嵌入式ADC软件滤波实战指南：十种经典算法选型与应用解析
1. 嵌入式ADC滤波的挑战与选型逻辑
做嵌入式开发的朋友应该都遇到过这样的场景：传感器信号像得了"多动症"，数值上蹿下跳得让人头疼。上周我就被一个温控项目折腾得不轻——ADC采集的温度值动不动就跳变5℃，而实际环境温度变化根本没那么剧烈。这种时候，软件滤波算法就是我们的"特效药"。
但选滤波算法就像老中医开方子，得先搞清楚"病症"类型。常见的噪声干扰主要有三类：工频干扰（50Hz周期性波动）、随机脉冲（偶发的尖峰干扰）和白噪声（持续的小幅波动）。比如用电阻式水位传感器时，电机启停造成的电压波动就属于典型的脉冲干扰，而热电偶信号中的微小波动则更接近白噪声特性。
选择算法时要重点考虑三个维度：实时性要求（控制类应用最敏感）、内存开销（资源受限的MCU需谨慎）和信号特性（变化快慢、噪声类型）。以STM32F103为例，如果只是每分钟采集一次环境温度，用复杂算法也无妨；但若是直流电机转速控制，就必须选择计算量小的方案。
2. 十种经典滤波算法深度剖析
2.1 快速应急型方案
当硬件资源极其有限时，这两种算法堪称"救命稻草"：
限幅滤波法就像个保守的保安，只允许信号在合理范围内变化。我在光伏逆变器项目中用它过滤雷击导致的电压尖峰，效果立竿见影：
#define MAX_DELTA 50 // 允许最大波动值 int last_value = 0; int limit_filter(int new_val) { if(abs(new_val - last_value) > MAX_DELTA) return last_value; else return (last_value = new_val); }消抖滤波法则像个慢性子，必须连续多次检测到相同值才确认变化。适合按键检测这类场景：
#define STABLE_COUNT 5 int stable_cnt = 0, current_val = 0; int debounce_filter(int new_val) { if(new_val == current_val) { if(++stable_cnt >= STABLE_COUNT) return current_val; } else { stable_cnt = 0; current_val = new_val; } return -1; // 表示未稳定 }2.2 均衡型选手
中位值平均滤波法是我在工业现场最常用的方案，它先去掉最大最小值再求平均，相当于给数据做了个"去极端化"处理：
#define SAMPLE_SIZE 7 int history[SAMPLE_SIZE]; int median_avg_filter() { // 采集数据...（省略） bubble_sort(history); // 冒泡排序 int sum = 0; for(int i=1; i<SAMPLE_SIZE-1; i++) // 去掉首尾 sum += history[i]; return sum / (SAMPLE_SIZE-2); }实测发现当SAMPLE_SIZE=7时，在STM32F103上执行仅需28us（72MHz主频），内存占用也很友好。不过要注意，对于快速变化的信号（如超声波测距），这种方法会导致明显延迟。
2.3 高阶解决方案
当面对周期性干扰时，递推平均滤波法表现优异。它的核心是维护一个滑动窗口：
#define WINDOW_SIZE 12 int buffer[WINDOW_SIZE], index = 0; int moving_avg_filter(int new_val) { buffer[index++] = new_val; if(index >= WINDOW_SIZE) index = 0; long sum = 0; for(int i=0; i<WINDOW_SIZE; i++) sum += buffer[i]; return sum / WINDOW_SIZE; }在变频器项目中，我用这个方法成功抑制了PWM引起的100Hz干扰。不过要特别注意：窗口大小与干扰频率的关系。根据香农定理，窗口时间应大于干扰周期的2倍。
对于带有明显惯性的物理量（如大型储罐液位），一阶滞后滤波法是更优解：
float alpha = 0.2; // 惯性系数 float filtered_val = 0; float low_pass_filter(float new_val) { filtered_val = alpha * new_val + (1-alpha) * filtered_val; return filtered_val; }这个算法的妙处在于alpha参数的调节：取值越大响应越快但滤波效果越弱，反之则平滑但延迟明显。建议先用0.5开始调试，根据实际效果调整。
3. 实战中的参数调优技巧
3.1 阈值设定的黄金法则
限幅滤波的阈值设定很有讲究：太大不起作用，太小会误杀有效信号。我的经验是先采集10分钟原始数据，计算标准差σ，将阈值设为3σ。比如某压力传感器的σ=15，那么：
#define PRESSURE_THRESHOLD 45 // 3×153.2 窗口大小的选择艺术
滑动窗口不是越大越好。通过FFT分析噪声频谱后，可以精确计算最佳窗口尺寸。例如发现主要干扰是100Hz，采样率1kHz时：
窗口大小 = 采样率 / 干扰频率 = 1000/100 = 103.3 混合策略的妙用
在无人机高度控制中，我创造性地组合了三种算法：先用限幅过滤异常值，再用滑动平均抑制高频噪声，最后用一阶滞后增强平滑性。代码框架如下：
float hybrid_filter(float raw) { static float last = 0; float stage1 = limit_filter(raw, last); float stage2 = moving_avg(stage1); last = low_pass(stage2); return last; }4. 资源受限场景的优化之道
4.1 内存节省技巧
对于递推平均算法，可以用环形缓冲区避免数组移动：
#define BUF_SIZE 8 int buffer[BUF_SIZE], head = 0, sum = 0; int optimized_moving_avg(int new_val) { sum += new_val - buffer[head]; buffer[head] = new_val; head = (head + 1) % BUF_SIZE; return sum / BUF_SIZE; }这种方法将时间复杂度从O(n)降到O(1)，在8051这类芯片上特别有用。
4.2 浮点运算的替代方案
在无FPU的MCU上，可以用Q格式数代替浮点：
#define Q 8 // Q8.8格式 int alpha_q = 51; // 0.2×256 int fixed_low_pass(int new_val) { static int filtered_q = 0; filtered_q = (alpha_q * (new_val<<Q) + (256-alpha_q)*filtered_q) >> 8; return filtered_q >> Q; }4.3 实时性保障策略
对于100us以下的高速采样，建议：
- 使用查找表代替实时计算
- 在ADC中断中只做必要操作
- 主循环中处理非实时任务
比如：
volatile int adc_raw; void ADC_IRQHandler() { adc_raw = ADC1->DR; // 仅记录原始值 }在汽车电子项目中，这些技巧帮助我们将滤波耗时从56us降到了7us。