📊 数据曲线图工具

📊 移动平均滤波

特点：简单有效的噪声平滑算法，通过计算邻近点的平均值来减少随机噪声。

适用场景：

• 数据有随机噪声但趋势明显

• 需要简单快速的平滑效果

• 传感器数据预处理

窗口大小选择：

• 3-7：轻微平滑，保持细节

• 8-15：中等平滑，平衡噪声和细节

• 16+：强烈平滑，突出主要趋势

🔔 高斯滤波

特点：基于高斯分布的加权平均，能更好地保持信号的边缘特征，平滑效果自然。

适用场景：

• 需要保持信号边缘和特征点

• 图像处理或精密测量数据

• 要求高质量平滑效果

强度选择：

• 3-8：轻微平滑，保持原始特征

• 9-20：适中平滑，去除中频噪声

• 21+：强烈平滑，仅保留主要趋势

🌊 巴特沃斯低通滤波

特点：经典的频域滤波器，能有效去除高频噪声，保持低频信号完整性。

适用场景：

• 信号处理和频谱分析

• 去除已知频率范围的噪声

• 振动、声学数据处理

强度选择：

• 5-15：保留更多高频成分

• 16-30：平衡的频率响应

• 31+：强烈抑制高频噪声

⚡ 中值滤波

特点：取窗口内数值的中位数，能有效去除脉冲噪声和异常值，同时保持边缘。

适用场景：

• 数据有尖峰噪声或异常值

• 需要保持信号跳变边缘

• 数字图像去噪

窗口大小选择：

• 3-5：去除小的异常点

• 6-12：处理中等脉冲噪声

• 13+：去除大范围异常区域

🎯 简单卡尔曼滤波

特点：基于状态估计的自适应滤波器，能根据信号变化动态调整滤波强度。

适用场景：

• 动态系统状态估计

• 传感器融合和导航

• 需要跟踪信号变化趋势

过程噪声选择：

• 5-15：信号变化较慢

• 16-30：中等动态特性

• 31+：快速变化的动态信号