平滑滤波算法总结 (Smoothing and filter algorithms overview)

A

自己项目中经常需要对一维时间序列进行滤波处理（保留原始信号，消除噪声信号），这里做些总结，一方面总结知识，另外帮助他人
1.常用滤波技术
1.1.均值滤波（待续）
1.2.中值滤波（待续）
1.3.高斯滤波法（待续）
1.4.指数平滑（待续）
2.复杂滤波方法
2.1.STL分解(待续)
STL全称 基于损失的季节性趋势分解过程，此算法思想 一些随时间变化的信号由三种信号组合而成，他们分别是 趋势（trend）、季节（seasonal）和残差（residue）,因此，此技术将时间序列信号分解为上面的三个部分。
（待续）
2.2.光滑样条（待续）
2.3.最小二乘拟合残差法（待续）
SG平滑滤波（多项式平滑算法）
2.4.样条拟合残差法（待续）

B

2025 03 14 时间过得真快，一眨眼就5年了！ 上面列举的算法今天还是无法一一解释清楚，希望有心人自己查找对应的知识细节，授人以鱼不如授人以渔！不过今天无意看到一个特别棒的老外总结的kalman and Bayesian Filters 汇总，分享到这里，分享知识，传播思想 ！

Kalman and Bayesian Filters in Python

有对应的书籍《Kalman Filters and Random Signals in Python》，原著的作者 Roger Labbe 是一名在航天航空领域工作近 20 年的资深软件工程师。本书尝试不使用复杂的数学理论去教会让大家了解滤波器的细节。本书中的代码都是使用 Jupyter Notebook 编写的。 使得作者可以更好的将文本、数学、Python 和 Python 输出组合到一处。并且本书有配套的习题和答案，更好的帮你理解滤波器逻辑。
本系列博客可能更新较慢，大家如果感兴趣非常欢迎直接去读原版。

C