1−(1−α)z−1α
极点位置	zp=1−αz_p = 1-\alphazp=1−α
等效窗口长度	Neff=2−ααN_{\text{eff}} = \dfrac{2-\alpha}{\alpha}Neff=α2−α
输出噪声方差	σy2=α2−ασx2\sigma_y^2 = \dfrac{\alpha}{2-\alpha}\sigma_x^2σy2=2−αασx2
时间常数换算	τ=−Tsln⁡(1−α),α=1−e−Ts/τ\tau = -\dfrac{T_s}{\ln(1-\alpha)},\quad \alpha = 1-e^{-T_s/\tau}τ=−ln(1−α)Ts,α=1−e−Ts/τ
截止频率换算	fc=12πτ,α≈1−e−2πfc/fsf_c = \dfrac{1}{2\pi\tau},\quad \alpha \approx 1-e^{-2\pi f_c/f_s}fc=2πτ1,α≈1−e−2πfc/fs
低频群延迟近似	D≈1−ααD \approx \dfrac{1-\alpha}{\alpha}D≈α1−α