数组实现信号卷积平滑即用NumPy的np.convolve对一维信号与归一化核（如均值核）卷积，mode='same'保持长度并补零；可提取峰值位置、一阶差分均值、过零点数等特征，二维则用convolve2d配合二维核，需注意边界处理、核归一化及趋势预处理。
用数组实现信号卷积平滑，核心是把原始信号看作一维数组，用一个小的权重数组（卷积核）在它上面滑动、加权求和。这个过程天然适合提取局部趋势、抑制噪声、突出变化特征——比如峰值位置、上升沿斜率、周期性强度等。
用 NumPy 数组完成标准卷积平滑
不需要写循环，直接调用
np.convolve
即可完成一维信号平滑：
准备信号数组：例如
设计平滑核：常用均值核
或高斯核
执行卷积：
（
保持输出长度与输入一致，自动补零）
注意：若用
，结果会变短，适用于只保留完全重叠区域的严格计算
从平滑结果中提取关键变量特征
平滑不是目的，而是为后续分析铺路。常见可提取的变量包括：
局部极值点坐标
：用
获取峰值位置和高度，可用于定位事件时刻或异常强度
一阶差分绝对值均值
：计算
，反映信号整体活跃度或波动剧烈程度
过零点数量
：统计
的长度，粗略表征振荡频率
平滑前后信噪比变化
：若已知原始无噪信号，可用
量化降噪效果
二维信号（如图像/格点场）的平滑与特征提取
对气象、遥感等二维数据，用
scipy.signal.convolve2d
更合适：
构造二维均值核：
执行平滑：
特征可转为标量：如计算平滑后场的方差（空间异质性）、梯度模长均值（边缘强度）、最大连通区域面积（目标尺度）等
避免常见陷阱
实际操作中容易忽略但影响特征可靠性的细节：
边界处理方式直接影响首尾特征值——
补零会压低边缘幅度，必要时改用
或先镜像延拓
卷积核必须归一化（和为1），否则会系统性放大或缩小信号幅值，干扰后续幅度类特征
若原始信号含趋势项（如缓慢上升），建议先用高通滤波或减去移动平均，再平滑，否则平滑会掩盖真实趋势
特征提取前确认平滑参数合理：核宽太小→去噪不足；太大→抹平关键细节。可通过观察残差
的频谱辅助判断
x = np.array([1, 2, 4, 3, 5, 6, 4, 2])kernel = np.array([1, 1, 1]) / 3kernel = np.array([0.25, 0.5, 0.25])y = np.convolve(x, kernel, mode='same')mode='same'mode='valid'scipy.signal.find_peaks(smoothed_signal)np.mean(np.abs(np.diff(smoothed_signal)))np.where(np.diff(np.sign(smoothed_signal)))[0]10 * np.log10(np.var(clean)/np.var(noisy - smoothed))kernel_2d = np.ones((3, 3)) / 9smoothed_2d = convolve2d(data_2d, kernel_2d, mode='same', boundary='fill', fillvalue=0)mode='same'boundary='reflect'noisy - smoothed