信号预处理技术：去均值与归一化、滑动平均滤波、中值滤波与去噪
各位同学，咱们今天聊点实在的。
信号预处理，说白了就是给原始信号“洗个澡”。你从传感器、采集卡或者任何地方拿到的信号，基本都带着“脏东西”——直流偏置、噪声、异常毛刺。不处理干净，后面做特征提取、模型训练，全是白搭。
我做了十几年信号处理，踩过的坑比你们走过的路还多。有一次，一个师兄拿了一组振动数据给我看，频谱分析怎么都找不到故障频率。我一看原始波形，直流分量大得离谱，归一化都没做。去掉均值之后，故障特征清清楚楚。嗯，从那以后，预处理成了我雷打不动的第一步。
核心观点：预处理不是可选项，是必选项。它决定了你后续分析的“地基”稳不稳。
1. 去均值与归一化
先说说去均值。这玩意儿最简单，但也最容易被忽略。
传感器输出的信号，往往叠加了一个固定的直流偏置。比如加速度计，静止时输出可能不是0V，而是2.5V。这个偏置对分析没意义，反而会压低有效信号的动态范围。
去均值的公式很简单：
x_centered = x - mean(x)我个人习惯，拿到数据第一件事就是画个时域图，看看均值是不是在零附近。如果不是，二话不说，先减掉。
归一化呢，是为了让不同量纲的信号能放在一起比较。比如你同时采集了温度（0-100℃）和振动（±5g），如果不归一化，机器学习模型会天然“偏爱”数值大的特征。
常用的归一化方法有两种：
| 方法 | 公式 | 适用场景 |
|---|---|---|
| Min-Max归一化 | x_norm = (x - min)/(max - min) | 信号范围已知，且无异常离群点 |
| Z-score标准化 | x_norm = (x - mean)/std | 信号有噪声，或存在离群值 |
我的经验：做机器学习时，我几乎只用Z-score。Min-Max对离群点太敏感，一个异常尖峰就能把整个信号压扁。你想想看，本来正常的振动幅值，被一个毛刺一拉，全变成0.1以下了，这还学个啥？
2. 滑动平均滤波
滑动平均，也叫移动平均。它是时域滤波里最朴素、最有效的方法之一。
原理很简单：用当前点前后N个点的平均值，代替当前点的值。公式长这样：
y[n] = (1/N) * sum(x[n-k] for k in range(N))说白了，就是拿一个“窗口”在信号上滑，窗口里的数据取个平均。
我在项目中遇到过一个问题：采集心电信号时，50Hz工频干扰特别严重。用滑动平均滤波，窗口长度选为采样率的1/50，也就是一个工频周期内的点数。效果立竿见影，工频干扰几乎被完全消除。
注意：滑动平均会带来相位延迟。窗口越长，延迟越大。如果你做的是实时控制，这个延迟可能是致命的。我曾经在一个电机控制项目里，用了50点的滑动平均，结果相位滞后导致系统振荡，差点烧了驱动器。
滑动平均的另一个问题是：它对脉冲噪声（比如传感器瞬间跳变）的抑制效果很差。为什么？因为一个大的脉冲，即使被平均了，还是会“污染”周围的好几个点。这时候，就该中值滤波上场了。
3. 中值滤波与去噪
中值滤波，顾名思义，用窗口内所有点的中位数代替当前点。
它的核心优势：对脉冲噪声、椒盐噪声有奇效。而且，它不会像滑动平均那样模糊信号的边缘。
y[n] = median(x[n-k], ..., x[n], ..., x[n+k])举个例子：你有一段语音信号，中间有几个“咔咔”的爆音。用滑动平均，爆音会被抹开，变成一段“嗡嗡”的模糊声。用中值滤波，爆音直接消失，周围的语音几乎不受影响。
我建议，处理传感器数据时，如果发现信号里有明显的“毛刺”或“跳点”，优先尝试中值滤波。窗口大小一般选3、5、7，奇数就行。窗口太大，会把有用的细节也滤掉。
避坑指南：我曾经在一个振动监测项目里，直接用滑动平均去噪，结果把轴承故障的冲击特征给平滑掉了。后来换成中值滤波，故障特征保留得非常好。记住：去噪不是越干净越好，保留有用信息才是关键。
4. 知识体系总览
下面这张图，是我自己梳理的信号预处理知识框架。你可以把它当作一个“检查清单”，每次处理信号前，对照着走一遍。
这张图把三个核心方法串起来了。你从原始信号出发，根据噪声类型和后续需求，选择对应的预处理手段。去均值与归一化是“基础操作”，几乎每次都要做。滑动平均适合处理平稳噪声，中值滤波专治脉冲干扰。
我的建议：实际项目中，这三种方法经常组合使用。比如：先去均值，再中值滤波去毛刺，最后滑动平均平滑。但顺序很重要——先中值后平均，比先平均后中值效果好得多。你可以自己试试看。
好了，这一章的内容就到这里。预处理是信号处理的基本功，也是机器学习模型能否学到有效特征的关键。下一章，我们会深入频域，看看傅里叶变换是怎么把信号从时间轴搬到频率轴的。