几种常用信号平滑去噪的方法（附Matlab代码）

2020年8月更新：增加一个时域和频域的转换关系图，增加相应小节1.5
2021年8月更新：增加第6章小波去噪的内容

信号在实际测量中，难免会混入各种噪声。通常我们希望去除高频的随机噪声，或者是偏离正常测量太大的离群误差，以获得低频的测量数据。下面介绍几种常用的信号平滑去噪的方法。

还是惯例声明：本人没有相关的工程应用经验，只是纯粹对相关算法感兴趣才写此博客。所以如果有错误，欢迎在评论区指正，不胜感激。本文主要关注于算法的实现，对于实际应用等问题本人没有任何经验，所以也不再涉及。

1 滑动平均法

本章参考目录
1《数字信号处理》-胡广书
2《Digital Signal Processing - A Practical Guide For Engineers and Scientists》 - Steven W.Smith

1.0 移动平均法的方法原理

作为开篇第一个方法，会夹带一些数字信号处理的基本方法，可能会导致篇幅比较啰嗦，之后几章我会尽量挑重点的讲解。

滑动平均法（moving average）也叫做移动平均法、平均法、移动平均值滤波法等等，是一种时间域思想上的信号光滑方法。算法思路为，将该点附近的采样点做算数平均，作为这个点光滑后的值。

一般窗口为对称窗口，防止出现相位偏差。窗口一般为奇数。
以3点平均（窗口长度为3）公式为例，原数据为x，平滑后的数据为y：
$$y(n)=1/3\ast (x(n-1)+x(n)+x(n+1))$$
对y(n)和y(n+1)相减，可以得到另一种计算形式：
$$y(n+1)=y(n)-\frac{1}{3}x(n-1)+\frac{1}{3}x(n+2)$$
当然这两者都是等价的。

1.1 matlab内自带函数实现移动平均法

matlab有两个函数实现滑动平均法，一个是smoothdata()函数，一个是movmean()函数。
以窗口长度为5为例，smoothdata()函数调用方法为：

y = smoothdata( x , 'movmean' , 5 );

但是这个smoothdata函数实际上是调用了movmean()函数。所以如果直接使用的话，直接用movmean()会更快。
movmean()函数的调用方法为：

y = movmean( x , 5 );

下面以一个加噪声的正弦信号为例：

%移动平均滤波
clear
clc
close all

N_window = 5;%窗口长度(最好为奇数）
t = 0:0.1:10;
A = cos(2*pi*0.5*t)+0.3*rand(size(t));
B1 = movmean(A,N_window);
figure(1)
plot(t,A,t,B1)

1.2 利用卷积函数conv()实现移动平均法

根据之前的公式，我们可以看到
$$y(n)=1/3\ast (x(n-1)+x(n)+x(n+1))$$
就相当于一个对x和向量[1/3 1/3 1/3]做卷积。
可以验证：

N_window = 5;%窗口长度(最好为奇数）
t = 0:0.25:10;%时间
A = cos(2*pi*0.5*t)+0.3*rand(size(t));
B1 = movmean(A,N_window);

F_average = 1/N_window*ones(1,N_window);%构建卷积核
B2 = conv(A,F_average,'same');%利用卷积的方法计算
figure(2)
plot(t,B1,t,B2)

中间部分两者完全一致，但是两端有所差别。主要是因为，movmean()函数在处理边缘时，采用减小窗口的方式，而conv()相当于在两端补零。所以如何处理边缘也是值得注意的。

1.3 利用filter滤波函数实现移动平均法

首先介绍一下Z变换。以向前的滑动平均为例（这里中间值不是n而是n+1，所以相位会移动）。
$$y(n)=1/3\ast (x(n)+x(n+1)+x(n+2))$$
它的Z变换可以简单的理解为，把x(n+k)替换为z^(-k)，即
$$H(z)=\frac{1}{3}(z^0+z^{-1}+z^{-2})$$

因此对于filter滤波函数，输入的格式为：

y = filter(b,a,x)

其中b和a的定义为：
$$H(z)=\frac{b_1+b_2\cdot z^{-1}+b_3\cdot z^{-2}+\cdots +b_n\cdot z^{-n+1}}{1+a_2\cdot z^{-1}+a_3\cdot z^{-2}+\cdots +a_m\cdot z^{-m+1}}$$
其中a1必须为1。所以对应的移动平均滤波可以表示为：

y = filter( [1/5,1/5,1/5,1/5,1/5] , [1] , x );

它和下面代码的是等价的（在边缘上的处理方式有所不同）

y = movmean( x , [4,0] );

代表有偏移的滑动平均滤波，4是向后4个点的意思，0是向前0个点的意思。

因为 filter滤波器使用有偏移的向后滤波。滤波后，相位会发生改变。所以通常采用零相位滤波器进行滤波，matlab内的函数为filtfilt()。原理从函数名字上就可以体现出来，就是先正常滤波，之后再将信号从后向前再次滤波。正滤一遍反滤一遍，使得相位偏移等于0。这个之后再IIR滤波器会讲一下。

1.4 移动平均的幅频响应

幅频响应可以通过之前1.3得到的H(z)函数来得到，在单位圆上采样，也就是把z替换为e^iw。
以中心窗口为例，
$$y(n)=\frac{1}{3}(x(n-1)+x(n)+x(n+1))$$
$$H(iw)=\frac{1}{3}(\exp (iw{)}^1+\exp (iw{)}^0+\exp (iw{)}^{-1})$$
H(iw)的绝对值就是该滤波方法的幅频响应。以3点滤波为例，matlab代码为：

%计算频率响应
N_window = 3;
w = linspace(0,pi,400);
H_iw = zeros(N_window,length(w));
n=0;
for k = -(N_window-1)/2:1:(N_window-1)/2
    n = n+1;
    H_iw(n,:) =1/3* exp(w.*1i).^(-k);%公式(e^iw)^(-k)
end
H_iw_Sum = abs(sum(H_iw,1));%相加

figure()
plot(w/2/pi,H_iw_Sum)

由于H变换在单位圆上的特性相当于傅里叶变换，所以上面代码等效于下面计算方法：

%计算频率响应
N_window = 3;
Y=zeros(400,1);
Y(1:N_window) = 1/3;%设置滤波器
Y_F = fft(Y);
figure()
plot(linspace(0,0.5,200),abs(Y_F(1:200)));

matlab也有自带的函数来看频率特性，freqz()，推荐使用这种。

其中，归一化频率等于信号频率除以采样频率f/Fs，采样频率等于时间采样间隔的倒数1/dt。对比不同窗口长度的幅频响应，可以看到：
1平均所采用的点数越多，高频信号的滤波效果越好。
2 3点平均对于1/3频率的信号滤波效果最好，5点平均对1/5和2/5频率的信号滤波效果最好。所以根据这个特性，一方面我们要好好利用，一方面也要避免其影响。

举个应用的例子，比如你的采样频率为10hz，采样3点滑动平均滤波，但是你的信号在3.3hz左右，你就会发现你的信号被过滤掉了，只留下了噪声。

反之，以美国近期的疫情为例，疫情的采样频率为1天一采样，而且显示出很强的7日一周期的特性（病毒也要过周末）。所以，为了消除这个归一化频率为1/7的噪声影响，采样7点的滑动平均滤波。可以看到所有以7天为一变化的信号分量全部被消除掉了。
（下面这个图经常被引用，但是很少有人思考为什么用7天平均方法来平滑数据。）

回到原本的幅频特性问题上。当点数较少的时候，比如3个点，高频滤波效果并不是很好。所以当取的点数比较少的时候，需要平滑完一遍之后再平滑一遍，直到满意为止。这个原理也可以通过幅频特性来解释，多次平滑相当于乘了多个H(z)。对于平滑2次，它的图像也就是abs(sum(H_iw,1).*sum(H_iw,1))；对于平滑4次，它的图像相当于乘以四个sum(H_iw,1)。（注：因为时域上的卷积等于频域上的乘积，多次卷积对应着多次乘积。）

可以看到，多次平滑之后，高频的衰减非常明显。这也就是说，即使只有3个点平均，多次平滑之后也可以等效为一个较好的低通滤波器。

所以总结一下，移动平均滤波拥有保低频滤高频的特点，而且对于特点频率的滤波具有良好的效果。但是缺点是所有频率分量的信号都会有不同程度衰减。

1.5 时域和频域的转换关系

额外补充一部分小内容，可能前面有些概念加入的太突然。很多人可能觉得之前时域上的平均法非常好理解，为什么突然加入幅频特性图，又是Z变换又是fft的。

其实时域上的滤波和频域上的滤波是可以互相转换，且一一对应的。也就是时域上的卷积等于频域上的乘积。
下图为3点移动平均滤波法，时域和频域的转换关系：

同样的滤波操作，可以用时域公式： $y(n)=\frac{1}{3}(x(n-1)+x(n)+x(n+1))$，进行描述。也可以用频域上，滤波器的幅频特性进行描述。

虽然前面的 movmean()或者conv()等函数都是用时域实现的信号滤波，但是同样也可以完全在频域上实现。采用ifft(fft(x).*fft(F))实现的滤波效果，和完全时域上的滤波效果是等价的。

下面是展示了窗口长度为3的平滑滤波，从时域上和频域上对信号进行滤波的对比：

%实验，检验频域和时域的一致性
%以3点滤波为例
clear
clc
close all

N_window = 3;%窗口长度(最好为奇数）
t = 0:0.1:10;
A = cos(2*pi*0.3*t)+0.1*cos(2*pi*5*t)+0.2*randn(size(t));

F_average = 1/N_window*ones(1,N_window);%创建滤波器
B2 = conv(A,F_average,'same');%利用卷积的方法计算

figure(1)
plot(t,A,'k','linewidth',0.8)

%计算原信号的fft
A_fft=fft(A);
%构建频域上的滤波器
F_average2=zeros(size(t));%长度与x相同，为了后面.*运算
F_average2(1:(N_window-1)/2+1) = 1/N_window;
F_average2(end-(N_window-1)/2+1:end) = 1/N_window;%前后设置对称，使得相位不变
F_Fft = fft(F_average2);

figure(2)
subplot(1,2,1)
plot(linspace(0,1,length(t)),abs(A_fft),'linewidth',1);
subplot(1,2,2)
plot(linspace(0,1,length(t)),abs(F_Fft),'linewidth',1);

%进行反逆变换
B3=ifft(A_fft.*F_Fft);

figure()
plot( t,B2,t,B3 )%对比时域操作和频域操作的差异

这也意味着你也可以在频域上操作，实现想要的滤波。比如想要低频通过高频衰减，就把fft后的信号，高频部分强行等于0即可。比如想要消除某个频率的信号（陷波），就令fft后那个信号的频率等于0即可。同理，想要把振幅衰减1/2，就在对应频域上乘以0.5。

2 Savitzky-Golay法

本章参考目录：
1《数字信号处理》-胡广书
2 Savitzky-Golay平滑滤波器的最小二乘拟合原理综述 https://wenku.baidu.com/view/b63017eed0d233d4b04e690e.html?fr=search

2.1 Savitzky-Golay法的方法原理

Savitzky-Golay法，又叫做平滑滤波器，最著名的就是5点3次滤波器。这是一种基于时间域上的多项式拟合，来消除噪声的方法。

以简单的5点2次构造方法为例，介绍一下基本的求解系数的方法：
首先选取5个点x[-2],x[-1],x[0],x[1],x[2]，根据这5个点，构造一条2次抛物线：
$$f(i)=a_0+a_1\cdot i+a_2\cdot i^2$$
这里i=-2,-1,0,1,2。因此，我们需要寻找最优的a0,a1,a2，使得最小二乘拟合最小。最小二乘拟合的函数为：
$$\begin{gathered} E=\sum (f(i)-x(-2){)}^2 \\ =(f(-2)-x(-2){)}^2+(f(-1)-x(-1){)}^2+ \\ +(f(0)-x(0){)}^2+(f(1)-x(1){)}^2+(f(2)-x(2){)}^2 \end{gathered}$$
之后希望最小二乘E最小，我们使得其导数等于0，也就是
$$\frac{\partial E}{\partial a_p}=0$$
上面式子中，a0、a1和a2三个偏导数，可以得到3个方程。联立，即可求得a0、a1和a2。
对于无相位差的滤波，我们希望窗口是对称的。也就是说，我们希望用5个点，去估计f[0]的值。因此我们需要的只有a0，因为：
$$f(0)=a_0+a_1\cdot 0+a_2\cdot 0=a_0$$
这里借助Mathematica的符号运算进行编程求解，程序如下：

Clear["Global`*"]
M = 5;(*M个点*)
P = 2;(*P次*)

Mk = (M - 1)/2;
f[i_] = Sum[a[k]*i^k, {k, 0, P}]
En = Sum[(f[k] - x[k])^2, {k, -Mk, Mk}];
DEn = D[En, {Array[a, P + 1, {0, P}]}];
s = Solve[DEn == 0, Array[a, P + 1, {0, P}]];
s[[1]][[1]]

可以得到结果：

a[0] -> 1/35 (-3 x[-2] + 12 x[-1] + 17 x[0] + 12 x[1] - 3 x[2])

对于经典的5点3次平滑结果，只需要把上面代码P改为3即可，恰好结果相同：

a[0] -> 1/35 (-3 x[-2] + 12 x[-1] + 17 x[0] + 12 x[1] - 3 x[2])

Savitzky-Golay法可以看做是移动平均法的推广。因为当次数P等于1时，Savitzky-Golay法退化为求解平均值的形态。当然，它也可以视为一种加权平均。其它加权平均比如高斯加权等等，可以在smoothdata函数里的帮助文档看到，就不细说了。

除此之外，也可以直接用matlab中的sgolay()函数，直接得到系数，还是以5点3次为例：

M=5;%5点
P=3;%3次
b = sgolay( P , M );
a0 = b((M+1)/2,:)

2.2 Savitzky-Golay法的matlab实现

matlab中实现方法和第一章中滑动滤波的方法相似。
利用matlab自带的smoothdata(A,‘sgolay’)函数就可以实现Savitzky-Golay法滤波。但是，该函数只支持N点2次的滤波（2.1阶证明了5点2次和5点3次的a0滤波系数相同，但是其他点数则不相同，这一点一定注意）。

如果想得到不同点数不同次数的公式，参考2.1中的sgolay()函数，可以得到不同的系数。下面代码演示了一个利用matlab自带的5点2阶插值和自己编程实现的5点3次插值，其中自己编程的部分采用了1.2节部分的卷积运算，和2.1节介绍的matlab自带函数sgolay()。

%sgolay滤波
clear
clc
close all

N_window = 5;%窗口长度(最好为奇数）

t = 0:0.1:10;
A = cos(2*pi*0.5*t)+0.4*rand(size(t));

%matlab自带的5点2次插值
B1 = smoothdata(A,'sgolay' ,N_window);
figure(1)
plot(t,A,t,B1)

%5点3次插值
B2 = smooth_SG_hyh(A,5,3,1);
figure(2)
plot(t,B1,t,B2)


function y_new = smooth_SG_hyh(y,M,P,n)
%M点P次插值
%M为窗口长度
%P为拟合阶数
%n为光滑n次

m = length(y);
N_window = M;%窗口长度
b = sgolay( P , N_window );
F_SG = b((N_window+1)/2,:);%5点3次插值
y_new = y;
for k=1:n
    y_new2 = wextend(1,'sym',y_new,(N_window-1)/2);%镜像延拓
    y_new2 = conv(y_new2,F_SG,'same');%利用卷积的方法计算
    y_new = wkeep1(y_new2,m);%中间截断
end

end

2.3 Savitzky-Golay法的幅频响应

利用之前1.4的内容，可以求出Savitzky-Golay法的幅频响应。

%频率响应对比
[w,A_W_5_3] = A_W_SG_hyh(5,3);
[w,A_W_5_1] = A_W_SG_hyh(5,1);
figure()
plot(w,A_W_5_1,w,A_W_5_3)

%频率响应对比
[w,A_W_7_3] = A_W_SG_hyh(7,3);
[w,A_W_7_1] = A_W_SG_hyh(7,1);
figure()
plot(w,A_W_7_1,w,A_W_7_3)
ylim([0,1])

function [w_2p,H_iw_Sum] = A_W_SG_hyh(M,P)
N_window=M;
b = sgolay( P , N_window );
F_SG = b((N_window+1)/2,:);%5点3次插值

w = linspace(0,pi,400);
H_iw = zeros(N_window,length(w));
n=0;
for k = -(N_window-1)/2:1:(N_window-1)/2
    n = n+1;
    H_iw(n,:) =F_SG(n)* exp(w.*1i).^(-k);%公式(e^iw)^(-k)
end
H_iw_Sum = abs(sum(H_iw,1));%相加
w_2p = w/2/pi;
end

可以看到，当拟合的次数增加，该方法对低频的滤波效果变差。所以和平均法相比，5点3次方法的频率特性与3点移动平均比较相似。因此，5点3次方法适用于噪声频率比较高，信号频率比较低（说的都是归一化频率，也就是和采样频率之比）的情况。相比较相同频率效果的平均法，Savitzky-Golay法用了更多的点，在时域上保留了更好信息。

3 处理离群值（粗大误差）的方法

离群值是指在测量值中，出现了一些反常的值，这个反常值与附近的其它正常值差别非常大。

常用的方法有利用$3\sigma$、中位值法、以及基于中位值的MAD方法等等。

本章参考目录：
1 离群值处理方法 https://blog.csdn.net/zjz199303/article/details/79135530
2 常用去除离群值的算法 https://blog.csdn.net/dulingwen/article/details/97006884

3.1 中位值法

中位值法，也叫移动中位数法、中值滤波法等。其思想是将窗口内的中位数作为输出结果，如下图所示：

优点是，在数据采样点密集，且比较平滑的情况下，中位数法可以很好地剔除离群值。缺点是不适用于噪声较大的情况。而且平滑之后，数据光滑度不足。经过中位值法处理之后，极值点会丢失。

matlab中自带的movmedian()函数可以实现中位值法滤波。

clear
clc
close all

%离群值的删除
t = 0:0.05:10;
A = sin(t);
Ri = randi(length(t),10,1);
A(Ri) = A(Ri)*2;

%移动中位数，窗口设置为7
B1 = movmedian(A,7);
figure(1)
plot(t,A,t,B1)

下图可以看到中位值法对于离群值处理的结果。

虽然中值方法能够将所有离群值筛除，但是在8s处的波峰位置，极值点被不属于中位数，所以被消除了。在2s处，由于噪声比较复杂，所以出现了信号不光滑的现象（这里如果加上高频噪声，不光滑现象会更明显）。

3.2 标准差法和MAD法

标准差法又叫做$3\sigma$法。目的是规定一个数据波动阈值，当数据超过这个阈值的时候，便认为该数据离群。这个方法阈值的选取方法，采用窗口数据的3倍标准差。

MAD法也是定义了一个阈值，这个阈值叫做中位数绝对偏差MAD。如果超过了3倍的MAD，则认为该数据离群。

两者在Matlab里，可以用filloutliers()函数进行实现。下面代码对比了标准差法和MAD法在消除离群值的效果。

clear
clc
close all

%离群值的删除
t = 0:0.06:10;
A = sin(t)+0.1*rand(size(t));

Ri = randi(length(t),4,1);
A2 = A;
A2(Ri) = A(Ri)*3;

figure(3)
B2 = filloutliers(A2,'linear','movmean',11);%标准差法
B3 = filloutliers(A2,'linear','movmedian',11);%MAD法

subplot(3,1,1)
plot(t,A2)
YL = ylim;
subplot(3,1,2)
plot(t,B2)
ylim(YL)
subplot(3,1,3)
plot(t,B3)
ylim(YL)

下图可以看到，原本4个离群值，标准差法只找到了1个，但是MAD方法能够做到全部找到，说明MAD方法比标准差法的效果更好，一般更推荐用MAD方法。

3.3 Matlab中其它离群值消除方法

matlab自带的函数smoothdata还有两种方法，可以兼顾去噪和去除离群噪声，一个是’rlowess’ 方法，一个是’rloess’ 方法。下面以’rloess’ 方法为例：

t = 0:0.06:10;
A = sin(t)+0.2*rand(size(t));

Ri = randi(length(t),4,1);
A2=A;
A2(Ri) = A(Ri)*3;
figure(4)
B4 = smoothdata(A2,'rloess',8) ;
plot(t,A2,t,B4)
legend('原函数','光滑')

下图可以看到，数据在光滑的同时，顺便也把离群值去掉了。

4 其它一些FIR滤波器实现光滑去噪

本章参考：
Matlab数字滤波入门 https://zhuanlan.zhihu.com/p/65483011

4.1 FIR和IIR的区别

FIR滤波器也叫做 有限冲击响应滤波器。和它相对的是IIR 无限冲击响应滤波器。在matlab里，有一张图可以比较直观。

对于FIR滤波器，用到的数据只有输入项b，输出项为1。但是对于IIR滤波器，不仅有输入项b（分子），还有输出项a（分母）。

对于FIR滤波器，由于只有分子b，所以可以用卷积conv()函数去进行滤波。但是对于IIR，就不能用卷积函数去计算。一般认为，IIR函数在相同阶数下，滤波效果要比FIR函数要好，但是有可能出现发散问题。

比如前面的移动平均滤波中的1.3章所介绍的，b=[1/3,1/3,1/3]，a=1。就属于一个典型的FIR滤波器。其中，conv(x,b)卷积方法相当于无相位偏移的中心滤波，
$$y(n)=\frac{1}{3}(x(n-1)+x(n)+x(n+1))$$
而filter(b,a,x)函数相当于有相位偏移的向后滤波
$$y(n)=\frac{1}{3}(x(n)+x(n+1)+x(n+2))$$

；

事实上，通过下面的等式，我们还可以构建一个等价的IIR滤波器：
$$H(z)=\frac{1}{3}(z^0+z^{-1}+z^{-2})=\frac{1}{3}\frac{1-z^{-3}}{1-z^{-1}}$$
此时b=[1,0,0,0,-1]，a=[1,-1]。

Fs=20;
t = 0:1/Fs:10;
A = cos(2*pi*0.3*t)+1*sin(2*pi*1.2*t)+0.8*rand(size(t));

b=[1/3,1/3,1/3];a=1;
B1 = filter(b,a,A);

b=1/3*[1,0,0,0,-1];a=[1,-1];
B2 = filter(b,a,A);

plot(t,B1,t,B2)

对比这两个滤波器，可以看到滤波效果是基本等价的。

4.2 利用Matlab构建FIR滤波器

回到FIR滤波器上，之前提到的时域角度提出的均值滤波器和Savitzky-Golay滤波器，都属于FIR滤波器。他们在频域上的表现并不能随意的控制。

如果我们希望构建一个滤波器，让它在频域上满足自己的要求，则可以用fir1()函数去构建。我这里只演示一个简单地，更专业的就不在这里献丑了。

比如，我的采样频率为10hz，我想提取的信号在1hz附近，而噪声则大于等于2hz。因此，需要构建一个低频通过，高频减弱的滤波器，使得在1.5hz以下的信号能够保留，1.5hz以上的信号删除。

于是用下面代码去构建，滤波器长度为31，保留0-0.15之内的信号。（注1：matlab的归一化信号不是0-0.5，而是0-1，所以对应的0.15需要乘以2倍，变成0.3）（注2：最小频率不能是0，必须大于0，所以用0.001代替）（注3：滤波器长度为31是为了演示，实际上不需要这么大的长度，滤波器长度大了的话计算量也会增大）

b = fir1(31,[0.001,0.3]);

构建的滤波器形状和频率特性为：

滤波器形状很像sin(x)/x函数曲线。因为如果频率特性为理想的阶梯形状，则滤波器时域形态从数学上求解就是sin(x)/x函数，也被简写为sinc(x)函数。这种滤波器叫做sinc滤波器，由于其频域像一个矩形，也叫作矩形滤波器。特点就是低频完全通过，高频全部衰减为0，是一种理想的滤波器。

频率特性满足预期的设计。滤波效果如下：

附上上面的matlab代码

clear
clc
close all

Fs=10;
t = 0:1/Fs:10;
A = cos(2*pi*1*t)+0.8*sin(2*pi*2*t+0.5*randn(size(t)))+0.5*randn(size(t));

b = fir1(31,[0.001,0.3]);

figure()
subplot(1,2,1)
N=length(b);
stem(-(N-1)/2:1:(N-1)/2,b)%绘制滤波器形状
subplot(1,2,2)
[h,w]=freqz(b,1,512);%输出频率特性
plot(w/2/pi,abs(h))
xlim([0,0.5]);ylim([0,1])


B2 = conv(A,b,'same');%利用卷积的方法计算
%因为FIR滤波可以利用卷积方法代替，这两个等效的

figure()
plot(t,A,t,B2)
legend('原函数','滤波')

5 IIR滤波器实现光滑去噪

比较著名有巴特沃斯滤波器butter()和切比雪夫滤波器cheby1()。这里感觉还有地方没看懂，就不详细写了。matlab里可以通过designfilt()来自定义的构建滤波器。

以butter滤波器为例，采用零相位滤波，和第4.2节一样，希望保留0-0.15之内的信号。那么构建滤波器格式为：

[b,a] = butter(6,0.15*2,'low' );

b为分子，a为分母。6为6阶，代表滤波器的长度为6+1个点。'low’是低通滤波器的意思，0.15*2代表保留0-0.15之内的信号。得到的滤波器幅频响应曲线如下，可以看到能够满足要求。

利用butter滤波器进行光滑去噪的matlab代码如下：

%butter滤波器
clear
clc
close all


Fs = 10;
t = 0:1/Fs:10;
A = cos(2*pi*1*t)+0.8*sin(2*pi*2*t+0.5*randn(size(t)))+0.5*randn(size(t));
[b,a] = butter(6,0.15*2,'low' );
B = filtfilt(b,a,A);

figure()
[h,w]=freqz(b,a,512);
plot(w/2/pi,abs(h))
xlim([0,0.5]);ylim([0,1])


figure()
plot(t,A,t,B)
legend('原函数','滤波')

平滑后的曲线效果如下图。

6 小波去噪方法

小波去噪最近刚刚接触，这里也更新补充一下。后续具体原理和算法，我尽快补充上（又挖坑）。和传统去噪相比，其优势在于可以更好的提取出信号的主要部分，受噪声影响较小。

比如下面这个图，传统的移动平均去噪（也包括前面介绍的各种滤波器），由于在频域上相当于全局频域上的滤波，所以会出现：高频信号和噪声一块被滤掉了，中间频域去噪效果比较好，低频受噪声影响严重滤波不足 的现象。这就是全局滤波的缺点，按下葫芦浮起瓢，不能做到高频低频同时兼顾。

相比较而言，小波去噪效果就好很多，不仅高频处保留了更多的高频信号信息，低频处的信号也几乎看不到噪声的干扰。

对于非单一频率非周期变化的信号来说，小波去噪的效果明显更好。

matlab有自带的小波去噪函数wden()和wdenoise()。代码如下：

clear
clc
load noisdopp

y1 = wdenoise(noisdopp);
y2 = smoothdata( noisdopp , 'movmean' , 5 );

N=length(y1);
figure()
subplot(2,1,1)
hold on
plot(1:N,noisdopp)
plot(1:N,y1,'linewidth',1)
hold off
xlim([0,1000])
legend('原信号','小波去噪','Location','southeast')
subplot(2,1,2)
hold on
plot(1:N,noisdopp)
plot(1:N,y2,'linewidth',1)
hold off
xlim([0,1000])
legend('原信号','移动平均','Location','southeast')