最近时间在研究滤波算法，目的是为了更好的识别音频数据。因为有些音频数据里面的杂波太多，很难识别，所以需要先对其进行过滤，才能解析识别。为此，我先在matlab上做了仿真.采用的很多滤波算法，最后选择了对我这个效果最好的，滑动均值滤波。

什么是滑动均值滤波

滑动平均滤波就是把连续取得的N个采样值看成一个队列，队列的长度固定为N，每次采样得到一个新数据放到队尾，并丢掉原来队首的一次数据，把队列中的N个数据进行平均运算，就可以获得新的滤波结果

具体的matlab代码

clear

clc

load boxinfo.mat %载入音频数据

T = data;

figure(1)

plot(T,'-*')

title('原始数据')

hold on;

%%

%滑动平滑滤波

L = length(T);

N=10; % 窗口大下

k = 0;

m =0 ;

for i = 1:L

m = m+1;

if i+N-1 > L

break

else

for j = i:N+i-1

k = k+1;

W(k) = T(j) ;

end

T1(m) = mean(W);

k = 0;

end

end

plot(T1,'r-o')

grid

legend('原始数据','滤波之后')

滤波前后对比图

滤波前后对比图

简单分析一下

经过滑动滤波之后，波形整体变得平滑，这里我们重点关注一下x轴附近的点，可以发现，在波形与x轴交叉的地方，波形都平稳过度，这极大方便的我们后期进行统计。

窗口大小选择

从代码中我们可以发现窗口大小我们选择的是10，如何选择窗口大小，这里我们需要进行一些简单的分析和测试。如果x轴附近的噪点数量(一上一下)比较多，那么窗口大小就应该大一些，反之，小一些。但是过大又会出现过拟合的现象，所以可以多取几个值，然后对比一下，选择一个最好的即可。

不同的窗口大小对比图

不同的窗口大小对比图

简单分析一下

从图中我们可以很明显的看出，当N=4的时候，滤波效果还不是很好，在x轴附近依然有噪点(一上一下)，当N=7的时候，已经基本满足我们的要求，图形已经可以很平稳的过度了，但是从右边的标记处可以看出还是不是很平稳，所以可以继续提高N值，当N=10的时候，波形就完全能够达到我们的要求，所以取10即可。

滑动滤波的Java实现

/*

* 功能 对音频数据进行滑动滤波，使其更好的识别 时间：2015/9/11

*/

public class MovingAverageFilter implements IAudioSignalFilter {

private static final int WINDOWS = 1;

private short[] mTemp = null; // 只声明暂时不初始化,用来记录最后得不到均值处理的点

private short[] mBufout = null;

private int mWindowSize = WINDOWS;

public MovingAverageFilter(int size) {

mWindowSize = size;

}

// 均值滤波方法，输入一个buf数组，返回一个buf1数组，两者下表不一样，所以定义不同的下表，buf的下表为i，buf1的下表为buf1Sub.

// 同理，临时的winArray数组下表为winArraySub

public short[] movingAverageFilter(short[] buf) {

int bufoutSub = 0;

int winArraySub = 0;

short[] winArray = new short[mWindowSize];

if (mTemp == null) {

mBufout = new short[buf.length - mWindowSize + 1];

for (int i = 0; i < buf.length; i++) {

if ((i + mWindowSize) > buf.length) {

break;

} else {

for (int j = i; j < (mWindowSize + i); j++) {

winArray[winArraySub] = buf[j];

winArraySub = winArraySub + 1;

}

mBufout[bufoutSub] = mean(winArray);

bufoutSub = bufoutSub + 1;

winArraySub = 0;

}

}

mTemp = new short[mWindowSize - 1];

System.arraycopy(buf, buf.length - mWindowSize + 1, mTemp, 0,

mWindowSize - 1);

return mBufout;

} else {

short[] bufadd = new short[buf.length + mTemp.length];

mBufout = new short[bufadd.length - mWindowSize + 1];

System.arraycopy(mTemp, 0, bufadd, 0, mTemp.length);

System.arraycopy(buf, 0, bufadd, mTemp.length, buf.length); // 将temp和buf拼接到一块

for (int i = 0; i < bufadd.length; i++) {

if ((i + mWindowSize) > bufadd.length)

break;

else {

for (int j = i; j < (mWindowSize + i); j++) {

winArray[winArraySub] = bufadd[j];

winArraySub = winArraySub + 1;

}

mBufout[bufoutSub] = mean(winArray);

bufoutSub = bufoutSub + 1;

winArraySub = 0;

System.arraycopy(bufadd, bufadd.length - mWindowSize + 1,

mTemp, 0, mWindowSize - 1);

}

}

return mBufout;

}

}

public short mean(short[] array) {

long sum = 0;

for (int i = 0; i < array.length; i++) {

sum += array[i];

}

return (short) (sum / array.length);

}

}