企业官网建设流程全解析

简介：针对单片机与嵌入式系统中的数字滤波需求，这里整理了一套包含10种常用滤波算法的C代码资源，适合需要处理传感器噪声、脉冲干扰或周期性波动的开发者使用。压缩包内共3个文件，包含可直接参考的C源程序、系统讲解10种软件滤波方法的Word文档，以及一篇单片机数字滤波算法研究的PDF论文，整体大小约198KB，目前已有3185人学习下载。内容覆盖限幅滤波、中位值滤波、算术平均滤波、递推平均滤波、中位值平均滤波、限幅平均滤波、一阶滞后滤波、加权递推平均滤波、消抖滤波和限幅消抖滤波，每种算法均列明实现方法、优点与缺点，便于在流量、压力、液位、温度等不同测量场景中评估滤波效果并完成选型，也能对照C代码直接移植到实际项目，快速验证滤波逻辑。 刚接手嵌入式项目那会儿，我最怕处理的就是ADC采样回来的数据。传感器明明接得好好的，数值却像蹦迪一样上下跳，加个滤波吧，数据是稳了，但真实变化也跟着变迟钝，调试时差点怀疑人生。后来才明白，滤波这事不该上来就写代码，得先搞清楚信号里混的是什么噪声、采样周期是多少、允许的响应延时有多长。这篇就把我用过的10种常用滤波算法从头到尾梳理一遍，全部给出C语言实现，附上选型思路、参数调优经验和实际对比数据，适合正在做传感器采集、单片机开发、仪器仪表的朋友收藏对照。

1. 先判断噪声再选算法：滤波第一步其实是“诊断”

很多朋友觉得滤波就是“低通”，拿一个平均或者一阶滞后到处用，结果遇到继电器干扰、电机火花时毫无办法，数据还是乱跳。问题不在代码，而在没有先分析信号里混杂的噪声形态。滤波选型的顺序应该是：先看噪声长什么样，再决定用哪种策略，最后才动手写代码。同样的信号，用对算法，几行代码就能压住几十条if判断。

1.1 毛刺、抖动、漂移：先认清你要对付的是谁

传感器信号里的噪声大致分三种形态。第一种是脉冲毛刺，也就是偶发的尖峰，通常来自电机启停、继电器动作、静电放电或者通信干扰。它的特点是幅值大、持续时间短，和真实值之间往往差了几百甚至上千个码值。第二种是随机抖动，信号围绕真实值上下快速波动，幅度不大但频率高，是传感器固有噪声的主要形态。第三种是缓慢漂移，例如温度变化引起的零点偏移，周期很长。

打个比方就很好理解：毛刺像朋友说话时旁边突然有人插了一嗓子，随机抖动像三个人同时小声嘀咕，而漂移像是背景音乐音量慢慢变大。三种噪声的处理思路完全不同，毛刺要靠限幅、中位值这类“不信它”的算法来剔除；随机抖动要靠平均、滞后这类“综合群众意见”的算法来平滑；漂移通常用标定、差分或高通思路解决，10种经典算法里没有专门对付它的，别指望平均或限幅能解决。

1.2 十种算法按策略分组：抗脉冲、平滑、组合

这10种算法按策略可以分成三组，这样记起来就轻松多了：

同一款算法不存在全能的，组合策略往往更实用。正因如此，我建议把10种算法当成一组工具箱，而不是一张排名表。遇到问题先归类，再从中挑最合适的零件。

2. 抗脉冲干扰三件套：限幅、中位值与消抖的C实现

先来看抗脉冲干扰这一类。为什么这类噪声不能用平均类滤波？因为脉冲的幅值很大，平均计算会把一个尖峰“摊”到前后N个点上，相当于把毛刺变成了一段持续的凸起，数据虽然不跳了，但失真更隐蔽。限幅、中位值、消抖这些方法在脉冲尚未影响整体统计之前就直接拒绝它，思路完全不同。

2.1 限幅滤波：给相邻采样值的“信任额度”设门槛

限幅滤波的逻辑最简单：相邻两次采样值的差值超过设定阈值，就认为本次采样不正常，输出上一次的值；否则正常输出。它等于给每个新采样值设了一个“信任额度”，超出额度就不予通过。

#define LIMIT_VALUE 50 /* 阈值，按信号最大变化率设定 */ int limit_filter(int new_value, int last_output) { if ((new_value - last_output > LIMIT_VALUE) || (last_output - new_value > LIMIT_VALUE)) { return last_output; } return new_value; }

这里有个容易踩的坑：上一次的参考值到底用原始采样值还是上一次的滤波输出值？我建议用上一次滤波输出值。如果拿上一次原始采样值做基准，一次脉冲之后连续几个正常点都会被误杀，因为它们的差值是相对脉冲值算的，而不是相对正常值。限幅滤波非常适合温度、液位、转速这类物理量不会突然跳变的场景，缺点是一旦真实信号快速变化就容易被误伤，阈值需要仔细设计，后面第5章专门讲。

2.2 中位值滤波：把排序结果的正中间那个数拿出来

中位值滤波的思路是连续采样N次，排序后取中间那个数作为输出。N必须取奇数，否则取中间偏左偏右都别扭。

int median_filter(int *buf, int len) { int temp, i, j; /* 冒泡排序，数据量小，够用 */ for (i = 0; i < len - 1; i++) { for (j = 0; j < len - i - 1; j++) { if (buf[j] > buf[j + 1]) { temp = buf[j]; buf[j] = buf[j + 1]; buf[j + 1] = temp; } } } return buf[len / 2]; }

调用的方式通常是连续采集5个点存进数组，调用median_filter，然后把数组重置继续采。这里有三个注意事项：第一，排序会直接改动传入的数组，如果调用方还要用原始数据，就得先拷贝一遍；第二，N一般取3或5，最多取7，再大排序开销和输出滞后都会明显增加；第三，中位值滤波适合温度、液位这类变化缓慢的信号，用在振动或音频信号上，输出看起来就像被“削掉”了细节。

2.3 消抖滤波：连续N次一致才更新输出

消抖滤波在嵌入式里最常见的名字叫“软件消抖”，典型应用是按键、光电开关、霍尔传感器这类逻辑电平信号。它的规则是：连续N次采样都得到相同值，才更新输出；一旦中间出现一次不同，计数清零重来。

#define DBNCE_CNT 5 /* 连续相同N次才算稳定 */ int debounce_filter(int new_value, int *counter, int *last_valid) { if (new_value != *last_valid) { (*counter)++; if (*counter >= DBNCE_CNT) { *last_valid = new_value; *counter = 0; } } else { *counter = 0; } return *last_valid; }

这个函数的返回值是上一次确认有效的值，不是本次采样值。中间的计数参数由调用方维护，这样同一个函数可以服务多个通道，互不干扰。消抖滤波的代价是响应延迟，N越大抗干扰越好，但输出越迟钝。对于按键这类人类操作，5到20次判断都感知不到延迟；对于霍尔测速这类高速计数，N就得尽量小。

2.4 限幅消抖：先做物理约束，再做状态确认

如果把限幅和消抖合起来，就得到限幅消抖滤波：先判断本次采样值和上次采样值是否超限，如果超限就认为这次采样不可信，直接清零计数；如果没超限，再走消抖逻辑。

int limit_debounce_filter(int new_value, int last_sample, int *counter, int *last_valid) { if ((new_value - last_sample > LIMIT_VALUE) || (last_sample - new_value > LIMIT_VALUE)) { *counter = 0; return *last_valid; } if (new_value != *last_valid) { (*counter)++; if (*counter >= DBNCE_CNT) { *last_valid = new_value; *counter = 0; } } else { *counter = 0; } return *last_valid; }

注意这里的last_sample是上一次的原始采样值，不是滤波输出值，它做的是物理层面的“初步可信度验证”；last_valid才是上次确认有效的状态值。限幅消抖比单独消抖强的地方在于，物理上不可能出现的快速跳变会被提前拦截，不会给计数器“攒骗局”的机会。比如一个光电传感器正常情况下频率最多100Hz，结果一个采样周期内状态翻了好几次，这一定是干扰，先踢出去再做消抖判断。

3. 平滑随机噪声：平均类与一阶滞后滤波的C实现

平均类和一阶滞后是把随机噪声“磨平”的常用手段。它们对零均值随机噪声非常有效，噪声越大，效果越明显。跟抗脉冲策略不同，这类算法会处理每一个采样值，而不是选择性地相信或丢弃。

3.1 算术平均滤波：攒一批，算一次

算术平均滤波是很多人最早接触的滤波方式：连续采集N个点，求和取平均，输出一次结果，然后重新采集。

int average_filter(int *buf, int len) { int sum = 0, i; for (i = 0; i < len; i++) { sum += buf[i]; } return sum / len; }

这个算法的特点是简单可靠，输出频率降低为采样率的1/N，每次都要等N个点凑齐才能输出，实时性较差。它适合温湿度记录仪、电池电压巡检这类周期性上报数据的场景。有个细节：如果采样值是12位ADC且N较大，int范围内的sum一般不会溢出，但如果你用的是16位MCU且N超过64，最好把sum声明为long，避免累加溢出。

3.2 滑动平均滤波：环形缓冲里的实时平均值

滑动平均滤波也叫递推平均滤波，它和算术平均最大的区别是“窗口滑动”。每采到一个新值，就覆盖掉窗口里最旧的值，立刻输出窗口内平均值，不用等人凑齐一批。

#define WIN_SIZE 8 static int history_buf[WIN_SIZE]; static int history_index = 0; int sliding_average_filter(int new_value) { int sum = 0, i; history_buf[history_index] = new_value; history_index = (history_index + 1) % WIN_SIZE; for (i = 0; i < WIN_SIZE; i++) { sum += history_buf[i]; } return sum / WIN_SIZE; }

这里用环形缓冲区保存最近N个值，index永远指向下一次要覆盖的位置。滑动平均的响应延迟大约是(N-1)/2个采样周期，实时性比算术平均好很多，因此特别适合压力、倾角这类需要连续输出的系统。要注意的是，新值进来后被平均的权重只有1/N，真实突变会被“稀释”，如果信号本身变化快，窗口不能设得太大。

3.3 加权递推平均：给信任度加个权重梯度

滑动平均把窗口里所有数据一视同仁，但直觉告诉我们，越靠近当前时刻的数据越接近真实状态。加权递推平均就是给不同位置的数据分配不同权重，通常越新的数据权重越大。

#define WIN_SIZE 4 static int history_buf[WIN_SIZE]; static const int weight[WIN_SIZE] = {4, 3, 2, 1}; #define WEIGHT_SUM 10 int weighted_sliding_filter(int new_value) { int sum = 0, i; /* 数据整体后移，最新值放最前面 */ for (i = WIN_SIZE - 1; i > 0; i--) { history_buf[i] = history_buf[i - 1]; } history_buf[0] = new_value; for (i = 0; i < WIN_SIZE; i++) { sum += history_buf[i] * weight[i]; } return sum / WEIGHT_SUM; }

权重设计有个小技巧：尽量用线性递增的整数权重，比如{1,2,3,4}或{1,2,4,8}，权重总和可以整除，这样平均时直接用整数除法，不牵涉浮点。加权递推平均的滞后比普通滑动平均小，但因为让最近的数据“多说话”，对脉冲的抗性也变差了，实战里通常要在前级加限幅或中位值，否则一个尖峰可能带偏整个输出。

3.4 一阶滞后滤波：用一个系数实现无限记忆

一阶滞后滤波的公式是y[k] = a * x[k] + (1 - a) * y[k-1]，a是滤波系数，范围0到1。它把上一拍的输出和本拍的输入按比例混合，内存占用小到极致。

#define FILTER_COEF 30 /* 相当于 a = 0.3 */ int first_order_filter(int new_value) { static int last_output = 0; static unsigned char initialized = 0; int output; /* 冷启动处理：第一次直接把采样值当作输出 */ if (!initialized) { last_output = new_value; initialized = 1; } output = (FILTER_COEF * new_value + (100 - FILTER_COEF) * last_output) / 100; last_output = output; return output; }

一阶滞后滤波几乎是为单片机量身定做的，只要两个变量、一次乘加运算，没有数组也没有排序，而且系数是连续可调的。a越大，越信任新值，响应快但平滑弱；a越小，越依赖历史，平滑强但滞后明显。它本质是IIR滤波器，历史影响会一直存在，所以代码里专门做了冷启动处理，第一次采样直接赋值，避免从0慢慢爬导致的初始失真。

4. 组合打法：同时解决毛刺和平滑的两种策略

现实的传感器数据往往不是单一噪声。有的信号既有偶发脉冲，又有持续抖动，只用一种策略压不住。组合策略的思路就是先把脉冲剔除，再对剩余数据做平滑处理。

4.1 中位值平均滤波：排序后掐头去尾再平均

中位值平均滤波也叫防脉冲干扰平均滤波，它把中位值和算术平均结合：连续采样N个数，排序后去掉最大值和最小值，剩下的N-2个数求平均。

#define FILTER_N 7 int median_average_filter(int *buf, int len) { int temp, i, j, sum = 0; for (i = 0; i < len - 1; i++) { for (j = 0; j < len - i - 1; j++) { if (buf[j] > buf[j + 1]) { temp = buf[j]; buf[j] = buf[j + 1]; buf[j + 1] = temp; } } } /* 去掉最小值buf[0]和最大值buf[len-1] */ for (i = 1; i < len - 1; i++) { sum += buf[i]; } return sum / (len - 2); }

这个组合的价值在于，去掉最大最小之后，剩下的数据基本剔除了偶发脉冲影响，再用平均处理剩余随机噪声，输出的稳定性比单独用中位值或算术平均都好。N一般取5或7，工业测量里用它处理热电阻、压力变送器这类缓慢变化信号，效果很稳。代价是要排序，N等于7时冒泡排序最坏要21次比较，对几十毫秒采样周期来说完全够用。

4.2 限幅平均滤波：拦截异常值后交给滑动平均

限幅平均滤波是“限幅+滑动平均”的组合，逐个采样值先进限幅关卡，通过后才进入滑动平均窗口，不满足限幅条件的值直接用上一轮输出顶替，避免异常值污染窗口。

int limit_average_filter(int new_value, int last_output) { int sum = 0, i; int valid_value = new_value; if ((new_value - last_output > LIMIT_VALUE) || (last_output - new_value > LIMIT_VALUE)) { valid_value = last_output; } history_buf[history_index] = valid_value; history_index = (history_index + 1) % WIN_SIZE; for (i = 0; i < WIN_SIZE; i++) { sum += history_buf[i]; } return sum / WIN_SIZE; }

这个方案比中位值平均的实时性更好，滑动平均每采一个点就能输出一个值，不被N点一批的节奏拖住。它非常适合电流环、速度环这类实时闭环控制系统的采样通道，既要求滤波平滑，又要求输出延迟尽量小。需要重点提醒的是，限幅的那一步必须在进窗口之前做，如果把原始脉冲值直接塞进窗口，滑动平均会把脉冲摊到多个周期上，和没滤差不多。

5. 参数定夺与实测对比：同一串数据的不同归宿

算法选好了，参数定不对等于白选。窗口N、限幅阈值、滤波系数三个参数，分别对应响应时间、物理约束、平滑程度三个维度。

5.1 一组真实采样数据在三种算法下的对比

为了更直观地说明问题，我拿一组模拟的ADC采样值做了一组对比，序列中间故意放了一个1800的脉冲毛刺，真实值大约在1250附近：

限幅把脉冲挡在了门外，输出几乎不受影响。但滑动平均被1800带偏了4个周期，直到第8个点才回到1255左右；一阶滞后输出虽然回落的趋势明显，但第8个点仍比真实值高约36个码值。这印证了前面反复提到的观点：纯平均类算法没办法独立对付脉冲干扰，实战中组合策略的价值就在这里。

5.2 窗口长度N：不要拍脑袋，从滞后时间倒推

窗口N决定的其实是“输出对真实变化的反应速度”。滑动平均的群延迟约为(N-1)/2个采样周期，也就是说，真实信号发生阶跃后，你要等大约(N-1)/2拍才能跟踪到变化的中点。所以N应该从需求反推：比如系统允许滤波延迟50ms，采样周期5ms，那N最大取21左右，再大就会明显滞后。

根据经验，不同信号可以参考以下取值：

另外有一个代码层面的提醒：如果N取2的幂，比如4、8、16，取平均时可以用右移代替除法，sum >> 2或者sum >> 3，运行速度会快不少。

5.3 限幅阈值：用最大物理变化率反算

限幅阈值是整个限幅滤波里最关键、也最容易拍脑袋定的参数。一个靠谱的办法是：阈值 = 信号最大物理变化率 × 采样周期，然后留1.5到3倍余量。

举个例子，某温度传感器最大升温速率是0.5℃每秒，采样周期100ms，那么一个采样周期内最多变化0.05℃。如果ADC分辨率是0.1℃每个码值，那理论上阈值取1就够了，但实际噪声和量化误差难免，建议取3到5。如果没有物理模型可以参考，就抓一段正常工况下的数据，统计相邻采样点差值的最大值，再乘1.5到2倍作为阈值。阈值太小会误杀正常信号，数据变得僵硬；阈值太大又等于没滤，毛刺长驱直入。

5.4 一阶滞后系数：从0.3起步盯着响应调

一阶滞后系数a给了一个连续可调的旋钮，但也正因如此，新手容易来回乱调。我的习惯是从0.3起步，然后给信号一个人为的阶跃输入，观察输出跟踪到目标90%需要多久。a等于0.3时，大约7个采样周期到90%；a等于0.1时，要20多个周期；a等于0.5时，3到4个周期就差不多了。

要求输出跟手就加大a，要求滤波结果平滑就减小a。实际项目里我还用过一种动态系数思路：数据平稳时用小系数，把噪声压住；当检测到输入与输出偏差大于某个阈值时，临时切到大系数，让输出尽快跟上真实变化，跟上了再切回去。这种“可变一阶滞后”在工业现场效果很好，但只在确实需要同时兼顾响应和平滑时才建议用。

6. 嵌入式工程落地：从能跑到好用的几个细节

代码能跑只是第一步。嵌入式环境资源有限，还要面对冷启动、浮点性能、调试手段等问题。下面几个细节是工程化时最容易踩坑的地方。

6.1 首采值处理：滤波器的“冷启动”问题

滑动平均窗口没填满时怎么输出？一阶滞后第一次输出要不要跳变？这些问题不加处理，开机头几百毫秒的数据基本不能看。我习惯用两个方案之一解决：一是先用第一个采样值填充整个窗口缓冲区，再开始正常滤波；二是启动阶段按实际已有数据量做部分平均，窗口填满后才完全进入滑动平均模式。

for (i = 0; i < WIN_SIZE; i++) { history_buf[i] = first_value; }

一阶滞后的冷启动处理更简单，第一次调用时直接把last_output赋成当前采样值，也就是前面代码里initialized标志的作用。这样开机后的输出是从真实起点开始的，而不是从0慢慢爬上去，省去好几秒的收敛时间。

6.2 整数运算替代浮点：省下的不止是时间

很多单片机的内核没有FPU，浮点运算要靠软件库仿真，一次浮点乘法可能消耗几十甚至上百个时钟周期，代码体积也会增加。所以滤波参数我全部用整数表达。一阶滞后的系数a用0到100的整数表示百分比，换算成整式：

int output = last_output + (FILTER_COEF * (new_value - last_output)) / 100;

这个写法和原式完全等价，还少了一次乘法。如果系数固定，编译器甚至会把除以100优化成乘法和移位。限幅判断里用两次减法比较差值，避免调用abs函数，也省掉了标准库依赖。这些优化对跑在STM32F103、STC8这类芯片上的项目，效果非常明显。

6.3 留一个调试后门：参数在运行时可调

最后分享一个贯穿我整个开发周期的小习惯：给滤波器开一个调试后门。哪怕只是临时加一个串口打印，把原始值、滤波值、当前参数周期性地打出来，调试效率都能翻倍。我通常先抓一段原始数据，在PC上用同样的算法离线试算，确定参数后再固化进单片机；如果现场工况复杂，把限幅阈值、滤波系数做成运行时可改的动态变量，通过串口命令调整，就不用反复烧录固件试错。

我现在做滤波方案基本是“先分类、再组合、后调参”，每次遇到新传感器，先花半天时间抓数据，剩下的就是套用这10种算法组合成一套合适的处理链。思路理顺了，这些算法就是一组随时可以调用的零件，真正难的从来不是代码本身，而是能不能判断出当下那个信号需要哪种策略。

本文还有配套的精品资源，点击获取