（Tensorflow之六）滑动平均模型ExponentialMovingAverage

### 滑动平均算法的实现与原理 滑动平均算法是一种常用的滤波方法，其核心思想是通过对一系列数据点进行平均处理，从而平滑掉数据中的噪声[^1]。具体而言，该算法的目标是在一个采样周期内寻找一个值 \( \overline{y} \)，使得该值与各测量值 \( y(i) \) 之间的误差平方和最小化。 在实际应用中，滑动平均算法通常分为两种形式：**简单滑动平均**和**指数滑动平均**。 #### 简单滑动平均（Simple Moving Average, SMA） 简单滑动平均的基本公式为： \[ \overline{y}_n = \frac{1}{N} \sum_{i=1}^{N} y(i) \] 其中，\( \overline{y}_n \) 表示当前窗口内的平均值，\( N \) 是窗口大小，\( y(i) \) 是第 \( i \) 个采样值。这种方法通过计算固定窗口内所有采样值的算术平均来实现平滑效果[^1]。 以下是使用 Java 实现简单滑动平均的一个示例代码： ```java import java.util.LinkedList; import java.util.Queue; public class SimpleMovingAverage { private Queue<Double> window; private int size; private double sum; public SimpleMovingAverage(int size) { this.size = size; this.window = new LinkedList<>(); this.sum = 0.0; } public void addData(double data) { if (window.size() == size) { sum -= window.poll(); } window.offer(data); sum += data; } public double getAverage() { if (window.isEmpty()) return 0.0; return sum / window.size(); } public static void main(String[] args) { int windowSize = 5; SimpleMovingAverage sma = new SimpleMovingAverage(windowSize); for (int i = 0; i < 10; i++) { double data = Math.random() * 100.0; sma.addData(data); System.out.println("原始数据: " + data + ", 平均值: " + sma.getAverage()); } } } ``` #### 指数滑动平均（Exponential Moving Average, EMA） 相比于简单滑动平均，指数滑动平均赋予不同时间点的数据不同的权重，最近的数据点权重更大，而较早的数据点权重逐渐减小。其公式为： \[ Y_n = \alpha Y_{n-1} + (1 - \alpha) X_n \] 其中，\( Y_n \) 是本次滤波结果，\( Y_{n-1} \) 是上次滤波结果，\( X_n \) 是本次采样值，\( \alpha \) 是滤波系数，取值范围为 [0, 1]。较小的 \( \alpha \) 值表示更倾向于保留历史数据的影响，而较大的 \( \alpha \) 值则更关注当前数据的变化[^3]。 以下是一个 Python 实现指数滑动平均的示例代码： ```python class ExponentialMovingAverage: def __init__(self, alpha): self.alpha = alpha self.filtered_value = None def filter(self, value): if self.filtered_value is None: self.filtered_value = value else: self.filtered_value = self.alpha * self.filtered_value + (1 - self.alpha) * value return self.filtered_value # 示例运行 ema = ExponentialMovingAverage(alpha=0.9) for i in range(10): data = i ** 2 # 模拟输入数据 filtered_data = ema.filter(data) print(f"原始数据: {data}, 滤波结果: {filtered_data}") ``` ### 总结 滑动平均算法的核心在于通过对数据进行加权或非加权平均来减少噪声的影响。简单滑动平均适用于对等权重数据的场景，而指数滑动平均更适合需要动态调整权重的应用场合[^3]。