给定下面显示的信号，删除它包含的步骤和局部最大值的最佳方法是什么。该信号包含一些步骤，这些步骤可以持续多达 100 个样本，然后它们会返回到与步骤之前大致相同的值（用红色圆圈标记）。还有一些峰只持续一个样品，也应该去除。
第一个数据集：在这个数据集上，中值过滤器按预期工作（此处未显示）。
在以下数据集上，具有相同设置的中值过滤器失败。以中值代替许多样本。
我已经尝试过的：
diff(X)) 的一阶差分，如果一个大的正变化之后立即出现负变化，则更正 X 中的值。优缺点同上。有什么好的方法可以删除/纠正这些不需要的值？
移动平均线的问题在于，平均值对异常值的存在并不稳健——因此您需要一个非常大的窗口大小来“稀释”异常值。
尝试使用非线性滤波器，例如中值滤波器：对信号应用中值滤波器 - 您需要至少 300 个样本的窗口大小。计算原始信号和中值滤波版本之间的差异。如果差值高于阈值，则将信号替换为中值滤波版本。
这是一些scilab尝试实现此建议的代码。结果绘制在此处；它似乎可以很好地处理伪造的数据。
function sm = smooth(x,len)
sm = filter(ones(1,len)/len,1,x);
endfunction
N = 6000;
x = 0.1*rand(1,N,'normal');
y = cumsum(x);
y = smooth(y,100);
clf
subplot(211);
plot(y)
Njumps = 20;
jump_indices = round(rand(1,Njumps)*N);
jump_length = 0;
y2 = y;
for idx = jump_indices,
y2(min(N,idx:(idx+jump_length))) = y(min(N,idx:(idx+jump_length))) + 1;
//plot(min(N,idx:(idx+jump_length)),y2(min(N,idx:(idx+jump_length))),'r')
jump_length = jump_length + 1;
end
plot(y2,'g');
filter_length = 10;
y3 = y;
for k = 1:N,
y3(k) = median(y3(max(1,min(N,(k-filter_length/2):(k+filter_length/2)))));
end
plot(y3,'k')
subplot(212);
plot(y-y2);
plot(y-y3,'r');
使用该diff方法，您可以分别纠正大的积极变化和大的消极变化，即放弃第二个必须立即跟随第一个的条件。计算diff，使用阈值检测异常值，用零或非异常值差异的平均值替换它们，计算差异的累积和。
结果不会是完美的。如果您需要更好的结果，我建议您调查这些步骤和峰值的来源，或者从一开始就避免它们，或者设计一种适合其特性的校正方法。