当前位置：首页 > news >正文

从理论到代码：手把手实现单片机上的数字滤波器

news 2026/3/26 17:04:37

1. 数字滤波器基础概念

第一次接触数字滤波器时，我也被那些复杂的数学公式吓到了。但后来发现，其实它的核心思想特别简单——就像用筛子过滤面粉一样，把信号中不需要的成分去掉。在单片机应用中，最常见的场景就是从传感器读取的原始数据中去除工频干扰（比如50Hz的电源干扰）或者高频噪声。

数字滤波器主要分为两大类：FIR（有限冲激响应）和IIR（无限冲激响应）。FIR滤波器的特点是稳定性好，但计算量较大；IIR滤波器则可以用较少的计算资源实现较好的滤波效果，但需要注意稳定性问题。在实际嵌入式开发中，由于单片机资源有限，IIR滤波器应用更为广泛。

举个生活中的例子：假设你在用麦克风录音，但背景有持续的风扇噪音。这时数字滤波器就像个智能降噪耳机，能识别并消除特定频率的噪音。在代码层面，这个"降噪"过程其实就是对采样数据做一系列数学运算。

2. 巴特沃斯滤波器设计

2.1 滤波器参数计算

设计滤波器时，三个关键参数决定了它的性能：

采样频率(Fs)：每秒采集数据的次数，比如1000Hz表示1秒采集1000个点
截止频率(Fc)：滤波器开始起作用的频率点
滤波器阶数(N)：决定滤波器的陡峭程度

对于一阶低通滤波器，关键的计算公式其实很简单：

q = 2π × Fc × T

其中T是采样间隔(1/Fs)。假设我们要设计一个20Hz的低通滤波器，采样率是1000Hz：

float Fc = 20.0; // 截止频率20Hz float Fs = 1000.0; // 采样率1000Hz float q = 2 * 3.1415926 * Fc / Fs; // 计算q值

2.2 阶数选择经验

很多初学者会纠结该用几阶滤波器。我的经验是：

一阶滤波器：计算简单，适合对性能要求不高的场景
四阶滤波器：能解决80%的工程问题，效果和计算量比较平衡
六阶及以上：只有在处理特别复杂的噪声时才需要

记住一个原则：阶数每增加一倍，滤波器的过渡带陡峭度就会明显改善，但计算量也会成倍增加。在STM32F103这类常用单片机上，四阶IIR滤波器处理1kHz信号大约只占用1%的CPU资源。

3. C语言实现详解

3.1 一阶滤波器代码实现

一阶低通滤波器的C实现非常简洁：

#define FILTER_LEN 1000 float lowPassFilter(float newSample, float prevOutput) { float alpha = 0.1; // 滤波系数，根据q值计算 return alpha * newSample + (1 - alpha) * prevOutput; } void processSignal(float* input, float* output, int length) { output[0] = input[0]; // 初始化第一个值 for(int i=1; i<length; i++) { output[i] = lowPassFilter(input[i], output[i-1]); } }

这个实现有几个优化点：

使用float而不是double，节省内存
避免重复计算(1-alpha)
循环内只做一次乘法和一次加法

3.2 高阶IIR滤波器实现

四阶IIR滤波器的实现稍复杂，但结构很规整：

typedef struct { float b[5]; // 分子系数 float a[5]; // 分母系数 float x[4]; // 输入历史 float y[4]; // 输出历史 } IIRFilter; float processIIR(IIRFilter* filter, float newSample) { // 移位历史数据 for(int i=3; i>0; i--) { filter->x[i] = filter->x[i-1]; filter->y[i] = filter->y[i-1]; } filter->x[0] = newSample; // 计算新输出 filter->y[0] = filter->b[0] * filter->x[0]; for(int i=1; i<=4; i++) { filter->y[0] += filter->b[i] * filter->x[i] - filter->a[i] * filter->y[i]; } return filter->y[0]; }

实际使用时，先用MATLAB或Python的scipy.signal库计算滤波器系数，然后填入结构体即可。我发现用结构体封装滤波器状态是个好习惯，方便管理多个滤波器实例。

4. 单片机优化技巧

4.1 内存管理

在资源受限的单片机上，要特别注意：

使用环形缓冲区代替线性数组
对系数使用const修饰，放入Flash而非RAM
适当降低浮点精度，或用定点数代替

例如STM32的优化版本：

#pragma pack(4) typedef struct { const float* b; // 系数放在Flash const float* a; float x[4]; float y[4]; } IIRFilter_Opt; __attribute__((section(".ccmram"))) IIRFilter_Opt filter; // 使用CCM高速内存

4.2 计算加速

没有硬件FPU的单片机可以考虑：

使用Q格式定点数运算
将系数放大为整数，最后再除回来
利用单片机自带的MAC（乘累加）指令

一个实用的Q15格式实现：

int16_t iirFilterQ15(int16_t newSample, int16_t* coeffs, int16_t* state) { int32_t acc = 0; // 移位状态 for(int i=3; i>0; i--) { state[i] = state[i-1]; } state[0] = newSample; // MAC运算 acc += (int32_t)coeffs[0] * state[0]; for(int i=1; i<=4; i++) { acc += (int32_t)coeffs[i] * state[i] - (int32_t)coeffs[i+4] * state[i+4]; } return (int16_t)(acc >> 15); // Q30转Q15 }

5. 效果验证与调试

5.1 频率响应测试

我常用的验证方法是：

用信号发生器产生正弦波输入
通过串口输出滤波后的数据
用Python matplotlib绘制波形

简单的测试代码：

import serial import matplotlib.pyplot as plt ser = serial.Serial('COM3', 115200) data = [] for _ in range(1000): data.append(float(ser.readline())) plt.plot(data) plt.show()