当前位置：首页 > news >正文

嵌入式滤波算法模块

news 2025/8/30 11:33:43

嵌入式滤波算法实战：从理论到代码的 11 种实现方案

引言：为什么嵌入式系统离不开滤波？

你是否遇到过温湿度传感器数据跳变 5℃？电机电流采样被高频噪声淹没？在嵌入式开发中，这类问题几乎每天都在发生——原始信号 ≠ 可用信号，这正是物理世界与数字系统之间的核心矛盾。当传感器采集的温度、压力、电流等模拟量经过 ADC 转换后，往往夹杂着电源波动、电磁干扰、机械振动等各种噪声，直接使用这些"脏数据"可能导致控制系统误判、设备异常停机，甚至引发安全事故。

滤波技术就像一位精准的"翻译官"，它能有效剥离信号中的噪声干扰，保留真实物理量的本质特征。无论是温湿度传感器的微小漂移，还是工业现场的强电磁干扰，合适的滤波算法都能让数字系统"听懂"物理世界的真实语言。

本文将聚焦嵌入式场景下的滤波技术实战，通过 11 种经典滤波算法的全流程解析，带你从零构建可复用的滤波模块。我们会严格遵循"理论选型 → 代码实现 → 实战调优"的递进逻辑：先通过直观案例理解每种算法的适用场景（比如滑动平均适合平滑缓慢变化的温度信号，卡尔曼滤波适配动态系统的实时预测），再提供可直接移植的 C 语言代码片段（包含内存优化技巧与边界条件处理），最后结合工业级项目经验总结调参指南（如窗口大小与响应速度的平衡法则）。无论你是刚接触嵌入式开发的新手，还是需要解决实际工程问题的资深工程师,都能在这里找到从原理到落地的完整解决方案。

滤波算法基础与选型指南

嵌入式场景下的噪声类型与滤波需求匹配

在嵌入式系统中，传感器采集的数据往往会受到各种噪声干扰，这些"数据杂音"可能导致控制逻辑误判、测量精度下降。要解决这个问题，第一步是准确识别噪声类型，再匹配合适的滤波算法。本文将通过"噪声类型 → 算法特性 → 选型决策树"的逻辑，帮你快速找到最优滤波方案。

三大典型噪声与适配算法

1. 随机噪声：数据中的"无规律抖动"
随机噪声表现为数据在真实值附近无规律波动，常见于温度传感器、压力传感器等模拟信号采集场景。这类噪声的特点是波动幅度较小但频率高，如同在平稳的信号上叠加了"细微波纹"。

适配算法包括：

滑动平均滤波：通过计算最近 N 个采样值的平均值来平滑波动。核心参数 N 决定平滑程度：N 值越大噪声抑制效果越好，但响应速度会降低。实际应用中建议根据数据动态性选择 5-15 的窗口大小，例如温度监测可设 N=10，而快速变化的液位检测建议 N=5。

/******************************************************************************
 *  @brief  滑动平均滤波:把连续N个采样值看为一个队列，队列长度固定为N，每次采样到的新数据放入队尾，
 *          并扔掉原来队首的一次数据（先进先出原则）。把队列中的N个数据进行算数平均运算，就可以获得新的滤波结果。
 *  @param  value_buf   待处理的数据
 *  @param  len         长度
 *          len 的选取：流量:N=12; 压力:N=4； 液面:N=4~12； 温度:N=1~4；
 *  @return 返回滤波后的值
 *  @note   优点:对周期性干扰有良好的抑制作用，平滑度高；试用于高频振荡的系统
 *  @note   缺点：灵敏度低；对偶然出现的脉冲性干扰的抑制作用较差，不适于脉冲干扰较严重的场合
 *               比较浪费RAM（改进方法，减去的不是队首的值，而是上一次得到的平均值）
 ******************************************************************************/
#define N       10
int value_buf[N];
int sum = 0;
int curNum = 0;
int moveAverageFilter(int value)
{
    if(curNum < N)
    {
        value_buf[curNum] = value;
        sum += value_buf[curNum];
     curNum++;
        return sum/curNum;
    }
    else
    {
        sum -= sum/N;
        sum += value;
        return sum/N;
    }
}

加权平均滤波：对近期数据赋予更高权重，在平滑噪声的同时提升响应速度。核心参数为各采样点的权重系数，通常采用"近期权重大、远期权重小"的原则，如权重序列[0.1, 0.2, 0.3, 0.4]。

/******************************************************************************
 *  @brief  加权移动平均(WMA):计算的是一个固定窗口内的所有数据点的平均值
 *  @param  data          待处理的数据
 *  @param  window_size   指数移动平均的窗口大小(平滑因子)
 *  @return 返回滤波后的值
 *  @note   优点:最近的数据点具有更大的权重，这使得滤波器更加敏感于最近的变化，同时也能平滑数据。
 *  @note   缺点:如果权重选择不当，可能会导致过度平滑或不足平滑。
 ******************************************************************************/
double weighted_moving_average(double *data,int window_size) {
    double sum = 0.0;
    double weight_sum = 0.0;
    for (int i = 0; i < window_size; i++) {
        sum += data[i] * (window_size - i);
        weight_sum += (window_size - i);
    }
    return sum / weight_sum;
}

关键选型依据：当数据变化缓慢（如环境监测），优先选滑动平均滤波；若需平衡实时性与平滑度（如电机电流监测），加权平均滤波更合适。

2. 脉冲噪声：数据中的"突发干扰" 脉冲噪声表现为偶尔出现的"尖峰信号"，可能由电磁干扰、传感器接触不良等引起，如工业现场的强电设备启停时，电压传感器可能突然出现远超正常范围的数值。

适配算法包括：

中位值滤波：取连续奇数个采样值的中间值作为有效数据，能有效剔除孤立脉冲。核心参数是窗口大小（建议3-7个采样点），窗口过大会导致响应延迟。例如在按键检测中，采用3次采样取中位值可过滤机械抖动。

/******************************************************************************
 *  @brief  中位值滤波:输入一组连续采集后的数据，将数据按大小排列，然后取中间值为本次有效值
 *  @param  value_buf   待处理的数据
 *  @param  len         长度
 *  @return 返回滤波后的值
 *  @note   优点:能够克服偶然因素引起的波动干扰，对温度、液位等变化缓慢的被测参数有良好的滤波效果
 *  @note   缺点:对于流量、速度等快速变化的参数不宜          
 ******************************************************************************/
int middleValueFilter(int value_buf[],int len)
{
    int i,j,k,temp;

    for(j = 0 ; j < len-1; ++j)
    {
        for(k = 0; k < len-j-1; ++k)
        {
            //从小到大排序，冒泡法排序
            if(value_buf[k] > value_buf[k+1])
            {
                temp = value_buf[k];
                value_buf[k] = value_buf[k+1];
                value_buf[k+1] = temp;
            }
        }
    }
    return value_buf[(len-1)/2];
}

限幅平均滤波：先判断新数据是否在合理范围内（通过阈值限制），超出则丢弃，未超出则纳入平均计算。核心参数为"限幅阈值Δ"，通常设为正常数据波动范围的1.5-2倍，如光照传感器正常波动±50，可设Δ=100。

/******************************************************************************
 *  @brief  限幅平均滤波:相当于“限幅滤波法”+“递推平均滤波法”，每次采样到的新数据先进行
 *          限幅处理再送入队列进行递推平均滤波处理。
 *  @param  value_buf   待处理的数据
 *  @param  len         数据长度,len一定要大于M的设定值
 *  @return 返回滤波后的值
 *  @note   优点:对于偶然出现的脉冲性干扰，可消除有其引起的采样值偏差。
 *          效果显著，有效的解决了实际场景下突变噪声对AD采样的影响
 *  @note   缺点：比较浪费RAM
 ******************************************************************************/
#define Z 50        //限制幅度阈值
#define M 12
int data[M];
int First_flag=0;
int LAverageFilter(int value_buf[],int len)
{
  int i;
  int temp,sum,flag=0;
    data[0] = value_buf[0];
 for(i=1;i<M && i <len && flag <3;i++)
 {
        temp = value_buf[i];
  if((temp-data[i-1])>Z||((data[i-1]-temp)>Z))
  {
    i--;flag++;
  }
  else
  {
   data[i]=temp;
  }
 }
 
 if(flag >= 3) {
  //需要调整A的值或者保证数据的最低效率处理方法:算数平均滤波
  for(i=0;i<len;i++) {
   sum += value_buf[i];
  }
  return sum/len;
 }
  for(i=0;i<M && i<len;i++)
  {
    sum+=data[i];
  } 
  return  sum/M;
}

抗脉冲技巧：对于高频脉冲（如每100个数据出现1-2次异常），中位值滤波效率更高；若脉冲伴随小幅波动，限幅+平均的组合方案效果更佳。

3. 高频噪声：数据中的"高频毛刺" 高频噪声表现为信号中叠加的高频振荡，常见于电机驱动、射频电路等强电磁环境，示波器上常显示为"密集毛刺"。这类噪声的频率通常高于有用信号，可通过低通滤波"过滤高频成分"。

适配算法包括：

一阶低通滤波：通过RC滤波原理实现，核心参数为滤波系数α（0<α<1）。α值越小高频抑制效果越强，如α=0.1时滤波效果明显但响应慢，α=0.5时兼顾滤波与响应。计算公式： filtered_data = α*new_data + (1-α)*last_data。

/******************************************************************************
 *  @brief  一阶互补滤波
 *  @param  newValue  新采集出来的值
 *  @param  oldValue  上一次采集出来的值
 *  @param  a         权重(范围0~1，需要不断的调整)
 *  @return 滤波后的值
 *  @note   优点:对周期性干扰具有良好的抑制作用，适用于波动频率较高的场合。
 *          缺点:相位滞后，灵敏度低,滞后程度取决于a值大小,不能消除滤波频率高于采样频率的1/2的干扰信号.
 ******************************************************************************/
int firstOrderFilter(int newValue, int oldValue, float a)
{
 return a * newValue + (1-a) * oldValue;
}

二阶Butterworth滤波：比一阶滤波具有更陡峭的幅频特性，适合严格抑制特定高频段。核心参数为截止频率fc，需根据采样频率fs计算（通常取fc=fs/10~fs/5）。

/******************************************************************************
 *  @brief  低通滤波器：使用一个二阶巴特沃斯低通滤波器，使用离散时间实现。适用于去除高频噪声或平滑信号。
 *  @param  cutoff_frequency  截止频率
 *  @param  sample_rate       采样频率
 *  @param  data              输入信号数组
 *  @param  size              数组的大小
 *  @return 滤波后的值
 *  @note   优点:非常适合信号处理，可以有效地过滤掉高频噪声。
 *          缺点:需要一定的信号处理知识，特别是对于数字滤波器的设计。
 ******************************************************************************/
double butterworth_low_pass(double *data, int size, double cutoff_frequency,