1. 从“毛刺”到“真值”为什么ADC采样离不开数字滤波做嵌入式或者硬件开发的朋友对ADC模数转换器采样肯定不陌生。无论是读取一个电位器的电压还是监测电池电量甚至是采集传感器比如温度、压力、光照的信号最终都要通过ADC把连续的模拟电压转换成单片机或处理器能处理的离散数字值。但只要你实际动手做过十有八九会遇到一个让人头疼的问题采回来的数据怎么老是“跳”明明电压很稳定为什么ADC值却在某个范围内上下波动像心电图一样这些“毛刺”和“噪声”就是数字滤波算法要解决的核心问题。我刚开始接触STM32的ADC时也天真地以为HAL_ADC_GetValue()拿到的就是最终答案。结果一个简单的3.3V基准电压采样值能在2047到2053之间来回蹦跶换算成电压就是3.298V到3.302V。对于精度要求不高的场合比如判断个按键或许能忍。但一旦涉及到精密测量、闭环控制比如PID温控、或者需要做数据分析时这种噪声就是致命的。它会让你的控制系统产生不必要的振荡让你的数据分析图表充满锯齿严重时甚至会导致逻辑误判。所以数字滤波算法的本质不是“创造”数据而是“还原”数据。它基于一个基本假设真实的物理信号通常是连续且变化相对缓慢的高频噪声除外而噪声通常是随机的、高频的。通过各种数学或逻辑方法我们试图从夹杂着噪声的采样序列中提取出最接近真实信号的那个“估计值”。这就像在一间嘈杂的房间里听一个人说话你需要集中注意力滤波才能听清他真正在说什么信号。网上关于滤波算法的资料很多但往往要么过于理论满篇公式要么过于零散只给个代码片段。这篇文章我想结合我这些年踩过的坑和项目经验把最常用、最实用的ADC数字滤波算法做个系统性的梳理和对比。我不会只扔给你一个函数我会重点讲清楚每种方法的适用场景、核心思想、参数怎么调、以及实际用的时候最容易栽在哪儿。无论你是刚入门的新手还是想优化现有方案的老手这篇文章都能给你提供直接的参考。2. 基础入门从“懒人”滤波到“滑动”窗口在深入那些“高大上”的算法之前我们先看几个最简单、几乎零计算开销的方法。别小看它们在资源极其受限的单片机比如8位的51、AVR或者对实时性要求极高的中断服务程序里这些方法往往是首选。2.1 限幅滤波法又称程序判断滤波法这可能是最“粗暴”也最直观的滤波方法。它的核心思想就一句话我不相信一次剧烈的变化。算法逻辑根据信号特性设置一个最大允许变化量ΔDelta。本次采样值记为new_val上次有效的滤波结果记为last_val。如果|new_val - last_val| Δ则认为本次采样是合理的接受new_val作为本次结果。如果|new_val - last_val| Δ则认为本次采样可能是噪声毛刺丢弃new_val仍将last_val作为本次结果输出。C语言示例#define DELTA 10 // 假设ADC值最大允许变化量为10 int last_filtered_value 0; int limit_filter(int new_sample) { if (abs(new_sample - last_filtered_value) DELTA) { last_filtered_value new_sample; } // 如果变化超限last_filtered_value 保持不变 return last_filtered_value; }适用场景与坑点适用适用于物理量本身变化缓慢的场景比如温度、液位。对于缓慢变化的信号突然出现一个大跳变大概率是噪声。关键参数Δ这个值的设置是门艺术。设大了滤波效果差该滤的没滤掉设小了系统反应迟钝真实的快速变化比如电机启动电流会被当成噪声滤掉导致数据严重滞后。我的经验是先观察信号在稳定时的最大波动范围Δ可以设为这个波动范围的2-3倍。最好能在系统中有个配置接口方便现场调试。致命缺点无法处理连续噪声。如果噪声不是单个毛刺而是一连串的、但每次跳变都不超过Δ的干扰这个算法就完全失效了输出会跟着噪声慢慢“漂移”。而且它完全无法抑制小幅度的随机波动。2.2 中位值滤波法中位值滤波的哲学是在一堆数据里那个处在中间位置的值最能代表这组数据的中心趋势受极端值影响最小。这就像评委打分去掉一个最高分去掉一个最低分能有效避免个别评委的极端偏好影响最终成绩。算法逻辑连续采样N次N为奇数通常取3, 5, 7得到一个采样数组。将这N个数据从小到大或从大到小进行排序。直接取排序后的中位数第(N1)/2个值作为本次滤波输出值。C语言示例N3int median_filter(int a, int b, int c) { int arr[3] {a, b, c}; // 简单的三数排序取中值 if (arr[0] arr[1]) swap(arr[0], arr[1]); if (arr[0] arr[2]) swap(arr[0], arr[2]); if (arr[1] arr[2]) swap(arr[1], arr[2]); return arr[1]; // 中位数 } // 在ADC中断中可能这样调用 int adc_buffer[3]; int buffer_index 0; int filtered_result; void ADC_IRQHandler() { adc_buffer[buffer_index] ADC_DR; // 读取ADC值 buffer_index (buffer_index 1) % 3; if (buffer_index 0) { // 每采满3个点计算一次 filtered_result median_filter(adc_buffer[0], adc_buffer[1], adc_buffer[2]); } }适用场景与坑点适用对脉冲性干扰瞬间的尖峰噪声有非常好的抑制效果。比如工频干扰、开关电源引起的毛刺。因为无论尖峰是高是低排序后都会被甩到两边中位数稳如泰山。缺点一速度与资源。排序操作尤其是当N较大时比如7或9比较耗时。在低速MCU上频繁进行排序可能影响整体程序节奏。需要权衡滤波效果和计算开销。缺点二对周期性干扰无能为力。如果噪声是规律的、周期性的那么中值滤波效果有限。它更擅长处理“偶发性”的异常点。N的选择N越大抗脉冲干扰能力越强但延迟也越大需要采够N个点才能输出一次且排序更慢。通常N3或5在工程上最常用。一个进阶技巧对于变化稍快的信号可以采用“滑动窗口中值滤波”即维护一个长度为N的队列每次新采样进来就剔除一个最老的然后对窗口内数据取中值这样输出速率就和采样率一致了。2.3 算术平均滤波法这是很多人第一个想到的方法“多点平均噪声抵消”。其依据是随机噪声的统计特性——通常认为噪声是均值为0的随机信号多次平均后正负噪声会相互抵消。算法逻辑连续采样N个数据。将这N个数据求和。将和除以N得到的平均值即为滤波输出。C语言示例#define N 10 int adc_sum 0; int sample_count 0; int filtered_value 0; void process_adc_sample(int new_sample) { adc_sum new_sample; sample_count; if (sample_count N) { filtered_value adc_sum / N; // 注意整数除法截断问题 adc_sum 0; sample_count 0; // 此时可以使用 filtered_value } }适用场景与坑点适用对抑制一般性随机噪声如白噪声效果显著。信号本身在N次采样时间内变化不大时效果最好。常用于直流信号或低频信号的测量。缺点一严重滞后。这是平均滤波法的阿喀琉斯之踵。N越大平滑效果越好但系统输出对输入变化的响应也越慢。输入一个阶跃信号输出要等N个采样周期后才能缓慢达到新值。绝对不适用于跟踪快速变化的信号。缺点二对脉冲干扰敏感。一个巨大的脉冲干扰比如一个采样点被严重污染会显著拉高或拉低整个平均值导致输出出现一个“毛刺”。为了解决这个问题常常会结合中值滤波先对数据进行“去野值”处理再进行平均这就是“中位值平均滤波法”又称防脉冲干扰平均滤波法。N的选择与数据类型N通常取2的整数次幂如4, 8, 16, 32这样除法可以用右移操作代替在无硬件除法器的MCU上能极大提升速度。另外adc_sum的变量类型要注意防止累加溢出。例如12位ADC值范围0-4095N32时累加和最大可达131040需要用uint32_t来存储。3. 进阶策略在“平滑”与“快速”之间寻找平衡基础方法各有各的“偏科”。我们既想要平均滤波的平滑又想要限幅滤波的快速响应还想要中值滤波的抗脉冲能力。于是一些更聪明的复合或迭代策略被设计出来。3.1 滑动平均滤波法算术平均滤波的“批量处理”模式导致了固有延迟。滑动平均Moving Average将其改造成了“流水线”模式每一次采样都能立即得到一个输出大大提高了实时性。算法逻辑维护一个长度为N的队列环形缓冲区用于存储最近N次采样值。初始化时用前N次采样值填满队列并计算其总和sum。每次得到新采样值new_val时 a. 从sum中减去队列中最老的那个值oldest_val。 b. 将new_val加入队列尾部并更新sum sum new_val。 c. 滤波输出output sum / N。C语言示例使用环形缓冲区#define N 10 int buffer[N]; int sum 0; int index 0; int is_buffer_full 0; // 标志缓冲区是否已填满 int moving_average_filter(int new_sample) { // 减去即将被覆盖的旧值如果缓冲区已满 if (is_buffer_full) { sum - buffer[index]; } // 加入新值 sum new_sample; buffer[index] new_sample; index (index 1) % N; // 更新缓冲区满标志 if (!is_buffer_full index 0) { is_buffer_full 1; } // 计算平均值 if (is_buffer_full) { return sum / N; } else { // 缓冲区未满时用当前实际数据个数计算 return sum / index; } }适用场景与坑点适用需要实时输出且对平滑度有要求的场景。相比算术平均它对信号变化的延迟固定为N-1个采样周期理论上响应更快。广泛应用于音频处理、股票价格分析、传感器数据实时显示等。内存与计算开销需要额外的N个存储单元。虽然单次计算量很小一次加法、一次减法、一次除法但在资源极其紧张的MCU中N较大时仍需考虑。“相位滞后”问题滑动平均本质上是一个低通滤波器它仍然会带来相位延迟。对于N点滑动平均其群延迟是(N-1)/2个采样周期。这意味着滤波后的波形在时间上会比原始信号“靠后”一点。在需要精确相位关系的控制系统中如锁相环这一点必须考虑。加权滑动平均这是滑动平均的增强版。它认为“近期的数据比早期的数据更重要”因此在计算平均时给予近期数据更高的权重。最简单的实现是指数加权移动平均EWMA也就是下面要讲的“一阶滞后滤波法”它可以用递归的方式实现无需保存历史队列。3.2 一阶滞后滤波法一阶低通滤波法这是我个人在嵌入式项目中最偏爱的滤波算法没有之一。它完美平衡了简单性、有效性和计算效率。它的思想来源于模拟电路中的RC低通滤波器。算法逻辑 这是一个递归公式本次输出 α * 本次输入 (1-α) * 上次输出其中α是一个介于0和1之间的系数称为滤波系数。公式解读α越大越接近1本次输入权重越大滤波器响应越快但平滑效果变差。α越小越接近0上次输出权重越大滤波器平滑效果越好但响应越迟钝滞后越严重。它相当于一个“惯性”系统输出会紧紧“跟随”输入但又不会突变。C语言示例浮点版float alpha 0.1; // 滤波系数根据需求调整 float last_output 0.0; float first_order_lpf(float new_sample) { float output alpha * new_sample (1 - alpha) * last_output; last_output output; return output; }定点数优化关键技巧 在MCU中跑浮点运算通常比较慢。我们可以用整数运算来模拟。设Q 1/α取整数则公式可变形为本次输出 本次输出 (本次输入 - 本次输出) / Q或者更常用的一种形式通过移位实现本次输出 本次输出 (本次输入 - 本次输出) n其中α 1/(2^n)C语言示例定点整数版#define SHIFT_N 3 // 相当于 alpha 1/8 0.125 int last_output 0; int first_order_lpf_fixed(int new_sample) { // 公式: output output (input - output) n last_output last_output ((new_sample - last_output) SHIFT_N); return last_output; }适用场景与坑点适用几乎所有需要平滑且实时性要求高的场合。尤其适合MCU因为定点数版本只需要一次减法和一次移位速度极快内存占用极小只保存一个状态量last_output。广泛用于电机电流环、姿态传感器加速度计、陀螺仪数据融合、电池电压采样等。参数α的调试这是该算法的核心。α的选取与你的采样周期T和期望的滤波器截止频率Fc有关。近似关系为α ≈ 2πFcT当α较小时。例如采样率100HzT0.01s希望滤除10Hz以上的噪声则Fc10Hzα ≈ 2*3.14*10*0.01 0.628。这个值偏大实际可先取0.2~0.3试试。更实用的方法是“看波形调参数”在串口绘图工具上观察原始信号和滤波后信号调整α或SHIFT_N直到在平滑度和响应速度之间找到满意的平衡点。缺点对脉冲干扰的抑制能力一般。一个大的脉冲输入会使得输出产生一个“台阶”变化需要好几个周期才能衰减掉。因此在噪声尖锐的场合可以在前级先加一个限幅或中值滤波再用一阶滞后滤波平滑效果极佳。3.3 复合滤波法组合拳的威力在实际工程中单一算法往往难以应对所有情况。这时就需要打“组合拳”将多种简单滤波法按顺序串联使用各取所长。常见组合示例中位值平均滤波法又称防脉冲干扰平均滤波法步骤连续采样N个数据 - 去掉其中的最大值和最小值 - 对剩余的N-2个数据求算术平均。优点兼具了中值滤波抗脉冲干扰和均值滤波平滑随机噪声的优点。是工程上非常可靠、常用的一种方法。代价需要排序计算量稍大。限幅平均滤波法步骤每次采样先经过限幅滤波 - 将限幅后的“有效值”存入队列 - 当队列满后对队列内所有数据进行算术平均。优点先剔除明显异常的毛刺防止其污染用于平均的数据池使得最终平均值更可靠。适用信号基本稳定但偶有大干扰的场景。一阶滞后限幅步骤采样值先经过限幅滤波 - 输出结果再送入一阶滞后滤波器。优点先用限幅拦住“坏蛋”再用一阶滞后进行平滑。既能抵抗突发大干扰又能提供良好的实时平滑效果计算量还很小。这是我处理大多数慢变传感器如温度、压力的标配流程。设计复合滤波的原则前级滤“异常”把抗脉冲、限幅这类处理“坏点”的算法放在前面。后级做“平滑”把平均、低通这类平滑噪声的算法放在后面。考虑计算顺序思考数据流向确保前级输出是后级期望的输入类型。评估总延迟串联滤波器的总延迟是各环节延迟的叠加对于快速控制系统需要仔细评估。4. 高阶视野卡尔曼滤波与自适应滤波初探当系统模型更复杂或者我们对滤波性能有极致要求时就需要请出更强大的数学工具。这里介绍两个“名声在外”的算法旨在让大家理解其思想知道它们能解决什么问题而不深究复杂的公式推导。4.1 卡尔曼滤波基于模型的最优估计如果把前面的滤波算法比作“凭经验修图”那卡尔曼滤波就是“用物理定律和数学模型来预测并修正”。它不仅仅是一个滤波器更是一套最优估计算法。核心思想通俗比喻 假设你在GPS信号很差的隧道里开车。GPS观测值不准但你的车速表系统模型是准的。预测根据上一秒的位置和车速表显示的速度预测出当前一秒你应该在哪里。这个预测是有不确定性的模型误差。更新此时GPS还是给出了一个位置信息虽然不准但也有参考价值。卡尔曼滤波会聪明地权衡预测值和GPS观测值如果GPS信号这次特别差观测噪声大就更相信自己的预测如果GPS信号这次比较好就更相信GPS。融合根据两者各自的“可信度”协方差矩阵计算出一个最优估计值这个值比单纯用预测或单纯用观测都要准。同时它还会更新自己对下一个状态预测的“可信度”。在ADC滤波中的应用简化模型 我们可以建立一个非常简单的状态模型状态量我们关心的真实信号值x比如真实电压。状态方程假设信号变化很慢可以认为x(k) x(k-1) w其中w是过程噪声描述信号可能的变化。观测方程ADC采样值z(k) x(k) v其中v是观测噪声ADC本身的噪声。卡尔曼滤波通过迭代以下两个步骤不断给出对真实信号x的最优估计预测步基于上一时刻的最优估计预测当前时刻的状态和不确定性。更新步结合当前时刻的ADC观测值修正预测得到当前时刻的最优估计和新的不确定性。C语言简化示例单变量无控制输入// 超简化版用于理解流程实际参数Q,R需要根据系统调校 float Q 0.001; // 过程噪声协方差 (假设信号变化很小) float R 0.1; // 观测噪声协方差 (ADC噪声大小) float x_hat 0; // 状态估计值 float P 1.0; // 估计误差协方差 float K; // 卡尔曼增益 float kalman_filter(float z) { // 1. 预测步 (由于模型简单状态预测值不变但不确定性增加) // x_hat_minus x_hat; // 本例中状态预测等于上一时刻估计 P P Q; // 预测误差协方差增大 // 2. 更新步 K P / (P R); // 计算卡尔曼增益 x_hat x_hat K * (z - x_hat); // 用观测值修正估计 P (1 - K) * P; // 更新估计误差协方差 return x_hat; }适用场景与坑点适用动态系统的状态估计。比如不仅要滤波还要预测信号下一步会怎么变。经典应用包括无人机/机器人导航融合IMU、GPS、磁力计、电池SOC荷电状态估计、跟踪快速变化但模型已知的信号。优势在系统模型准确的情况下它能提供理论上最优的估计最小均方误差。它能同时处理噪声并给出估计值的可信度协方差。巨大坑点参数调校Q, R是门玄学。Q过程噪声表示你有多相信自己的模型R观测噪声表示你有多相信传感器。这两个参数需要根据实际系统反复调试调不好效果可能还不如一阶滞后滤波。对于简单的ADC静态采样杀鸡用牛刀性价比不高。计算复杂度完整的卡尔曼滤波涉及矩阵运算对于多传感器融合。上面的单变量简化版计算量很小但一旦状态变量增多计算量会平方级增长对MCU有压力。4.2 自适应滤波让滤波器“聪明”起来前面所有的滤波器参数如α、N都是固定的。但实际信号和噪声特性可能会变。比如设备静止时噪声小运动时噪声大信号有时变化慢有时变化快。固定参数的滤波器无法兼顾所有工况。自适应滤波的核心思想是让滤波器的参数能够根据输入信号的特性自动调整以达到始终或接近最优的滤波效果。一个直观的例子——自适应限幅滤波 我们可以让限幅滤波的Δ门限不是固定值而是动态变化的。当最近一段时间内信号很平稳时我们调小Δ提高滤波器的“灵敏度”和“分辨率”。当检测到信号可能处于快速变化阶段时我们调大Δ避免误滤除真实信号提高“跟踪速度”。如何判断信号是否平稳可以计算最近几个采样值的方差或标准差。方差小则平稳方差大则变化快。更复杂的算法——LMS最小均方自适应滤波 LMS算法有一个“期望响应”的概念。它通过不断调整滤波器系数权重使得滤波器输出与“期望响应”之间的误差的均方值最小。它需要一个“参考噪声”或对信号特性的先验知识在音频降噪、回声消除中应用广泛。但在单纯的ADC采样平滑中我们很少需要用到这么复杂的自适应滤波。在ADC滤波中的实用自适应思路 对于嵌入式开发者实现完整的自适应算法可能负担较重但可以借鉴其思想双系数一阶滞后滤波准备两套参数一套平滑系数α小用于稳态一套快速系数α大用于跟踪。通过判断信号变化率差分值来切换系数。变长度滑动平均信号平稳时用较大的N获得高平滑度信号快速变化时自动减小N甚至暂时切换到单点采样以保证快速响应。适用场景与坑点适用信号或噪声特性时变的场景。例如车载传感器振动噪声随车速变化、语音信号处理、通信信道均衡。优点能在不同工况下自动保持较好的性能鲁棒性更强。缺点算法复杂计算量大。参数自适应规则本身也需要设计和调试搞不好会引入不稳定性比如在稳态和快速变化之间频繁振荡切换。对于大多数工况固定的嵌入式应用精心调试的固定参数滤波器往往更简单可靠。5. 实战指南如何为你的项目选择并调优滤波算法看了这么多算法到底该怎么选这里我结合自己的项目经验给出一个选择流程图和具体的调优步骤。5.1 算法选择决策树面对一个ADC滤波需求你可以顺着以下问题来思考信号类型是什么慢变直流信号如温度、电池电压一阶滞后滤波是首选。简单、高效、效果好。想更稳一点前面加个限幅。带有脉冲干扰的慢变信号如工业环境下的传感器中位值平均滤波或限幅一阶滞后。快速变化信号如音频、振动滑动平均滤波。需要仔细权衡窗口大小N与延迟。需要预测的趋势信号如飞行器状态考虑卡尔曼滤波但前提是你有明确的系统模型和耐心调参。MCU资源是否紧张极其紧张8位机主频低优先考虑限幅滤波、一阶滞后滤波定点数。避免排序和大的数组。资源一般如Cortex-M0可以使用滑动平均N不宜过大、复合滤波。资源充足如Cortex-M4及以上可以尝试更复杂的算法如卡尔曼滤波、高阶数字滤波器IIR/FIR。对实时性要求多高要求极高控制环路内算法必须在几个微秒内完成。一阶滞后定点、限幅是唯二选择。要求一般数据上传、显示可以使用滑动平均、中位值平均等。噪声主要是什么类型随机白噪声平均类滤波算术平均、滑动平均效果最好。周期性工频干扰50/60Hz这不是后级数字滤波的首选解决方案应该在硬件前端加RC滤波或使用同步采样技术。数字滤波可作为补充。偶发脉冲中值滤波、限幅滤波。5.2 参数调优实战以一阶滞后滤波为例理论说了很多实操才是关键。假设我们选定一阶滞后滤波来平滑一个温度传感器信号采样周期T 100ms。步骤一采集原始数据不接任何滤波以100ms间隔通过串口打印ADC原始值持续几分钟包含稳定和变化阶段。将数据保存为文本文件。步骤二可视化分析使用任何绘图工具Python的MatplotlibExcel甚至一些串口工具自带绘图将数据画出来。观察稳定时噪声的峰峰值大约是多少比如 ±5 ADC值温度变化时信号的上升/下降速度大概是多少比如从25°C到30°C用了10秒步骤三初选参数根据经验对于100ms采样α可以从0.1到0.5之间尝试。我们先取α0.2。对应的定点数移位n满足α ≈ 1/(2^n)1/80.1251/40.25。我们取n2α0.25来近似。步骤四算法实现与离线仿真写一个简单的C程序或Python脚本读入步骤一保存的原始数据用你写的滤波函数浮点和定点版都试试处理一遍输出滤波后的数据。将原始数据和滤波后数据画在同一张图上对比。步骤五效果评估与迭代看图上滤波后的曲线如果曲线还有明显的高频锯齿说明平滑不够需要减小α增大n比如试试n3α0.125。如果曲线在信号变化时跟不上滞后太明显说明响应太慢需要增大α减小n比如试试n1α0.5。观察对脉冲干扰的抑制如果在原始数据中手动加一个尖峰看滤波后曲线是否出现一个“台阶”如果这个台阶幅度大且恢复慢可以考虑在前面增加一级限幅滤波。步骤六上机实测将选定的参数和算法写入MCU再次通过串口绘图观察实时效果。注意离线仿真时用的是“纯净”的历史数据实时运行时系统还有其他任务要确保滤波函数执行时间稳定不会因为其他中断干扰而引入额外的不确定性。5.3 常见陷阱与避坑指南整数除法的精度丢失在平均滤波或计算α时如果使用整数除法会丢失小数部分。例如sum / 10当sum45时结果是4而不是4.5。解决方案要么使用浮点数要么先累加最后一次性转换或者采用“舍入”除法(sum N/2) / N。累加和溢出这是新手常犯的错误。uint16_t类型的变量最大65535。如果ADC是12位0-4095N20累加和最大可达81900已经溢出。解决方案根据ADC最大值 * N来选择合适的变量类型如uint32_t。滤波引起的相位滞后影响控制系统在PID控制环路中对反馈信号进行滤波会引入相位滞后可能导致系统不稳定振荡。解决方案尽量减小滤波延迟用一阶滞后且α取大或者在对延迟不敏感的地方滤波如对设定值滤波。更高级的做法是在控制器设计时就考虑滤波器的相位特性。“过度滤波”淹没有用信号为了追求一条“光滑”的曲线把滤波参数调得过于“猛烈”导致真实信号的变化也被平滑掉了。比如一个缓慢上升的趋势看起来像一条水平线。解决方案始终对比原始信号和滤波信号确保滤波后的信号仍能正确反映真实信号的变化趋势而不仅仅是平滑。默认ADC的噪声就是白噪声ADC的噪声可能包含特定的频率成分如电源纹波。如果噪声是周期性的简单的平均滤波效果有限。解决方案用示波器看ADC输入引脚的实际波形或者对采集的数据做FFT分析找到噪声的主要频率然后针对性地设计滤波器如设计一个数字陷波器滤除特定频率。滤波算法没有“银弹”最好的算法永远是那个最适合你具体应用场景、资源约束和性能需求的算法。从简单的开始尝试理解其原理和局限必要时进行组合配合扎实的调试你一定能得到干净、可靠的采样数据。
1. 从“毛刺”到“真值”为什么ADC采样离不开数字滤波做嵌入式或者硬件开发的朋友对ADC模数转换器采样肯定不陌生。无论是读取一个电位器的电压还是监测电池电量甚至是采集传感器比如温度、压力、光照的信号最终都要通过ADC把连续的模拟电压转换成单片机或处理器能处理的离散数字值。但只要你实际动手做过十有八九会遇到一个让人头疼的问题采回来的数据怎么老是“跳”明明电压很稳定为什么ADC值却在某个范围内上下波动像心电图一样这些“毛刺”和“噪声”就是数字滤波算法要解决的核心问题。我刚开始接触STM32的ADC时也天真地以为HAL_ADC_GetValue()拿到的就是最终答案。结果一个简单的3.3V基准电压采样值能在2047到2053之间来回蹦跶换算成电压就是3.298V到3.302V。对于精度要求不高的场合比如判断个按键或许能忍。但一旦涉及到精密测量、闭环控制比如PID温控、或者需要做数据分析时这种噪声就是致命的。它会让你的控制系统产生不必要的振荡让你的数据分析图表充满锯齿严重时甚至会导致逻辑误判。所以数字滤波算法的本质不是“创造”数据而是“还原”数据。它基于一个基本假设真实的物理信号通常是连续且变化相对缓慢的高频噪声除外而噪声通常是随机的、高频的。通过各种数学或逻辑方法我们试图从夹杂着噪声的采样序列中提取出最接近真实信号的那个“估计值”。这就像在一间嘈杂的房间里听一个人说话你需要集中注意力滤波才能听清他真正在说什么信号。网上关于滤波算法的资料很多但往往要么过于理论满篇公式要么过于零散只给个代码片段。这篇文章我想结合我这些年踩过的坑和项目经验把最常用、最实用的ADC数字滤波算法做个系统性的梳理和对比。我不会只扔给你一个函数我会重点讲清楚每种方法的适用场景、核心思想、参数怎么调、以及实际用的时候最容易栽在哪儿。无论你是刚入门的新手还是想优化现有方案的老手这篇文章都能给你提供直接的参考。2. 基础入门从“懒人”滤波到“滑动”窗口在深入那些“高大上”的算法之前我们先看几个最简单、几乎零计算开销的方法。别小看它们在资源极其受限的单片机比如8位的51、AVR或者对实时性要求极高的中断服务程序里这些方法往往是首选。2.1 限幅滤波法又称程序判断滤波法这可能是最“粗暴”也最直观的滤波方法。它的核心思想就一句话我不相信一次剧烈的变化。算法逻辑根据信号特性设置一个最大允许变化量ΔDelta。本次采样值记为new_val上次有效的滤波结果记为last_val。如果|new_val - last_val| Δ则认为本次采样是合理的接受new_val作为本次结果。如果|new_val - last_val| Δ则认为本次采样可能是噪声毛刺丢弃new_val仍将last_val作为本次结果输出。C语言示例#define DELTA 10 // 假设ADC值最大允许变化量为10 int last_filtered_value 0; int limit_filter(int new_sample) { if (abs(new_sample - last_filtered_value) DELTA) { last_filtered_value new_sample; } // 如果变化超限last_filtered_value 保持不变 return last_filtered_value; }适用场景与坑点适用适用于物理量本身变化缓慢的场景比如温度、液位。对于缓慢变化的信号突然出现一个大跳变大概率是噪声。关键参数Δ这个值的设置是门艺术。设大了滤波效果差该滤的没滤掉设小了系统反应迟钝真实的快速变化比如电机启动电流会被当成噪声滤掉导致数据严重滞后。我的经验是先观察信号在稳定时的最大波动范围Δ可以设为这个波动范围的2-3倍。最好能在系统中有个配置接口方便现场调试。致命缺点无法处理连续噪声。如果噪声不是单个毛刺而是一连串的、但每次跳变都不超过Δ的干扰这个算法就完全失效了输出会跟着噪声慢慢“漂移”。而且它完全无法抑制小幅度的随机波动。2.2 中位值滤波法中位值滤波的哲学是在一堆数据里那个处在中间位置的值最能代表这组数据的中心趋势受极端值影响最小。这就像评委打分去掉一个最高分去掉一个最低分能有效避免个别评委的极端偏好影响最终成绩。算法逻辑连续采样N次N为奇数通常取3, 5, 7得到一个采样数组。将这N个数据从小到大或从大到小进行排序。直接取排序后的中位数第(N1)/2个值作为本次滤波输出值。C语言示例N3int median_filter(int a, int b, int c) { int arr[3] {a, b, c}; // 简单的三数排序取中值 if (arr[0] arr[1]) swap(arr[0], arr[1]); if (arr[0] arr[2]) swap(arr[0], arr[2]); if (arr[1] arr[2]) swap(arr[1], arr[2]); return arr[1]; // 中位数 } // 在ADC中断中可能这样调用 int adc_buffer[3]; int buffer_index 0; int filtered_result; void ADC_IRQHandler() { adc_buffer[buffer_index] ADC_DR; // 读取ADC值 buffer_index (buffer_index 1) % 3; if (buffer_index 0) { // 每采满3个点计算一次 filtered_result median_filter(adc_buffer[0], adc_buffer[1], adc_buffer[2]); } }适用场景与坑点适用对脉冲性干扰瞬间的尖峰噪声有非常好的抑制效果。比如工频干扰、开关电源引起的毛刺。因为无论尖峰是高是低排序后都会被甩到两边中位数稳如泰山。缺点一速度与资源。排序操作尤其是当N较大时比如7或9比较耗时。在低速MCU上频繁进行排序可能影响整体程序节奏。需要权衡滤波效果和计算开销。缺点二对周期性干扰无能为力。如果噪声是规律的、周期性的那么中值滤波效果有限。它更擅长处理“偶发性”的异常点。N的选择N越大抗脉冲干扰能力越强但延迟也越大需要采够N个点才能输出一次且排序更慢。通常N3或5在工程上最常用。一个进阶技巧对于变化稍快的信号可以采用“滑动窗口中值滤波”即维护一个长度为N的队列每次新采样进来就剔除一个最老的然后对窗口内数据取中值这样输出速率就和采样率一致了。2.3 算术平均滤波法这是很多人第一个想到的方法“多点平均噪声抵消”。其依据是随机噪声的统计特性——通常认为噪声是均值为0的随机信号多次平均后正负噪声会相互抵消。算法逻辑连续采样N个数据。将这N个数据求和。将和除以N得到的平均值即为滤波输出。C语言示例#define N 10 int adc_sum 0; int sample_count 0; int filtered_value 0; void process_adc_sample(int new_sample) { adc_sum new_sample; sample_count; if (sample_count N) { filtered_value adc_sum / N; // 注意整数除法截断问题 adc_sum 0; sample_count 0; // 此时可以使用 filtered_value } }适用场景与坑点适用对抑制一般性随机噪声如白噪声效果显著。信号本身在N次采样时间内变化不大时效果最好。常用于直流信号或低频信号的测量。缺点一严重滞后。这是平均滤波法的阿喀琉斯之踵。N越大平滑效果越好但系统输出对输入变化的响应也越慢。输入一个阶跃信号输出要等N个采样周期后才能缓慢达到新值。绝对不适用于跟踪快速变化的信号。缺点二对脉冲干扰敏感。一个巨大的脉冲干扰比如一个采样点被严重污染会显著拉高或拉低整个平均值导致输出出现一个“毛刺”。为了解决这个问题常常会结合中值滤波先对数据进行“去野值”处理再进行平均这就是“中位值平均滤波法”又称防脉冲干扰平均滤波法。N的选择与数据类型N通常取2的整数次幂如4, 8, 16, 32这样除法可以用右移操作代替在无硬件除法器的MCU上能极大提升速度。另外adc_sum的变量类型要注意防止累加溢出。例如12位ADC值范围0-4095N32时累加和最大可达131040需要用uint32_t来存储。3. 进阶策略在“平滑”与“快速”之间寻找平衡基础方法各有各的“偏科”。我们既想要平均滤波的平滑又想要限幅滤波的快速响应还想要中值滤波的抗脉冲能力。于是一些更聪明的复合或迭代策略被设计出来。3.1 滑动平均滤波法算术平均滤波的“批量处理”模式导致了固有延迟。滑动平均Moving Average将其改造成了“流水线”模式每一次采样都能立即得到一个输出大大提高了实时性。算法逻辑维护一个长度为N的队列环形缓冲区用于存储最近N次采样值。初始化时用前N次采样值填满队列并计算其总和sum。每次得到新采样值new_val时 a. 从sum中减去队列中最老的那个值oldest_val。 b. 将new_val加入队列尾部并更新sum sum new_val。 c. 滤波输出output sum / N。C语言示例使用环形缓冲区#define N 10 int buffer[N]; int sum 0; int index 0; int is_buffer_full 0; // 标志缓冲区是否已填满 int moving_average_filter(int new_sample) { // 减去即将被覆盖的旧值如果缓冲区已满 if (is_buffer_full) { sum - buffer[index]; } // 加入新值 sum new_sample; buffer[index] new_sample; index (index 1) % N; // 更新缓冲区满标志 if (!is_buffer_full index 0) { is_buffer_full 1; } // 计算平均值 if (is_buffer_full) { return sum / N; } else { // 缓冲区未满时用当前实际数据个数计算 return sum / index; } }适用场景与坑点适用需要实时输出且对平滑度有要求的场景。相比算术平均它对信号变化的延迟固定为N-1个采样周期理论上响应更快。广泛应用于音频处理、股票价格分析、传感器数据实时显示等。内存与计算开销需要额外的N个存储单元。虽然单次计算量很小一次加法、一次减法、一次除法但在资源极其紧张的MCU中N较大时仍需考虑。“相位滞后”问题滑动平均本质上是一个低通滤波器它仍然会带来相位延迟。对于N点滑动平均其群延迟是(N-1)/2个采样周期。这意味着滤波后的波形在时间上会比原始信号“靠后”一点。在需要精确相位关系的控制系统中如锁相环这一点必须考虑。加权滑动平均这是滑动平均的增强版。它认为“近期的数据比早期的数据更重要”因此在计算平均时给予近期数据更高的权重。最简单的实现是指数加权移动平均EWMA也就是下面要讲的“一阶滞后滤波法”它可以用递归的方式实现无需保存历史队列。3.2 一阶滞后滤波法一阶低通滤波法这是我个人在嵌入式项目中最偏爱的滤波算法没有之一。它完美平衡了简单性、有效性和计算效率。它的思想来源于模拟电路中的RC低通滤波器。算法逻辑 这是一个递归公式本次输出 α * 本次输入 (1-α) * 上次输出其中α是一个介于0和1之间的系数称为滤波系数。公式解读α越大越接近1本次输入权重越大滤波器响应越快但平滑效果变差。α越小越接近0上次输出权重越大滤波器平滑效果越好但响应越迟钝滞后越严重。它相当于一个“惯性”系统输出会紧紧“跟随”输入但又不会突变。C语言示例浮点版float alpha 0.1; // 滤波系数根据需求调整 float last_output 0.0; float first_order_lpf(float new_sample) { float output alpha * new_sample (1 - alpha) * last_output; last_output output; return output; }定点数优化关键技巧 在MCU中跑浮点运算通常比较慢。我们可以用整数运算来模拟。设Q 1/α取整数则公式可变形为本次输出 本次输出 (本次输入 - 本次输出) / Q或者更常用的一种形式通过移位实现本次输出 本次输出 (本次输入 - 本次输出) n其中α 1/(2^n)C语言示例定点整数版#define SHIFT_N 3 // 相当于 alpha 1/8 0.125 int last_output 0; int first_order_lpf_fixed(int new_sample) { // 公式: output output (input - output) n last_output last_output ((new_sample - last_output) SHIFT_N); return last_output; }适用场景与坑点适用几乎所有需要平滑且实时性要求高的场合。尤其适合MCU因为定点数版本只需要一次减法和一次移位速度极快内存占用极小只保存一个状态量last_output。广泛用于电机电流环、姿态传感器加速度计、陀螺仪数据融合、电池电压采样等。参数α的调试这是该算法的核心。α的选取与你的采样周期T和期望的滤波器截止频率Fc有关。近似关系为α ≈ 2πFcT当α较小时。例如采样率100HzT0.01s希望滤除10Hz以上的噪声则Fc10Hzα ≈ 2*3.14*10*0.01 0.628。这个值偏大实际可先取0.2~0.3试试。更实用的方法是“看波形调参数”在串口绘图工具上观察原始信号和滤波后信号调整α或SHIFT_N直到在平滑度和响应速度之间找到满意的平衡点。缺点对脉冲干扰的抑制能力一般。一个大的脉冲输入会使得输出产生一个“台阶”变化需要好几个周期才能衰减掉。因此在噪声尖锐的场合可以在前级先加一个限幅或中值滤波再用一阶滞后滤波平滑效果极佳。3.3 复合滤波法组合拳的威力在实际工程中单一算法往往难以应对所有情况。这时就需要打“组合拳”将多种简单滤波法按顺序串联使用各取所长。常见组合示例中位值平均滤波法又称防脉冲干扰平均滤波法步骤连续采样N个数据 - 去掉其中的最大值和最小值 - 对剩余的N-2个数据求算术平均。优点兼具了中值滤波抗脉冲干扰和均值滤波平滑随机噪声的优点。是工程上非常可靠、常用的一种方法。代价需要排序计算量稍大。限幅平均滤波法步骤每次采样先经过限幅滤波 - 将限幅后的“有效值”存入队列 - 当队列满后对队列内所有数据进行算术平均。优点先剔除明显异常的毛刺防止其污染用于平均的数据池使得最终平均值更可靠。适用信号基本稳定但偶有大干扰的场景。一阶滞后限幅步骤采样值先经过限幅滤波 - 输出结果再送入一阶滞后滤波器。优点先用限幅拦住“坏蛋”再用一阶滞后进行平滑。既能抵抗突发大干扰又能提供良好的实时平滑效果计算量还很小。这是我处理大多数慢变传感器如温度、压力的标配流程。设计复合滤波的原则前级滤“异常”把抗脉冲、限幅这类处理“坏点”的算法放在前面。后级做“平滑”把平均、低通这类平滑噪声的算法放在后面。考虑计算顺序思考数据流向确保前级输出是后级期望的输入类型。评估总延迟串联滤波器的总延迟是各环节延迟的叠加对于快速控制系统需要仔细评估。4. 高阶视野卡尔曼滤波与自适应滤波初探当系统模型更复杂或者我们对滤波性能有极致要求时就需要请出更强大的数学工具。这里介绍两个“名声在外”的算法旨在让大家理解其思想知道它们能解决什么问题而不深究复杂的公式推导。4.1 卡尔曼滤波基于模型的最优估计如果把前面的滤波算法比作“凭经验修图”那卡尔曼滤波就是“用物理定律和数学模型来预测并修正”。它不仅仅是一个滤波器更是一套最优估计算法。核心思想通俗比喻 假设你在GPS信号很差的隧道里开车。GPS观测值不准但你的车速表系统模型是准的。预测根据上一秒的位置和车速表显示的速度预测出当前一秒你应该在哪里。这个预测是有不确定性的模型误差。更新此时GPS还是给出了一个位置信息虽然不准但也有参考价值。卡尔曼滤波会聪明地权衡预测值和GPS观测值如果GPS信号这次特别差观测噪声大就更相信自己的预测如果GPS信号这次比较好就更相信GPS。融合根据两者各自的“可信度”协方差矩阵计算出一个最优估计值这个值比单纯用预测或单纯用观测都要准。同时它还会更新自己对下一个状态预测的“可信度”。在ADC滤波中的应用简化模型 我们可以建立一个非常简单的状态模型状态量我们关心的真实信号值x比如真实电压。状态方程假设信号变化很慢可以认为x(k) x(k-1) w其中w是过程噪声描述信号可能的变化。观测方程ADC采样值z(k) x(k) v其中v是观测噪声ADC本身的噪声。卡尔曼滤波通过迭代以下两个步骤不断给出对真实信号x的最优估计预测步基于上一时刻的最优估计预测当前时刻的状态和不确定性。更新步结合当前时刻的ADC观测值修正预测得到当前时刻的最优估计和新的不确定性。C语言简化示例单变量无控制输入// 超简化版用于理解流程实际参数Q,R需要根据系统调校 float Q 0.001; // 过程噪声协方差 (假设信号变化很小) float R 0.1; // 观测噪声协方差 (ADC噪声大小) float x_hat 0; // 状态估计值 float P 1.0; // 估计误差协方差 float K; // 卡尔曼增益 float kalman_filter(float z) { // 1. 预测步 (由于模型简单状态预测值不变但不确定性增加) // x_hat_minus x_hat; // 本例中状态预测等于上一时刻估计 P P Q; // 预测误差协方差增大 // 2. 更新步 K P / (P R); // 计算卡尔曼增益 x_hat x_hat K * (z - x_hat); // 用观测值修正估计 P (1 - K) * P; // 更新估计误差协方差 return x_hat; }适用场景与坑点适用动态系统的状态估计。比如不仅要滤波还要预测信号下一步会怎么变。经典应用包括无人机/机器人导航融合IMU、GPS、磁力计、电池SOC荷电状态估计、跟踪快速变化但模型已知的信号。优势在系统模型准确的情况下它能提供理论上最优的估计最小均方误差。它能同时处理噪声并给出估计值的可信度协方差。巨大坑点参数调校Q, R是门玄学。Q过程噪声表示你有多相信自己的模型R观测噪声表示你有多相信传感器。这两个参数需要根据实际系统反复调试调不好效果可能还不如一阶滞后滤波。对于简单的ADC静态采样杀鸡用牛刀性价比不高。计算复杂度完整的卡尔曼滤波涉及矩阵运算对于多传感器融合。上面的单变量简化版计算量很小但一旦状态变量增多计算量会平方级增长对MCU有压力。4.2 自适应滤波让滤波器“聪明”起来前面所有的滤波器参数如α、N都是固定的。但实际信号和噪声特性可能会变。比如设备静止时噪声小运动时噪声大信号有时变化慢有时变化快。固定参数的滤波器无法兼顾所有工况。自适应滤波的核心思想是让滤波器的参数能够根据输入信号的特性自动调整以达到始终或接近最优的滤波效果。一个直观的例子——自适应限幅滤波 我们可以让限幅滤波的Δ门限不是固定值而是动态变化的。当最近一段时间内信号很平稳时我们调小Δ提高滤波器的“灵敏度”和“分辨率”。当检测到信号可能处于快速变化阶段时我们调大Δ避免误滤除真实信号提高“跟踪速度”。如何判断信号是否平稳可以计算最近几个采样值的方差或标准差。方差小则平稳方差大则变化快。更复杂的算法——LMS最小均方自适应滤波 LMS算法有一个“期望响应”的概念。它通过不断调整滤波器系数权重使得滤波器输出与“期望响应”之间的误差的均方值最小。它需要一个“参考噪声”或对信号特性的先验知识在音频降噪、回声消除中应用广泛。但在单纯的ADC采样平滑中我们很少需要用到这么复杂的自适应滤波。在ADC滤波中的实用自适应思路 对于嵌入式开发者实现完整的自适应算法可能负担较重但可以借鉴其思想双系数一阶滞后滤波准备两套参数一套平滑系数α小用于稳态一套快速系数α大用于跟踪。通过判断信号变化率差分值来切换系数。变长度滑动平均信号平稳时用较大的N获得高平滑度信号快速变化时自动减小N甚至暂时切换到单点采样以保证快速响应。适用场景与坑点适用信号或噪声特性时变的场景。例如车载传感器振动噪声随车速变化、语音信号处理、通信信道均衡。优点能在不同工况下自动保持较好的性能鲁棒性更强。缺点算法复杂计算量大。参数自适应规则本身也需要设计和调试搞不好会引入不稳定性比如在稳态和快速变化之间频繁振荡切换。对于大多数工况固定的嵌入式应用精心调试的固定参数滤波器往往更简单可靠。5. 实战指南如何为你的项目选择并调优滤波算法看了这么多算法到底该怎么选这里我结合自己的项目经验给出一个选择流程图和具体的调优步骤。5.1 算法选择决策树面对一个ADC滤波需求你可以顺着以下问题来思考信号类型是什么慢变直流信号如温度、电池电压一阶滞后滤波是首选。简单、高效、效果好。想更稳一点前面加个限幅。带有脉冲干扰的慢变信号如工业环境下的传感器中位值平均滤波或限幅一阶滞后。快速变化信号如音频、振动滑动平均滤波。需要仔细权衡窗口大小N与延迟。需要预测的趋势信号如飞行器状态考虑卡尔曼滤波但前提是你有明确的系统模型和耐心调参。MCU资源是否紧张极其紧张8位机主频低优先考虑限幅滤波、一阶滞后滤波定点数。避免排序和大的数组。资源一般如Cortex-M0可以使用滑动平均N不宜过大、复合滤波。资源充足如Cortex-M4及以上可以尝试更复杂的算法如卡尔曼滤波、高阶数字滤波器IIR/FIR。对实时性要求多高要求极高控制环路内算法必须在几个微秒内完成。一阶滞后定点、限幅是唯二选择。要求一般数据上传、显示可以使用滑动平均、中位值平均等。噪声主要是什么类型随机白噪声平均类滤波算术平均、滑动平均效果最好。周期性工频干扰50/60Hz这不是后级数字滤波的首选解决方案应该在硬件前端加RC滤波或使用同步采样技术。数字滤波可作为补充。偶发脉冲中值滤波、限幅滤波。5.2 参数调优实战以一阶滞后滤波为例理论说了很多实操才是关键。假设我们选定一阶滞后滤波来平滑一个温度传感器信号采样周期T 100ms。步骤一采集原始数据不接任何滤波以100ms间隔通过串口打印ADC原始值持续几分钟包含稳定和变化阶段。将数据保存为文本文件。步骤二可视化分析使用任何绘图工具Python的MatplotlibExcel甚至一些串口工具自带绘图将数据画出来。观察稳定时噪声的峰峰值大约是多少比如 ±5 ADC值温度变化时信号的上升/下降速度大概是多少比如从25°C到30°C用了10秒步骤三初选参数根据经验对于100ms采样α可以从0.1到0.5之间尝试。我们先取α0.2。对应的定点数移位n满足α ≈ 1/(2^n)1/80.1251/40.25。我们取n2α0.25来近似。步骤四算法实现与离线仿真写一个简单的C程序或Python脚本读入步骤一保存的原始数据用你写的滤波函数浮点和定点版都试试处理一遍输出滤波后的数据。将原始数据和滤波后数据画在同一张图上对比。步骤五效果评估与迭代看图上滤波后的曲线如果曲线还有明显的高频锯齿说明平滑不够需要减小α增大n比如试试n3α0.125。如果曲线在信号变化时跟不上滞后太明显说明响应太慢需要增大α减小n比如试试n1α0.5。观察对脉冲干扰的抑制如果在原始数据中手动加一个尖峰看滤波后曲线是否出现一个“台阶”如果这个台阶幅度大且恢复慢可以考虑在前面增加一级限幅滤波。步骤六上机实测将选定的参数和算法写入MCU再次通过串口绘图观察实时效果。注意离线仿真时用的是“纯净”的历史数据实时运行时系统还有其他任务要确保滤波函数执行时间稳定不会因为其他中断干扰而引入额外的不确定性。5.3 常见陷阱与避坑指南整数除法的精度丢失在平均滤波或计算α时如果使用整数除法会丢失小数部分。例如sum / 10当sum45时结果是4而不是4.5。解决方案要么使用浮点数要么先累加最后一次性转换或者采用“舍入”除法(sum N/2) / N。累加和溢出这是新手常犯的错误。uint16_t类型的变量最大65535。如果ADC是12位0-4095N20累加和最大可达81900已经溢出。解决方案根据ADC最大值 * N来选择合适的变量类型如uint32_t。滤波引起的相位滞后影响控制系统在PID控制环路中对反馈信号进行滤波会引入相位滞后可能导致系统不稳定振荡。解决方案尽量减小滤波延迟用一阶滞后且α取大或者在对延迟不敏感的地方滤波如对设定值滤波。更高级的做法是在控制器设计时就考虑滤波器的相位特性。“过度滤波”淹没有用信号为了追求一条“光滑”的曲线把滤波参数调得过于“猛烈”导致真实信号的变化也被平滑掉了。比如一个缓慢上升的趋势看起来像一条水平线。解决方案始终对比原始信号和滤波信号确保滤波后的信号仍能正确反映真实信号的变化趋势而不仅仅是平滑。默认ADC的噪声就是白噪声ADC的噪声可能包含特定的频率成分如电源纹波。如果噪声是周期性的简单的平均滤波效果有限。解决方案用示波器看ADC输入引脚的实际波形或者对采集的数据做FFT分析找到噪声的主要频率然后针对性地设计滤波器如设计一个数字陷波器滤除特定频率。滤波算法没有“银弹”最好的算法永远是那个最适合你具体应用场景、资源约束和性能需求的算法。从简单的开始尝试理解其原理和局限必要时进行组合配合扎实的调试你一定能得到干净、可靠的采样数据。
