因爲神經網絡中的常用優化算法都會涉及到指數加權移動平均(exponential weighted moving average, ewma;也可稱爲exponential moving average,ema),所以這裏單獨寫下這個知識點。
ewma通過將歷史的值和當前實際值進行加權求和來得到當前值的估計,常用於減小序列數據的噪聲,其公式如下
,將該式進行遞推展開得:
令初始估計值,則
可以看到,歷史值隨着時間距離越大而被賦予越小的權重;具體來說,歷史數據的影響(權重)是隨時間距離變化而呈指數衰減的,也即越久遠的數據對當前估計的影響越小,而這也很符合直覺;當越大,對歷史的遺忘越慢,估計值也越平滑;反之,對歷史的遺忘越快,估計值也越貼近實際值。
另外可以看到,在數據估計的初期,由於沒有足夠的歷史數據,估計值往往跟實際值偏差很大;如果對初期的估計值要求比較高的話,則需要對估計值進行偏差修正,
修正公式:
由於希望估計值的期望跟實際值的期望相當,根據ewma公式,可以得出估計值的期望
當是x是平穩信號時,;否則應該選擇較小的,來使接近0