STM32F103 ADC滤波：卡尔曼与中位值算法实战对比

1. 项目概述：ADC滤波在STM32F103中的关键作用

在嵌入式系统开发中，ADC（模数转换器）采集的稳定性直接影响整个系统的可靠性。STM32F103作为经典的Cortex-M3内核微控制器，其内置的12位ADC模块被广泛应用于各种工业控制、环境监测和消费电子领域。但实际工程中我们会发现，原始ADC采样值往往存在各种干扰：

• 电源纹波导致的周期性波动（50/100Hz工频干扰）
• 传感器本身的噪声（如热噪声、接触噪声）
• 电磁兼容问题引入的突发性尖峰
• 量化误差带来的最小±1LSB跳动

上周我在开发一款智能农业温湿度控制器时，就遇到了ADC采样值跳变导致继电器误动作的问题。当时采集的土壤湿度数据在真实值附近±5%范围内随机波动，直接使用原始数据会导致灌溉系统频繁启停。这就是我们需要深入探讨滤波算法的现实背景。

2. 滤波算法选型：卡尔曼VS中位值

2.1 卡尔曼滤波的工程实现要点

卡尔曼滤波本质上是一种最优估计算法，它通过"预测-测量-修正"的递推过程，将系统动力学模型与噪声统计特性结合起来。在STM32上实现时需要注意：

c复制// 简化版卡尔曼滤波器结构体
typedef struct {
    float Q;    // 过程噪声协方差
    float R;    // 测量噪声协方差
    float P;    // 估计误差协方差
    float K;    // 卡尔曼增益
    float X;    // 系统状态(即滤波结果)
} KalmanFilter;

void Kalman_Init(KalmanFilter* kf, float Q, float R) {
    kf->Q = Q;
    kf->R = R;
    kf->P = 1.0f;
    kf->X = 0.0f;
}

float Kalman_Update(KalmanFilter* kf, float measurement) {
    // 预测阶段
    kf->P = kf->P + kf->Q;
    
    // 更新阶段
    kf->K = kf->P / (kf->P + kf->R);
    kf->X = kf->X + kf->K * (measuremen