Recursive Filters: SMA, EMA, Low‑Pass, および Tiny Kalman
Recursive Filters: SMA, EMA, Low‑Pass, and a Tiny Kalman (staszewski.xyz)
要約
この記事は、ノイズの多い測定値に対して、レイテンシと計算量がタイトな状況で使用できる再帰フィルタ(スムーザー)について解説しています。SMA(単純移動平均)、EMA(指数移動平均)/ローパスフィルタ、および軽量な1次元カルマンフィルタに焦点を当て、それぞれの直感的な理解と使用例を最小限の数学で紹介しています。特に、計算リソースやメモリが限られている組み込みシステムやストリーミングデータ処理に適しています。
全文翻訳
再帰フィルタ:SMA、EMA、ローパス、そして小さなカルマンフィルタ
オプティマイザを調べているうちに、再帰フィルタの深淵に迷い込んでしまいました。この記事は、測定値にノイズが多いものの、レイテンシと計算量がタイトな場合に使えるスムーザーについての、コンパクトで実践的なツアーです。数学は最小限に、直感は高く保ち、SMA、EMA/ローパス、そして小さな1Dカルマンフィルタをいつ、なぜ使うかに焦点を当てます。
コードだけをお探しの方は、私のKaggle Notebookをこちらで見つけることができます。
なぜ再帰フィルタなのか
再帰フィルタは、計算量とメモリが少ない場合、またはデータがストリームとして到着し、即座に反応する必要がある場合に輝きます。
- O(1)メモリ: 長いバッファではなく、最後の状態(および場合によっては実行中の合計)のみを保持します。
- サンプルあたりO(1)計算: ステップごとに1つか2つの乗算・加算で、マイクロコントローラやタイトなループに最適です。
- オンライン、低レイテンシ: サンプルが到着次第、更新された推定値を出力します。完全なウィンドウを待つ必要はありません。
- シンプルで堅牢な実装: ポート、ベクトル化、または低精度での実行が容易です。
- 不規則なサンプリングに柔軟に対応: 更新は段階的であり、バッチ処理の可用性を前提としません。
直感ノート
私たちが使用する再帰フィルタはすべて、定数サイズの状態を使用します。そのため、組み込みシステム、ロボット制御ループ、モバイルセンサーのスムージング、テレメトリなどで一般的です。
記法
xt(x_t): 時刻ステップtにおける生の観測値。st(s_t): 時刻tにおけるスムージングされた推定値。k: ウィンドウサイズ(移動平均の場合)。α(\[0,1\]): スムージング係数(αが高いほどスムージングされ、遅延も大きくなります)。
再帰平均フィルタ(EMAとしても知られる)
最もよく使うワンライナーです。
st = α * st-1 + (1 - α) * xt
多くのライブラリは直接 α を選択します。私たちの例では、k 個のデータポイントを使用し、記法を記憶しやすくするために α = (k-1)/k と定義します。
直感ノート
これはリーキーインテグレータのように動作します。
αが大きいほど過去をゆっくりと忘れ(スムージングされ、遅延が大きくなります)。最初の行は、実際の平均値に近づくまでに数回のイテレーションを要します。
[画像: 再帰的指数移動平均(EMA)]
単純移動平均(SMA)
過去 k サンプルに対するウィンドウ化された平均です。
st = (1/k) * Σ[i=0 to k-1] xt-i
直感ノート
ノイズを潰すのに優れていますが、遅延があり、過去
kポイントのバッファが必要です。スパイクはウィンドウ全体に均等に「希釈」されます。
[画像: 再帰的SMAフィルタ(ウィンドウ化された平均)]
一次ローパスフィルタ
離散時間では、古典的なローパスフィルタは代数的にEMAと同じです。
yt = α * yt-1 + (1 - α) * xt
名前は異なりますが、形式は同じです。ノイズ抑制と応答性のトレードオフを α で選択します。
[画像: 一次ローパスフィルタのスムージング]
小さな1Dカルマン更新
これはカルマンフィルタの表面をかすめたに過ぎません。小さな1Dカルマン更新です。実際のKFに進む前に直感を構築するための最初の試みです。
センサーノイズ(R)とプロセスノイズ(Q)がわかっている場合、カルマンフィルタは予測と測定値の信頼度を自動的にバランスさせる適応ゲインを提供します。定数値モデル(A=H=1)の場合:
予測:
x̂t⁻ = x̂t-1, Pt⁻ = Pt-1 + Q
更新:
Kt = Pt⁻ / (Pt⁻ + R), x̂t = x̂t⁻ + Kt * (zt - x̂t⁻), Pt = (1 - Kt) * Pt⁻
直感ノート
測定値にノイズが多い(
Rが大きい)場合、Ktは小さくなり、事前情報(予測)をより信頼します。プロセスが不安定(Qが大きい)な場合、Pt⁻が増加し、Ktが大きくなります。新しい測定値をより信頼します。
[画像: シンプルな1Dカルマンフィルタ:推定値と不確実性]
パラメータの選択
- SMAウィンドウ
k:kが大きいほど、スムージングされますが遅延が大きくなります。バッファが必要です。 - EMA/ローパス
α: 0.8〜0.95あたりから始めます。遅延とノイズを目で見て調整します。 - カルマン(Q, R):
Rをセンサーの分散に設定します。Qをステップ間に潜在値がどれだけドリフトすると予想されるかに設定します。
次のステップ
SMAはシンプルで堅牢です。EMA/ローパスはストリーミングのデフォルトです。そして、小さなカルマンフィルタは、ノイズを推定できる場合に、原理に基づいた適応性を追加します。最初の2つのフィルタは実装が容易ですが、カルマンフィルタは1Dバージョンに簡略化されました。実際のカルマンフィルタははるかに複雑であり、私の将来の学習の主題となるはずです。質の高い記事が書かれることを願っています。
巨人の肩の上に立つ
参考にしたリソース:
- Dr. Shane Ross のこのトピックに関するビデオ
- Kalman Filter explained simply