SMA、EMA与微型Kalman：递归滤波实战

Recursive Filters: SMA, EMA, Low‑Pass, and a Tiny Kalman

在探索优化器时，我深入研究了递归滤波器。这篇文章带你快速掌握在数据噪声大、计算资源紧张且延迟要求严格的场景下，如何选择和使用SMA、EMA/低通滤波器以及微型1D Kalman滤波器。我们尽量简化数学推导，重点讲解直觉和实际应用。这些滤波器具有O(1)内存和计算复杂度，非常适合嵌入式系统、机器人控制循环、移动传感器平滑和遥测数据。通过对比SMA的窗口平均、EMA的指数平滑以及Kalman滤波器的自适应增益，你将学会如何根据传感器噪声和过程噪声调整参数，实现最佳的平滑效果。