首先得明确：你要的不是移动平均滤波器（固定窗口的滑动平均），而是累积均值（Running/Cumulative Mean）——每一步都计算从第一个输入到当前输入的整体平均值，刚好匹配你的需求：第一个值直接输出，第二个值是前两个的平均，后续每个值都和之前所有值的均值再平均（本质就是更新整体均值）。

核心思路：用递推公式避免存储所有历史数据 #

不需要保存每一个输入值，只需要维护两个状态变量：

• 当前的累积均值（记为mean_prev）
• 已经接收的样本总数（记为count_prev）

递推公式非常简洁：

count_new = count_prev + 1
mean_new = (mean_prev * count_prev + x_current) / count_new

这个公式完美适配你的需求：

• 当第一个信号输入时，count_prev=0，mean_prev=0，代入后count_new=1，mean_new=(0*0 + x1)/1 = x1，直接输出第一个值，符合要求；
• 第二个信号输入时，count_prev=1，mean_prev=x1，代入得mean_new=(x1*1 +x2)/2，就是前两个的平均；
• 后续每一步都会自动更新为所有历史值的平均，完全不需要管信号总长度。

关于初始条件：能不能设为0？ #

完全可以！而且用上面的递推公式时，初始设mean_prev=0、count_prev=0是最优解——既不需要额外判断第一个输入的特殊情况，又能自动输出正确的第一个值，完全适配“信号长度未知、持续接收”的场景。

Simulink实现步骤 #

用几个基础模块就能快速搭建：

1. 状态存储：用两个Memory模块，分别保存mean_prev（初始值0）和count_prev（初始值0）；
2. 计算新计数：用Add模块，把count_prev和常数1相加，得到count_new；
3. 计算分子项：用Product模块计算mean_prev * count_prev，再用Add模块加上当前输入信号x_current；
4. 计算新均值：用Divide模块，把分子项除以count_new，得到mean_new；
5. 反馈与输出：把mean_new同时作为输出信号，和反馈到保存mean_prev的Memory模块；把count_new反馈到保存count_prev的Memory模块。

为什么移动平均滤波器不适用？ #

移动平均是取最近N个样本的平均（N是固定窗口大小），而你需要的是从第一个样本到当前所有样本的平均，两者的计算逻辑完全不同。如果用移动平均，要么窗口设得极大（但信号长度未知，无法确定窗口大小），要么得到的结果不符合你的需求。

内容的提问来源于stack exchange，提问作者user5603723