嵌入式系统滤波算法实战：从原理到应用

1. 嵌入式滤波算法入门：从噪声中提取真实信号

在嵌入式系统开发中，我们经常需要处理各种传感器数据。但无论多么精密的传感器，采集到的数据总会带有噪声。就像老式收音机里的杂音，这些噪声可能来自电源波动、电磁干扰，或是传感器本身的特性。滤波算法就是我们的"数字降噪耳机"，帮助我们从嘈杂的数据中提取出有用的真实信号。

我刚入行时曾遇到一个典型问题：用加速度计测量物体倾角时，数据总在±3度范围内跳动。这种噪声导致控制系统不断微调，电机发出令人烦躁的嗡嗡声。后来通过合理选择滤波算法，最终将波动控制在±0.5度内，系统立刻安静稳定下来。

滤波算法的核心价值在于：

• 提高数据可靠性
• 降低系统误动作概率
• 提升控制精度
• 减少不必要的计算开销

2. 六种经典滤波算法深度解析

2.1 移动平均滤波：简单但有效

移动平均滤波是新手最容易理解的算法，其核心思想与我们日常计算平均成绩完全相同。在嵌入式系统中实现时，需要考虑几个关键点：

窗口大小选择：

• 5-10点：适用于快速变化信号（如心率监测）
• 20-50点：适合慢变信号（如温度监测）
• 需权衡：窗口越大滤波效果越好，但延迟也越大

内存优化技巧：

c复制// 使用环形缓冲区避免数据搬移
#define WINDOW_SIZE 10
float moving_avg(float new_val) {
    static float buf[WINDOW_SIZE] = {0};
    static int idx = 0;
    static float sum = 0;
    
    sum -= buf[idx];      // 减去即将被替换的旧值
    buf[idx] = new_val;   // 存入新值
    sum += new_val;       // 更新总和
    idx = (idx + 1) % WINDOW_SIZE;
    
    return sum / WINDOW_SIZE;
}

实际应用场景：

• 电池电压监测
• 环境温度采集
• 慢速变化的压力测量

注意事项：在STM32等资源受限平台，建议窗口大小不超过20，否则浮点运算可能成为瓶颈。我曾在一个项目中因为设置50点窗口导致采样率从1kHz降到200Hz。

2.2 中值滤波：对抗脉冲噪声的利器

工业现场常会遇到脉冲干扰，比如电机启动时的瞬时尖峰。中值滤波是应对这类问题的首选方案。

算法优化技巧：

• 使用奇数点（3/5/7）避免平局
• 对于5点中值，可采用部分排序法减少计算量：

c复制float median5(float a, float b, float c, float d, float e) {
    // 只需确定第三大的数即可
    // 先比较并交换使a<=b, c<=d
    if(a > b) { float t=a; a=b; b=t; }
    if(c > d) { float t=c; c=d; d=t; }
    // 排除不可能项
    if(a < c) { a = e; if(a > b) a = b; }
    else { c = e; if(c > d) c = d; }
    // 最后比较剩余项
    return a > c ? a : c;
}

性能对比：