【滤波算法实战】从原理到代码：嵌入式开发中6种经典滤波算法的应用解析-平芜编程栈

1. 滤波算法在嵌入式开发中的核心价值

在嵌入式系统开发中，传感器数据就像一位爱说谎的孩子——它总是带着各种"噪声礼物"来打扰我们。想象一下，你用温度传感器测量室温，结果读数在25℃到30℃之间疯狂跳动，而实际温度可能稳定在27℃左右。这种数据波动不是传感器在恶作剧，而是电磁干扰、电源波动等环境因素在捣乱。

我十年前第一次用STM32读取ADC值时，发现数值总是不稳定。当时前辈扔给我一句话："不加滤波的传感器数据就像没过滤的自来水，谁敢直接喝？"这句话让我意识到，滤波算法就是嵌入式系统的"净水器"。

为什么滤波算法如此重要？以无人机飞控为例：

陀螺仪原始数据波动会导致飞行抖动
气压计噪声可能引发高度误判
电机电流采样不准可能触发错误保护

这些场景轻则影响用户体验，重则造成系统故障。而好的滤波算法能在不增加硬件成本的前提下，将数据稳定性提升5-10倍。比如某工业温控项目，采用合适的滤波组合后，温度采样波动从±3℃降到了±0.5℃。

2. 限幅滤波：防脉冲干扰的守门员

限幅滤波就像个严格的保安，它会拦住所有"行为异常"的数据。其核心思想很简单：如果新数据与旧数据差异太大，就认为这个数据有问题。

实际应用中有三种处理异常数据的方式：

直接丢弃异常值，保留上次数据
将异常值修正到允许的最大偏差边界
触发重新采样机制

我在智能水表项目中就遇到过典型场景：当电机启动时，电流采样会出现瞬间尖峰。使用限幅滤波后，有效避免了误触发过流保护。具体实现如下：

#define MAX_DELTA 50 // 允许最大偏差 uint16_t limit_filter(uint16_t new_val, uint16_t last_val) { if(abs(new_val - last_val) > MAX_DELTA) { return last_val; // 方案1：保留旧值 // return last_val + (new_val > last_val ? MAX_DELTA : -MAX_DELTA); // 方案2 } return new_val; }

提示：MAX_DELTA需要根据信号特性调整，比如温度变化慢可以设小些，电机转速变化快需要设大些

参数调优经验：

对于温度信号：MAX_DELTA设为2-5℃/秒
对于转速信号：MAX_DELTA设为额定转速的10%
对于电流信号：MAX_DELTA设为平均电流的20%

3. 中值滤波：对抗毛刺的利器

中值滤波就像个公正的裁判，它会从多个数据样本中选出最"中庸"的那个。这种方法特别擅长处理突然出现的异常脉冲。

记得我在开发智能锁指纹模块时，遇到电容传感器偶尔输出极大/极小值的问题。采用中值滤波后，识别准确率从85%提升到了98%。其算法实现如下：

#define SAMPLE_SIZE 5 // 奇数个样本 uint16_t median_filter(uint16_t *buf) { uint16_t temp[SAMPLE_SIZE]; memcpy(temp, buf, sizeof(temp)); // 冒泡排序 for(int i=0; i<SAMPLE_SIZE-1; i++) { for(int j=0; j<SAMPLE_SIZE-i-1; j++) { if(temp[j] > temp[j+1]) { uint16_t swap = temp[j]; temp[j] = temp[j+1]; temp[j+1] = swap; } } } return temp[SAMPLE_SIZE/2]; // 返回中值 }

性能优化技巧：

采样次数建议取3/5/7等小奇数，平衡效果和速度
对于RAM有限的MCU，可以使用选择算法代替完整排序
在STM32F103上测试，处理5个样本的中值滤波仅需8μs

典型应用场景对比：

场景	适用性	推荐样本数
温度测量	★★★★★	5-7
按键消抖	★★★★☆	3-5
电机转速	★★☆☆☆	不推荐
心电图信号	★★★★☆	7-11

4. 滑动平均滤波：平滑噪声的稳定器

滑动平均滤波就像个不断更新的备忘录，它只记住最近N次记录，每次新数据到来就淘汰最老的记录。这种方法能有效平滑随机波动。

在开发物联网环境监测节点时，我发现温湿度数据总有小幅跳动。使用滑动平均滤波后，数据曲线变得平滑且不失真。以下是优化后的实现：

#define WINDOW_SIZE 10 typedef struct { uint16_t buf[WINDOW_SIZE]; uint8_t index; uint32_t sum; } moving_avg_t; uint16_t moving_avg(moving_avg_t *filter, uint16_t new_val) { filter->sum -= filter->buf[filter->index]; // 减去最旧值 filter->sum += new_val; // 加上最新值 filter->buf[filter->index] = new_val; // 更新缓冲区 filter->index = (filter->index + 1) % WINDOW_SIZE; return filter->sum / WINDOW_SIZE; }

三种变体算法对比：

简单平均：计算量大，适合离线处理
滑动平均：实时性好，但需要存储窗口数据
指数加权：节省内存，但响应速度较慢

窗口大小选择指南：

温度/湿度：WINDOW_SIZE=8-15
电池电压：WINDOW_SIZE=5-10
运动传感器：WINDOW_SIZE=3-5

5. 复合滤波策略：强强联合的解决方案

实际工程中，单一滤波算法往往难以应对复杂场景。就像老中医开方子，需要多种药材配合才能药到病除。

经典组合方案：

限幅+滑动平均：先剔除异常点，再平滑数据
中值+算术平均：先去除极值，再求平均值
一阶滞后+卡尔曼：结合简单滤波与预测算法

在工业电机监控项目中，我采用"限幅+中值+滑动平均"三级滤波，将振动数据信噪比提升了15dB。具体实现如下：

uint16_t composite_filter(uint16_t new_val) { static uint16_t last_val = 0; static moving_avg_t avg_filter; static uint16_t median_buf[5]; static uint8_t median_idx = 0; // 第一级：限幅滤波 new_val = limit_filter(new_val, last_val); last_val = new_val; // 第二级：中值滤波 median_buf[median_idx++] = new_val; if(median_idx >= 5) median_idx = 0; new_val = median_filter(median_buf); // 第三级：滑动平均 return moving_avg(&avg_filter, new_val); }

各场景推荐方案：

应用场景	推荐滤波组合	参数建议
工业温度监测	限幅+滑动平均	限幅Δ=2℃，窗口=10
无人机姿态	中值+一阶滞后	中值5点，α=0.2
智能手环计步	滑动平均+卡尔曼	窗口=5，Q=0.01,R=0.1
电源质量监测	限幅+中值+FIR	限幅10%，中值7点

6. 一阶滞后滤波：简单有效的低通滤波器

一阶滞后滤波就像个反应迟钝的老人，它不会对每个新数据都立即响应，而是缓慢地跟随趋势变化。这种特性使其特别适合处理缓慢变化的信号。

在太阳能充电控制器项目中，我用一阶滞后滤波处理电池电压，有效消除了PWM导致的采样波动。其数学表达式为：

Y(n) = α * X(n) + (1-α) * Y(n-1)

其中α是滤波系数，取值在0-1之间。C语言实现如下：

float alpha = 0.3; // 滤波系数 float first_order_filter(float new_val) { static float last_out = 0; last_out = alpha * new_val + (1-alpha) * last_out; return last_out; }

系数选择经验：