嵌入式开发中的算术平均滤波算法实战指南

1. 数据毛刺问题的本质与应对思路

传感器数据采集过程中，那些突然出现的异常跳变值就像音乐会上的杂音，让整个数据流变得刺耳难听。去年我在一个工业温度监控项目里就遇到过这种情况——PID控制算法因为几个突变的温度读数直接失控，差点造成产线停机。这种数据毛刺通常由电磁干扰、传感器瞬态响应或传输链路噪声引起，特点是持续时间短但幅值大。

传统解决思路有两种极端：要么直接忽略（可能丢失真实突变），要么全盘接收（导致系统震荡）。而滤波算法的价值就在于找到平衡点——既平滑噪声又保留真实变化趋势。在嵌入式开发中，算数平均滤波因其实现简单、计算量小，成为应对这类问题的首选方案。

关键认知：滤波不是要消除所有波动，而是区分"信号"与"噪声"的统计特征。温度这类缓变信号适合平均滤波，而振动信号这种高频变化则需要其他方法。

2. 算数平均滤波法的数学本质

2.1 基础算法实现解析

用一个长度为N的队列存储历史数据，新数据入队时，最旧数据出队，始终保持队列最新状态。滤波输出值就是当前队列所有数据的算术平均值：

c复制#define FILTER_WIN_SIZE 5
float filter_buf[FILTER_WIN_SIZE];

float moving_average(float new_val) {
    static int index = 0;
    float sum = 0;
    
    filter_buf[index++] = new_val;
    if(index >= FILTER_WIN_SIZE) index = 0;
    
    for(int i=0; i<FILTER_WIN_SIZE; i++) {
        sum += filter_buf[i];
    }
    return sum / FILTER_WIN_SIZE;
}

这个基础版本在STM32F103上测试，执行时间仅12μs（72MHz主频），内存占用20字节（float为4字节时），非常适合资源受限的MCU。

2.2 窗口大小的选择艺术

窗口大小N的选取需要权衡：

• 太小（N=3）：滤波效果弱，仍有明显毛刺
• 太大（N=20）：响应延迟明显，实测温度变化延迟达8秒
• 经验公式：N ≈ 采样频率/(2×信号最高频率)

在工业温度监测中，我通常这样确定N值：

1. 先采集原始数据观察噪声周期（如噪声波动约0.5Hz）
2. 根据香农定理，采样频率至少1Hz
3. 取N=5~7，既平滑噪声又保持2秒内的响应速度

3. 实战优化技巧与变种算法

3.1 带权重的改进版本

基础算法对所有历史数据平等对待，但实际上越新的数据参考价值越大。改进的加权平均滤波：

c复制float weighted_average(float new_val) {
    static float weights[] = {0.1, 0.15, 0.2, 0.25, 0.3}; // 权重递增
    /* 其余部分同基础版本 */
    for(int i=0; i<FILTER_WIN_SIZE; i++) {
        sum += filter_buf[i] * weights[i];
    }
    return sum; // 注意权重和需为1
}

实测显示，这种方法在突变量测时响应速度提升40%，但计算量略有增加。

3.2 动态阈值去极值法

针对偶尔出现的超大毛刺，可结合阈值判断：

c复制float filtered = basic_average(new_val);
if(fabs(new_val - filtered) > threshold) {
    // 视为毛刺，用上次滤波值替代
    return last_filtered_value; 
} else {
    return filtered;
}

阈值threshold一般取历史平均偏差的3倍（根据3σ原则）。

4. 嵌入式场景下的特殊处理

4.1 内存优化技巧

在RAM紧张的MCU中，可以用环形缓冲区+累加变量避免重复计算：

c复制float sum = 0;
float filter_buf[N];
int index = 0;

float optimized_average(float new_val) {
    sum = sum - filter_buf[index] + new_val;
    filter_buf[index] = new_val;
    index = (index + 1) % N;
    return sum / N;
}

这种方法将计算复杂度从O(N)降到O(1)，在N=10时速度提升3倍。

4.2 定点数优化

对于不支持硬件浮点的MCU（如STM8），改用Q格式定点数：

c复制typedef int32_t q16_t; // Q16.16格式
#define Q_SHIFT 16

q16_t fixed_average(q16_t new_val) {
    static q16_t sum = 0;
    static q16_t buf[N];
    static int idx = 0;
    
    sum = sum - buf[idx] + new_val;
    buf[idx] = new_val;
    idx = (idx + 1) % N;
    return sum / N; // 自动右移Q_SHIFT位
}

5. 实际项目中的避坑指南

5.1 采样频率与窗口大小的匹配

曾在一个电机转速监测项目中踩坑：采样频率1kHz，但窗口大小N=50，导致：

• 滤波延迟达50ms
• 电机启动时转速计算严重滞后
  调整方案：

1. 先通过硬件RC滤波预处理高频噪声
2. 降低软件采样率到200Hz
3. 取N=10，延迟优化到5ms

5.2 数据类型导致的溢出问题

早期版本使用uint16_t累加N个uint16_t值时，当N>16时就可能溢出。解决方案：

• 改用uint32_t作为累加变量
• 或限制N≤16
• 或采用递推平均法：filtered = filtered + (new_val - filtered)/N

5.3 冷启动时的异常值

系统上电时，缓冲区可能包含随机值。解决方法：

• 初始填充预期正常值
• 或前N次采用递推填充：

c复制if(init_cnt < N) {
    filter_buf[init_cnt++] = new_val;
    return new_val; // 初始阶段直接返回原始值
}

6. 性能对比实测数据

在STM32F407上测试不同实现方式的性能（N=10，1万次迭代）：

效果评分依据：噪声抑制能力(40%) + 响应速度(30%) + 资源占用(30%)

7. 进阶方向：与其他滤波算法组合

7.1 中值滤波混合方案

先通过中值滤波去除脉冲噪声，再进行平均滤波：

c复制float hybrid_filter(float new_val) {
    float median = median_filter(new_val); // 3点中值
    return moving_average(median);
}

这种组合在存在偶发大毛刺的场景下，效果提升显著。

7.2 滑动窗口变异系数法

动态调整窗口大小：当数据波动大时减小N，稳定时增大N。通过计算窗口内数据的变异系数（标准差/均值）来判断稳定性：

c复制float cv = calculate_cv(filter_buf, N);
if(cv > 0.1) N = max(3, N-1); 
else N = min(20, N+1);

8. 不同场景下的参数推荐

根据五年来的项目经验，总结典型应用场景的最佳配置：

在最终实施时，建议先用SD卡存储原始数据，在PC上用Python分析数据特征后，再确定最佳滤波参数。Matplotlib绘制原始与滤波后的数据对比图，能直观评估效果：

python复制import matplotlib.pyplot as plt
plt.plot(raw_data, label='Raw')
plt.plot(filtered_data, label='Filtered')
plt.legend()
plt.show()