带噪信号的趋势分析方法

前言

手头有两组时域采样数据，每组大约240个采样点。采样周期固定，信号值在两千到四千之间游走。

肉眼扫过去——毛刺很多，高频抖动明显。但拉远了看，似乎底下藏着某种缓慢变化的结构。就像隔着一层磨砂玻璃看一幅画，大色块能辨认，细节却糊成一团。

DSP里降噪去扰的招数不少。卡尔曼、Holt-Winters、高斯平滑、巴特沃斯、Savitzky-Golay，各有各的路子。我想试试——把这套工具搬到这个信号上，看谁能把底下的轮廓挖出来，谁会被噪声带跑偏。

另外再拿两组最简单的滑动平均（SMA和EMA）当参考线，看看"简单粗暴"和"精心设计"之间到底差多少。

信号概览

先看一眼这两组信号的素颜：

Signal A的振幅比Signal B小，但逐点变化率的峰值很大——有过几次接近 ±5% 的跳变。整体走势像一条被反复折叠的绳子：先往下摔，弹回来，又摔一次，再弹。方向频繁切换。

Signal B的振幅更大，但方向很一致——从头到尾在往上走。中途有几次小幅回撤，但不改大方向。

这两组信号的差异，决定了后面每种方法的命运。

一、卡尔曼滤波——让状态方程替你猜

原理

卡尔曼不直接相信观测值，也不全信预测值。它在两者之间做加权，权重由各自的不确定性决定。

设一个状态向量 $x_k = [p_k, v_k]^T$，装着"当前位置"和"变化速度"。假设信号按匀速模型演化：

$$x_k = F x_{k-1} + w_k, \quad F = \begin{bmatrix}1 & \Delta t \ 0 & 1\end{bmatrix}$$

每来一个新的观测 $z_k$，先预测、再修正：

$$ \begin{aligned} \text{Predict:}\quad \hat{x}k^- &= F \hat{x}{k-1} \ P_k^- &= F P_{k-1} F^T + Q \[4pt] \text{Update:}\quad K_k &= P_k^- H^T (H P_k^- H^T + R)^{-1} \ \hat{x}_k &= \hat{x}_k^- + K_k (z_k - H \hat{x}_k^-) \ P_k &= (I - K_k H) P_k^- \end{aligned} $$

$K_k$ 是卡尔曼增益。$R$ 大（数据很脏）→ $K$ 小，输出平滑。$R$ 小（数据干净）→ $K$ 大，输出贴得紧。

我还写了一个自适应版本：$R$ 不固定，而是拿最近一段预测误差的方差来动态调。信号稳的时候 $R$ 自动变小、强平滑，信号疯的时候 $R$ 自动放大、紧跟。

结果

第一眼会觉得奇怪：卡尔曼在Signal B上表现好得多，MSE几乎减半。

道理不复杂。卡尔曼的匀速模型假设信号沿着一个方向平滑移动。Signal B从年头到年尾一直在涨，正好对上这个假设。Signal A呢？方向来回换。你假设它在匀速前进，它突然掉头，模型当然追不上——每次转向都攒下一截误差。

自适应卡尔曼MSE反而更高。这也不是bug。MSE拆开看是偏差的平方加方差。自适应版本为了在拐点处跟得更紧，牺牲了平滑——它保留了更多高频抖动。你拿MES这把尺子量，它吃亏。但如果你更在乎"拐点处反应有多快"，自适应版本确实更好。

二、Holt-Winters——把信号拆成三块

原理

卡尔曼像物理学家，从运动方程推。Holt-Winters像统计学家，把信号直接拆开。

它把时间序列掰成三块：

• Level（基线）：信号当前的水位
• Trend（趋势）：水位在往哪个方向变、变多快
• Seasonal（季节）：周期性的起伏（这里设周期 = 5个采样点）

三块的更新互相解耦：

$$L_t = \alpha(y_t - S_{t-m}) + (1-\alpha)(L_{t-1} + T_{t-1})$$ $$T_t = \beta(L_t - L_{t-1}) + (1-\beta)T_{t-1}$$ $$S_t = \gamma(y_t - L_t) + (1-\gamma)S_{t-m}$$

预测值把三块加回去：$\hat{y}_t = L_t + T_t + S_t$

EMA（指数滑动平均）只用了一个参数控制平滑，什么都揉在一起。Holt-Winters用三个参数分别控制基线的平滑速度、趋势的跟踪速度、季节分量的更新速度。粒度细得多。

结果

Holt-Winters在所有方法里MSE最低。Signal A上MSE=409，Signal B上MSE=236。相关性也最高，0.993和0.998。

它在Signal A上的表现尤其值得注意。Signal A方向频繁切换，很多方法（包括卡尔曼）都跟不上。但Holt-Winters因为把趋势单独拆出来跟踪，拐弯的时候不至于被惯性拖得太远。

三、高斯平滑 vs 巴特沃斯——时域卷积 vs 频域裁剪

高斯平滑

拿一个高斯核在信号上滑过去做卷积。$\sigma$ 控制窗口宽度：

$$y[n] = \sum_{k=-W}^{W} x[n-k] \cdot \frac{1}{\sqrt{2\pi}\sigma} e^{-k^2/(2\sigma^2)}$$

$\sigma$ 越大越平滑，但也越滞后。

巴特沃斯低通

从频域动刀。设计一个二阶巴特沃斯，截止频率 $f_c$：

$$H(s) = \frac{\omega_c^2}{s^2 + \sqrt{2}\omega_c s + \omega_c^2}$$

双线性变换转成数字滤波器，用零相位（forward-backward）方式跑，消掉相位延迟。$f_c=0.03$ 意味着周期短于33个采样点的波动被压制，$f_c=0.05$ 对应约20个采样点。

结果

高斯 σ=3 比 σ=5 好——σ=5 已经平滑过头了，滤出来的线条很好看，但不真实。

巴特沃斯 fc=0.05 在两个信号上都是最优截止频率。这暗示着周期在20个采样点附近的低频分量，是两组信号中最稳定的结构。

两种方法在Signal B上表现都好于Signal A。这再次印证：Signal A的噪声和信号在频域里搅在一起，不管你是用时域卷积还是频域截断，都不容易干净地分开。Signal B的低频趋势分量占比大，随便一个低通都能出效果。

四、Savitzky-Golay——在窗口里拟合多项式

Savitzky-Golay不直接求平均，而是在每个滑动窗口里用多项式拟合，取拟合值当输出。

窗口 $2m+1$，多项式阶数 $k$：

$$\min_{a_0,…,a_k} \sum_{j=-m}^{m} \left( x_{i+j} - \sum_{r=0}^{k} a_r \cdot j^r \right)^2$$

取 $a_0$ 作为 $i$ 点的滤波输出。

S-G在两组信号上都排第二，仅次于Holt-Winters。窗口=11（约11个采样点）最优。

它比同窗口的SMA强在哪？窗口里SMA在算平均数，S-G在拟合多项式。到拐点处，SMA算出的是一个被拉弯的均值，S-G则能靠多项式的曲率去贴合拐弯——“圆角效应"小得多。

五、基准线——SMA 和 EMA 到底差在哪

SMA和EMA是最朴素的方法，拿来当底线参考：

$$SMA(n)t = \frac{1}{n}\sum{i=0}^{n-1} x_{t-i}$$ $$EMA(n)t = \alpha \cdot x_t + (1-\alpha) \cdot EMA(n){t-1}, \quad \alpha = \frac{2}{n+1}$$

SMA的MSE炸了。Signal A已经跌到谷底的时候，SMA(60)还在半山腰飘着——因为它拿过去60个点的均值，信号掉头太快，它根本来不及转。

但这不说明SMA"没用”。SMA的设计目标从来不是精确还原信号值，而是确认大方向。你把SMA当方向指示器用，它就合理；你拿它跟原始信号逐点比误差，那肯定一塌糊涂。EMA给了近期数据更高权重，跟得紧一些，MSE小了一大截。

一个关键结论：DSP方法在信号还原这个维度上，把简单的滑动平均甩开了好几个量级。 就算是最差的卡尔曼（MSE=2,063），也比EMA(12)（MSE=2,893）强一截。根本原因在于：DSP方法在设计时就把"如何在平滑和保真之间找最优平衡"作为核心命题，而SMA/EMA只是粗暴地加权平均。

六、频域分析——噪声到底蹲在哪个频段

动手滤波之前，先看一眼频谱。去均值后做FFT：

两个信号的频谱差异一目了然：

• Signal A：能量在5~20个采样点周期上洒得很均匀，没有哪个频率"一柱擎天"。这就是它难滤的原因：你想用低通把高频切掉，但"信号"和"噪声"的频段大量重叠。切狠了信号受损，切轻了噪声残留。
• Signal B：能量明显堆积在低频（长周期）上，高频分量弱得多。趋势成分在频域里占据绝对优势，你拿一个截止频率设得合理的低通滤波器过去，一刀就能切出八九成。

这个差异解释了为什么同一套参数在两个信号上表现天差地别。跟方法关系不大，跟信号本身的"信噪比"关系很大。Signal B像安静房间里的耳语，Signal A像菜市场上的对话——不是耳朵不好，是环境太吵。

七、最终排名

所有方法、所有指标，在一张图里摊开：

结论一：Holt-Winters 是全能冠军

两种信号、两种风格，Holt-Winters都是MSE最低。关键原因是它把基线、趋势和周期性分开跟踪——别的招只能一次处理一种成分，它能同时处理三种。

结论二：所有方法在Signal B上都更好

不管你是时域卷积、频域裁剪还是状态空间估计，一到Signal B上MSE都显著下降。信号自己在频域里"信号/噪声分离度高"的时候，任何低通性质的方法都能交差。真正考验本事的是Signal A这种"信号和噪声搅在一起"的场合。

结论三：S-G在保拐点方面最出色

窗口内的多项式拟合比简单求均值聪明太多。同样的窗宽下，S-G的MSE比SMA低两个数量级——一个是几百，一个是几万。这不是参数的差异，是算法思想的差异。

结论四：零延迟是DSP最被低估的优势

SMA(60)的滞后有18个采样点。等它反应过来，变化早已发生。DSP方法都用了零相位滤波（forward-backward）在离线场景下实现了零延迟。就算换成因果模式，卡尔曼的滞后也远小于同平滑度的SMA。

总结

拿了一套DSP工具和两组时间序列，从头到尾对比了一遍。

核心收获：

• Holt-Winters是最佳通用解。在两个信号上都排第一，对参数也不敏感。如果你手头有个来路不明的噪声信号要降噪，先拿它试试。
• 信号决定上限，方法决定下限。Signal B上谁都行，Signal A上Holt-Winters都才409的MSE——信号本身的特性，比你选什么方法重要得多。
• 做滤波之前先看频谱。一眼就能判断这个信号"好不好滤"，也能直接定出截止频率该设在哪——比盲调参数快一个数量级。
• SMA在还原精度上不堪一击，但它不是为还原而生的。它的价值在方向判断，不在数值匹配。别拿错了尺子。

如果让我用一句话总结：Holt-Winters通吃大多数场景，频域分析帮你理解为什么会这样，S-G在信号拐弯多的时候最稳，卡尔曼在有明确运动模型的场景里有独特优势。 每种方法都有自己的舒适区，关键是你得知道你的信号蹲在哪个区。