基于Python的向量滑动窗口矩阵乘法及结果平均实现问题

问题核心 #

给定1×N的一维数组与n×n矩阵（n<N），对数组执行步长为1的滑动窗口操作：每个窗口取1×n分段与矩阵相乘得到1×n结果，最终要将所有窗口的输出汇总为1×N数组，且每个位置的结果为所有覆盖它的窗口输出的平均值。

一、平均操作的二维权重矩阵构建 #

以n=3为例的直观说明 #

假设N=5，滑动窗口共生成3组1×3的输出。我们可以先将这些输出映射到一个3×5的临时矩阵，每个窗口的输出仅填充到其覆盖的位置，其余位置为0：

# 窗口1（覆盖位置0-2）输出：[a0,a1,a2]
[a0, a1, a2, 0, 0]
# 窗口2（覆盖位置1-3）输出：[b0,b1,b2]
[0, b0, b1, b2, 0]
# 窗口3（覆盖位置2-4）输出：[c0,c1,c2]
[0, 0, c0, c1, c2]

接下来需要一个计数数组记录每个位置被窗口覆盖的次数：[1,2,3,2,1]。将临时矩阵按列求和后，再除以计数数组对应位置的数值，即可得到最终的平均结果。

通用化的权重矩阵构建 #

对于任意n和N，计数数组的规律为：

• 前n-1个位置：第i个位置（从0开始）的计数为i+1
• 中间N-2*(n-1)个位置：计数恒为n
• 后n-1个位置：第j个位置（从N-n+1到N-1）的计数为N-j

如果要将平均操作转化为矩阵乘法形式，可以构建一个N×(N-n+1)的权重矩阵W：

• W[i][k] = 1/count[i]，当第k个窗口覆盖位置i时；否则为0
• count[i]为位置i的覆盖次数（即上述计数数组的元素）

最终结果可通过W × 窗口输出矩阵的重组形式计算，但实际工程中直接按列求和再除以计数的实现效率更高。

二、特殊卷积视角的解读 #

该操作可视为一种变种卷积：

• 输入：1×N一维数组
• 核：n×n矩阵
• 步长：1
• 与普通卷积的区别：普通卷积是输入窗口与核做点积（1×n · n×1），这里是输入窗口与核做矩阵乘法（1×n · n×n）得到1×n输出，等价于每个输出位置是输入窗口与核的对应行做点积。

从卷积视角看，汇总的本质是：每个输出位置i，取所有包含i的窗口中，该窗口输出的对应偏移位置元素的平均值。比如位置1会被窗口1的第1个元素、窗口2的第0个元素覆盖，取二者的平均。

三、简单实现示例（伪代码） #

import numpy as np

def sliding_mat_mult_avg(x, kernel):
    N = len(x)
    n = kernel.shape[0]
    num_windows = N - n + 1
    
    result = np.zeros(N, dtype=np.float64)
    coverage_count = np.zeros(N, dtype=np.int32)
    
    for idx in range(num_windows):
        # 提取当前滑动窗口
        window = x[idx:idx+n]
        # 执行矩阵乘法
        window_output = window @ kernel
        # 累加结果到对应位置
        result[idx:idx+n] += window_output
        # 更新覆盖计数
        coverage_count[idx:idx+n] += 1
    
    # 计算平均
    result /= coverage_count
    return result

内容的提问来源于stack exchange，提问作者Rana