核心内容摘要
探索“吴梦梦电影”的魅力：一次深度观影体验
做嵌入式开发的同学大概率都遇到过这样的痛点用ADC采集传感器数据时读数总在小幅跳动——明明传感器静置不动串口打印的数值却像“坐过山车”一样忽高忽低。
这种高频噪声不仅会拉低数据精度更可能导致后续控制逻辑误判比如电机控制中误触发过流保护或是温湿度监控系统出现无意义的报警弹窗。
应对这类问题滤波器是核心解决方案。
而移动平均滤波器Moving Average Filter, MAF凭借结构简单、计算量小、资源占用低的优势成为嵌入式场景的“入门首选滤波方案”。
今天这篇文章就从原理推导、C语言实现到DSP ADC采样实战手把手带你吃透移动平均滤波器彻底解决数据波动的烦恼。
简化推导搞懂移动平均的核心逻辑移动平均的核心逻辑特别好理解用最近N个连续采样点的平均值替代当前的原始采样值以此抹平高频噪声。
这里的N被称为“窗口大小”是核心可调参数——窗口越大滤波平滑效果越好但对信号突变的响应速度越慢窗口越小响应速度越快但滤波效果会减弱。
实际开发中需要根据场景需求平衡这两个指标。
我们用最直观的方式推导核心公式假设已连续采集x₀, x₁, …, xₙ₋₁共n个数据现在要计算第n个数据对应的滤波结果yₙ。
按照移动平均的逻辑yₙ就是最近N个采样点的平均值公式如下yₙ (xₙ xₙ₋₁ … xₙ₋ₙ₊₁) / N 公式1这里要重点理解“移动”的含义当采集到第n1个新数据xₙ₊₁时采样窗口会向前滑动一位——丢弃最旧的xₙ₋ₙ₊₁纳入新数据xₙ₊₁此时新的滤波结果yₙ₊₁为yₙ₊₁ (xₙ₊₁ xₙ … xₙ₋ₙ₊₂) / N 公式2对比两个公式能发现关键优化点无需每次都重新计算N个数据的总和只需用前一次的总和减去被丢弃的旧数据再加上新数据即可推导过程如下sumₙ₊₁ sumₙ - xₙ₋ₙ₊₁ xₙ₊₁yₙ₊₁ sumₙ₊₁ / N这个优化至关重要——它将每次滤波的时间复杂度从O(N)降到了O(
大幅降低CPU占用率这也是移动平均滤波器能适配嵌入式、DSP等资源受限场景的核心原因。
分步实现C语言代码拆解接下来进入实操环节我们严格按照“数据结构设计→核心函数编写→代码逐行解析”的流程用C语言实现移动平均滤波器。
全程聚焦窗口缓存数组、累加和等关键变量的设计思路以及窗口未满边界处理、累加和溢出规避等实战高频问题。
1 数据结构设计用结构体封装核心变量嵌入式开发中用结构体封装滤波器核心参数是标准做法能让代码更模块化、可复用后续移植或多滤波器并行使用时更高效。
结合移动平均的工作原理我们需要定义以下5个核心变量窗口缓存数组存储最近N个采样数据用于滑动时快速定位并丢弃旧数据窗口大小N用户可配置的参数根据场景调整累加和sum存储当前窗口内所有数据的和避免重复计算当前索引index记录下一个要覆盖的旧数据位置实现窗口“循环滑动”避免数组移位窗口满标志is_full标记窗口是否已填满解决初始化阶段数据不足N个的滤波计算问题。
结合上述变量对应的C语言结构体定义如下可直接复制到项目中使用// 移动平均滤波器结构体typedefstruct{int*window_buf;// 窗口缓存数组intwindow_size;// 窗口大小Nintsum;// 窗口内数据累加和intindex;// 当前索引下一个要覆盖的位置uint8_tis_full;// 窗口是否填满标志0未填满1填满}MA_Filter_TypeDef;
2 核心函数编写Init初始化函数 Filter滤波函数移动平均滤波器的核心功能由两个函数支撑Init初始化函数完成参数配置和状态复位、Filter滤波函数处理实时采样数据并输出结果两者配合实现完整的滤波流程。
2.
1 初始化函数MA_Filter_Init初始化函数的核心作用给结构体成员赋值、绑定缓存数组、初始化累加和/索引/满标志等状态变量。
特别注意要加入参数合法性检查避免空指针、无效窗口大小等低级错误。
// 移动平均滤波器初始化// 参数filter滤波器结构体指针window_size窗口大小需1buf用户提供的缓存数组长度≥window_size// 返回值0-初始化成功-1-参数错误intMA_Filter_Init(MA_Filter_TypeDef*filter,intwindow_size,int*buf){// 严格参数检查避免空指针和无效窗口大小if(filterNULL||window_size1||bufNULL){return-1;// 初始化失败}filter-window_sizewindow_size;filter-window_bufbuf;// 绑定外部缓存嵌入式推荐外部分配避免动态内存碎片filter-sum0;// 累加和初始化为0filter-index0;// 索引初始化为0指向第一个待填充位置filter-is_full0;// 初始状态窗口未填满// 缓存数组清零可选根据场景调整避免残留旧数据影响初始滤波结果for(inti0;iwindow_size;i){filter-window_buf[i]0;}return0;// 初始化成功}
2.
2 滤波函数MA_Filter_Process滤波函数是核心执行逻辑负责完成“纳入新数据→更新累加和→计算滤波结果→窗口滑动”的全流程。
开发时需重点解决两个实战问题窗口未满时的边界处理和累加和溢出的规避这也是新手最容易踩坑的地方。
// 移动平均滤波器实时处理函数// 参数filter滤波器结构体指针input当前ADC采样原始值// 返回值滤波后的输出值无效输入返回0intMA_Filter_Process(MA_Filter_TypeDef*filter,intinput){intoutput0;// 异常检查结构体指针为空直接返回if(filterNULL){return0;}//
累加和更新窗口满则先减旧数据再加新数据未满直接加新数据if(filter-is_full){// 窗口已满当前索引指向的是即将被覆盖的最旧数据先从总和中减去filter-sum-filter-window_buf[filter-index];}filter-suminput;// 纳入新数据//
新数据存入缓存索引更新filter-window_buf[filter-index]input;filter-index;//
索引越界处理循环覆盖旧数据标记窗口满状态if(filter-indexfilter-window_size){filter-index0;// 索引归零实现循环滑动filter-is_full1;// 首次越界说明窗口已填满后续按满窗口计算}//
计算输出值窗口未满时除以实际数据个数满窗口除以窗口大小if(filter-is_full){outputfilter-sum/filter-window_size;}else{// 窗口未满时index值等于已采集的数据个数从1开始递增outputfilter-sum/filter-index;}returnoutput;}
3 代码逐行解析关键细节与避坑指南上面的代码看似简洁但包含多个嵌入式开发的实战细节新手很容易在这些地方出错。
下面逐一对关键逻辑拆解讲清“为什么这么写”以及“避免什么坑”。
2.
1 窗口缓存数组的设计循环覆盖 vs 移位新手实现移动平均时常采用“数组移位”的方式处理窗口滑动比如要存入新数据时把x₁~xₙ₋₁依次左移一位再把新数据存到数组末尾。
这种方式的问题很明显每次移位都要操作N个数据时间复杂度O(N)当N较大如1024或采样率较高如10kHz时会严重占用CPU资源甚至影响其他任务执行。
我们的实现采用“循环覆盖”思路核心是通过index索引记录下一个要覆盖的旧数据位置每次存入新数据时直接覆盖index指向的旧数据然后index自增当index达到窗口大小N时归零重新开始覆盖。
这种方式无需移位时间复杂度O(
是嵌入式场景的最优实现方案能最大限度节省CPU资源。
2.
2 窗口未满时的边界处理初始化后窗口内没有任何数据随着采样过程推进数据逐步填充窗口这个阶段就是“窗口未满”阶段。
新手容易忽略这个阶段直接按满窗口N计算平均值——比如N5时第一个采样值除以5结果仅为实际值的1/5明显错误会导致初始化阶段数据严重失真。
我们的解决方案是通过is_full标志区分窗口状态窗口未满时除以当前实际采集的数据个数此时index的值恰好等于已采集个数因为每次采样index自增1当index首次达到N并归零时说明窗口已填满is_full置1后续统一除以N计算。
这样能保证初始化阶段和稳定运行阶段的输出值都准确避免边界错误。
2.
3 避免累加和溢出的技巧嵌入式系统中int类型多为16位范围-32768~32767即使是32位int当窗口大小N较大如1024且采样值较高如16位ADC采样最大值65535时累加和sum也可能超出变量范围导致溢出出现错误的负数结果这是实战中必须规避的问题。
结合嵌入式开发场景分享3个实用的溢出规避技巧按优先级排序优先使用更大位数变量存储累加和将sum定义为uint32_t或int32_t类型32位即使N
采样值65535累加和最大值1024×6553567108864远小于32位整数的最大值2147483647完全避免溢出采样值缩放预处理若采样值范围较大如16位ADC可先将采样值除以2或4根据精度需求调整再存入缓存减少累加和的增长速度降低溢出风险合理选择窗口大小无需盲目追求大窗口先通过测试确定满足滤波效果的最小N值在滤波效果和溢出风险之间找到平衡。
最推荐使用第一种方案修改后的结构体定义如下仅修改sum的类型// 优化后的移动平均滤波器结构体32位累加和避免溢出typedefstruct{int*window_buf;// 窗口缓存数组intwindow_size;// 窗口大小Nint32_tsum;// 32位累加和适配大窗口/高采样值场景intindex;// 当前索引循环覆盖位置uint8_tis_full;// 窗口满标志0-未满1-已满}MA_Filter_TypeDef;
实战测试DSP ADC采样场景应用接下来我们将上述实现的移动平均滤波器应用到DSP以TI F28335为例的ADC采样场景中通过实战验证滤波效果。
本次实战场景采集温度传感器如LM35数据ADC采样率1kHz原始数据含±5左右的高频噪声选用窗口大小N10的移动平均滤波器进行平滑处理。
1 实战代码整合#includeF28335_ADC.h#includestdint.h// 移动平均滤波器结构体32位累加和避免溢出typedefstruct{int*window_buf;intwindow_size;int32_tsum;intindex;uint8_tis_full;}MA_Filter_TypeDef;// 全局变量定义根据实际场景调整#defineWINDOW_SIZE10// 窗口大小N10经测试适配1kHz采样率的温度采集intadc_buf[WINDOW_SIZE]{0};// 窗口缓存数组静态分配避免动态内存MA_Filter_TypeDef temp_filter;// 温度采集专用滤波器实例intadc_raw;// ADC原始采样值12位范围0~4095intadc_filtered;// 滤波后的数据// 系统初始化函数整合ADC和滤波器初始化voidInit_System(void){ADC_Init();// ADC初始化1kHz采样率单通道采集连接LM35温度传感器// 滤波器初始化绑定结构体、窗口大小和缓存数组MA_Filter_Init(temp_filter,WINDOW_SIZE,adc_buf);}// 主函数核心业务逻辑voidmain(void){Init_System();// 初始化ADC和滤波器while(
{adc_rawADC_Read();// 读取ADC原始采样值// 滤波处理输入原始值输出平滑后的值adc_filteredMA_Filter_Process(temp_filter,adc_raw);// 后续逻辑将滤波后的值转换为温度如LM351LSB≈
125℃或用于控制/显示// Temperature (adc_filtered *
3 /
* 100; // 示例电压转温度}}
2 测试结果分析为直观验证滤波效果我们通过串口打印ADC原始数据和滤波后的数据以下是部分实测结果单位ADC计数12位ADC参考电压
3V采样序号原始数据带噪声滤波后数据N10120502050220552052320482051………102052205111206020521220452051从实测结果能清晰看到原始数据波动幅度约±5经过N10的移动平均滤波后波动幅度缩小到±1高频噪声被有效平滑滤波效果显著同时由于滤波函数时间复杂度仅O(
在TI F28335上运行时CPU占用率不足1%完全不会影响ADC采样、温度转换等其他任务的执行适配性极佳。
优缺点
总结与改进方向
1 移动平均滤波器的优缺点优点实现简单代码逻辑清晰核心函数仅几十行新手容易理解和移植资源占用低仅需少量内存存储缓存数组和状态变量计算仅含加减除法CPU负担小适配各类嵌入式/DSP芯片高频滤波效果好对ADC采样中常见的高频随机噪声平滑效果显著能快速提升数据稳定性。
缺点响应速度与滤波效果矛盾窗口大小N固定无法同时兼顾——N越大滤波越平滑但对信号突变的响应越慢比如温度骤升时滤波后的数据无法快速跟进权重均等不合理对窗口内所有采样点赋予相同权重忽略了“新数据更能反映当前状态”的实际需求存在相位滞后滤波后的信号会比原始信号延迟延迟时间约为(N-
/2个采样周期不适合对实时性要求极高的场景如高速电机电流采样。
2 改进方向加权移动平均滤波器针对传统移动平均“权重均等”的核心缺陷最常用且易实现的改进方案是加权移动平均Weighted Moving Average, WMA。
其核心思路是给窗口内的新数据分配更大的权重旧数据分配更小的权重既保留滤波平滑效果又提升对信号突变的响应速度。
加权移动平均的简化公式如下仅修改权重分配逻辑yₙ (w₀xₙ w₁xₙ₋₁ … wₙ₋₁x₁) / (w₀ w₁ … wₙ₋₁)其中w₀ w₁ … wₙ₋₁ 0即数据越新权重越大。
举个实际例子窗口N3时可设置权重w₀3最新数据、w₁2次新数据、w₂1最旧数据此时具体公式为yₙ (3xₙ 2xₙ₋₁ 1xₙ₋₂) / 6加权移动平均的代码实现成本极低在本文传统移动平均代码的基础上只需新增一个权重数组修改累加和的计算逻辑每个数据乘以对应权重窗口缓存、索引管理等核心逻辑完全复用。
感兴趣的同学可以基于本文代码扩展后续文章也会带来完整的实现教程。
五、
总结与互动引导本文从实战角度出发分三个核心环节带大家掌握移动平均滤波器先通过简化推导理解核心原理再通过“数据结构-核心函数-逐行解析”的步骤掌握C语言实现重点解决边界处理和溢出问题最后在DSP ADC采样场景中完成实战验证同时
总结优缺点和改进方向。
移动平均滤波器是嵌入式开发的“基础必备工具”掌握它能快速解决ADC采样数据波动的痛点。
如果这篇文章对你的开发有帮助欢迎点赞、收藏、关注后续我会持续更新滤波算法系列内容包括加权移动平均、指数移动平均EMA、卡尔曼滤波等进阶方案以及在电机控制、传感器融合中的实战应用带你从“入门”到“精通”嵌入式数据平滑技术。
如果在实践过程中遇到具体问题比如代码移植报错、滤波效果不佳或者有其他想了解的滤波相关知识点欢迎在评论区留言讨论我们一起交流进步