指数加权平均法matlab代码，通过更改权重指数来对数据进行平滑处理，可以选择平滑指数进行更改。 数据平滑处理，单列数据 联系看到即发货 有详细介绍并附带注释，保证可以运行 附带一份数据，可以查看数据格式来调整你的数据最后使用代码运行
最近在整理传感器数据时发现个头疼的问题——采集的信号总是带着毛刺。这种抖动不处理掉，后续分析根本没法看。试了一圈平滑方法，发现指数加权平均用起来最顺手，今天顺手把代码和踩坑经验分享出来。
先看核心函数，直接上硬货：
function smoothed_data = exponential_weighted_average(data, alpha) % 指数加权平均滤波 % data: 输入数据(列向量) % alpha: 平滑因子(0-1)，越小越平滑 n = length(data); smoothed_data = zeros(n,1); smoothed_data(1) = data(1); % 初始化第一个数据 for k = 2:n % 当前值 = α*新数据 + (1-α)*历史值 smoothed_data(k) = alpha * data(k) + (1-alpha) * smoothed_data(k-1); end end这个α参数是灵魂所在，控制着历史数据的记忆长度。α=0.1时算法记性超好，前20个数据还能记住37%的权重；α=0.5的话，7步之前的权重就只剩不到1%了。实际调试时建议从0.2开始试水。
指数加权平均法matlab代码，通过更改权重指数来对数据进行平滑处理，可以选择平滑指数进行更改。 数据平滑处理，单列数据 联系看到即发货 有详细介绍并附带注释，保证可以运行 附带一份数据，可以查看数据格式来调整你的数据最后使用代码运行
给各位准备了个带噪声的测试数据（保存为sensor_data.mat）：
% 生成示例数据 t = 0:0.1:20; raw_data = sin(t) + 0.5*randn(size(t)); % 正弦波+噪声 save('sensor_data.mat', 'raw_data');使用姿势：
load('sensor_data.mat'); smooth_03 = exponential_weighted_average(raw_data', 0.3); smooth_07 = exponential_weighted_average(raw_data', 0.7); figure plot(raw_data,'b.'), hold on plot(smooth_03,'r-','LineWidth',2) plot(smooth_07,'g--','LineWidth',2) legend('原始数据','α=0.3','α=0.7') title('不同平滑因子效果对比')跑起来能看到明显区别——α=0.3时曲线稳如老狗，但相位滞后明显；α=0.7能跟上快速变化，但毛刺没滤干净。工业场景建议配合移动平均做二级滤波，具体可以看信号突变区域的局部放大。
重点提醒：这个方法对突跳异常值不免疫！如果数据中有明显离群点，记得先做中值滤波预处理。另外实时处理时注意初始化问题，第一个数据不准会导致后续全飘，必要时用前三个数据的均值做启动值。
