一、限幅滤波法
1、方法：
根据经验判断两次采样允许的最大偏差值（设为A）
每次检测到新值时判断：
a. 如果本次值与上次值之差<=A，则本次值有效
b. 如果本次值与上次值之差>A，则本次值无效，放弃本次值，用上次值代替本次值
2、优点：
能有效克服因偶然因素引起的脉冲干扰
3、缺点
无法抑制那种周期性的干扰
平滑度差
/* A值根据实际调，Value有效值，new_Value当前采样值，程序返回有效的实际值 */#define A 10char Value;char filter(){ char new_Value; new_Value = get_ad(); // 获取采样值 if( abs(new_Value - Value) > A) return Value; // abs()取绝对值函数 return new_Value;}二、中位值滤波法
1、方法：
连续采样N次（N取奇数），把N次采样值按大小排列
取中间值为本次有效值
2、优点：
能有效克服因偶然因素引起的波动干扰
对温度、液位的变化缓慢的被测参数有良好的滤波效果
3、缺点：
对流量、速度等快速变化的参数不宜
#define N 11char filter(){ char value_buf[N]; char count, i, j, temp; for(count = 0; count < N; count ++) //获取采样值 { value_buf[count] = get_ad(); delay(); } for(j = 0; j < (N-1); j++) { for(i = 0; i < (n-j); i++) { if(value_buf[i] > value_buf[i+1]) { temp = value_buf[i]; value_buf[i] = value_buf[i+1]; value_buf[i+1] = temp; } } } return value_buf[(N-1)/2];}三、算术平均滤波法
1、方法：
连续取N个采样值进行算术平均运算
N值较大时：信号平滑度较高，但灵敏度较低
N值较小时：信号平滑度较低，但灵敏度较高
N值的选取：一般流量，N=12；压力：N=4
2、优点：
适用于对一般具有随机干扰的信号进行滤波
这样信号的特点是有一个平均值，信号在某一数值范围附近上下波动
3、缺点：
对于测量速度较慢或要求数据计算速度较快的实时控制不适用
比较浪费RAM
#define N 12char filter(){ int sum = 0; for(count = 0; count < N; count++) { sum += get_ad(count); } return (char)(sum/N);}四、递推平均滤波法
1、方法：
把连续取N个采样值看成一个队列
队列的长度固定为N
每次采样到一个新数据放入队尾，并扔掉原来队首的一次数据.(先进先出原则)
把队列中的N个数据进行算术平均运算，就可获得新的滤波结果
N值的选取：流量，N=12；压力：N=4；液面，N=4 ~ 12；温度，N=1 ~ 4
2、优点：
对周期性干扰有良好的抑制作用，平滑度高
适用于高频振荡的系统
3、缺点：
灵敏度低
对偶然出现的脉冲性干扰的抑制作用较差
不易消除由于脉冲干扰所引起的采样值偏差
不适用于脉冲干扰比较严重的场合
比较浪费RAM
#define N 10u16 value_buf[N];u16 sum=0;u16 curNum=0;u16 moveAverageFilter(){ if(curNum < N) { value_buf[curNum] = getValue(); sum += value_buf[curNum]; curNum++; return sum/curNum; } else { sum -= sum/N; sum += getValue(); return sum/N; }}五、中位值平均滤波法
1、方法：
相当于“中位值滤波法”+“算术平均滤波法”
连续采样N个数据，去掉一个最大值和一个最小值
然后计算N-2个数据的算术平均值
N值的选取：3~14
2、优点：
融合了两种滤波法的优点
对于偶然出现的脉冲性干扰，可消除由于脉冲干扰所引起的采样值偏差
3、缺点：
测量速度较慢，和算术平均滤波法一样
比较浪费RAM
char filter(){ char count, i, j; char Value_buf[N]; int sum = 0; for(count = 0; count < N; count++) { Value_buf[count] = get_ad(); } for(j = 0; j < (N-1); j++) { for(i = 0; i < (N-j); i++) { if(Value_buf[i] > Value_buf[i+1]) { temp = Value_buf[i]; Value_buf[i] = Value_buf[i+1]; Value_buf[i+1] = temp; } } } for(count = 1; count < N-1; count ++) { sum += Value_buf[count]; } return (char)(sum/(N-2));}六、限幅平均滤波法
1、方法：
相当于“限幅滤波法”+“递推平均滤波法”
每次采样到的新数据先进行限幅处理，
再送入队列进行递推平均滤波处理
2、优点：
融合了两种滤波法的优点
对于偶然出现的脉冲性干扰，可消除由于脉冲干扰所引起的采样值偏差
3、缺点：
比较浪费RAM
#define A 10#define N 12char value, i = 0;char value_buf[N];char filter(){ char new_value, sum = 0; new_value = get_ad(); if(Abs(new_value - value) < A) value_buf[i++] = new_value; if(i==N) i=0; for(count = 0; count < N; count++) { sum += value_buf[count]; } return (char)(sum/N);}七、一阶滞后（低通）滤波法
1、方法：
取a=0~1
本次滤波结果=（1-a）本次采样值+a上次滤波结果
2、优点：
对周期性干扰具有良好的抑制作用
适用于波动频率较高的场合
3、缺点：
相位滞后，灵敏度低
滞后程度取决于a值大小
不能消除滤波频率高于采样频率的1/2的干扰信号
/*为加快程序处理速度，取a=0~100*/#define a 30char value;char filter(){ char new_value; new_value = get_ad(); return ((100-a)*value + a*new_value);}八、加权递推平均滤波法
1、方法：
是对递推平均滤波法的改进，即不同时刻的数据加以不同的权
通常是，越接近现时刻的数据，权取得越大。
给予新采样值的权系数越大，则灵敏度越高，但信号平滑度越低
2、优点：
适用于有较大纯滞后时间常数的对象
和采样周期较短的系统
3、缺点：
对于纯滞后时间常数较小，采样周期较长，变化缓慢的信号
不能迅速反应交易系统当前所受干扰的严重程度，滤波效果差
/* coe数组为加权系数表 */#define N 12char code coe[N] = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12};char code sum_coe = (1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10 + 11 + 12);char filter(){ char count; char value_buf[N]; int sum = 0; for(count = 0; count < N; count++) { value_buf[count] = get_ad(); } for(count = 0; count < N; count++) { sum += value_buf[count] * coe[count]; } return (char)(sum/sum_coe);}九、消抖滤波法
1、方法：
设置一个滤波计数器
将每次采样值与当前有效值比较：
如果采样值＝当前有效值，则计数器清零
如果采样值>或<当前有效值，则计数器+1，并判断计数器是否>=上限N(溢出)
如果计数器溢出，则将本次值替换当前有效值，并清计数器
2、优点：
对于变化缓慢的被测参数有较好的滤波效果，
可避免在临界值附近控制器的反复开/关跳动或显示器上数值抖动
3、缺点：
对于快速变化的参数不宜
如果在计数器溢出的那一次采样到的值恰好是干扰值，则会将干扰值当作有效值导入交易系统
#define N 12char filter(){ char count = 0, new_value; new_value = get_ad(); while(value != new_value) { count++; if(count >= N) return new_value; new_value = get_ad(); } return value;}十、限幅消抖滤波法
1、方法：
相当于“限幅滤波法”+“消抖滤波法”
先限幅，后消抖
2、优点：
继承了“限幅”和“消抖”的优点
改进了“消抖滤波法”中的某些缺陷，避免将干扰值导入系统
3、缺点：
对于快速变化的参数不宜
#define A 10#define N 12char value;char filter(){ char new_value, count = 0; new_value = get_ad(); while(value != new_value) { if(Abs(value - new_value) < A) { count++; if(count >= N) return new_value; new_value = get_ad(); } return value; }}附录：
1、FIR滤波
FIR有限长滤波器，有限长指的是滤波器的脉冲响应为有限长的序列
输入X经过滤波器H得到滤波后的输出Y
表达成差分方程形式就是：
使用不同的窗函数会有不同的滤波性能（衰减程度和过渡带大小的不一样）
窗函数的介绍以及画出常见窗函数（汉宁窗，矩形窗，汉明窗，布莱克曼窗）的时域图和频谱图-CSDN博客
参考链接：https://blog.csdn.net/weixin_59250390/article/details/134329056
参考代码：
#include <stdlib.h>#include <math.h> // FIR低通滤波器设计函数void fir_lowpass(float *input, float *output, int N, float cutoff_freq, float sample_freq) { int i, j; float *b; b = (float *)malloc((N + 1) * sizeof(float)); // 设计滤波器系数b[n] float N_normalized = (N - 1) / 2.0; for (i = 0; i < N + 1; i++) { b[i] = (float)(sin(cutoff_freq * 2 * M_PI / sample_freq * (i - N_normalized)) / (i - N_normalized)); } // 滤波器滤波 float acc = 0.0; for (i = 0; i < N; i++) { acc += input[i] * b[N - i]; } output[0] = acc; for (j = 1; j < N; j++) { acc -= input[j - 1] * b[N + 1 - j]; acc += input[j + N - 1] * b[N - j]; output[j] = acc; } free(b);} int main() { int N = 10; // 滤波器阶数 float cutoff_freq = 0.3; // 截止频率（0.3 * 采样频率） float sample_freq = 1.0; // 采样频率 float input[N] = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}; // 输入数据 float output[N]; // 输出数据 fir_lowpass(input, output, N, cutoff_freq, sample_freq); // 打印输出 for (int i = 0; i < N; i++) { printf("%.2f ", output[i]); } return 0;}2、卡尔曼滤波
卡尔曼滤波算法是一种用于估计未知变量的状态的数学算法。它可以通过过滤传感器测量值，来估计出最可能的状态值。该算法最初是为航空航天应用而开发的，但现在已广泛应用于各种领域，如自动驾驶汽车、机器人、船舶控制等。卡尔曼滤波算法基于状态空间模型，其中包含系统的状态、测量值和控制输入。利用贝叶斯定理和高斯分布等概率统计学原理，卡尔曼滤波算法可以计算出最优状态估计值和协方差矩阵，从而实现对系统状态的精确估计和预测。
该算法具有高精度、快速收敛、自适应性强等优点，是一种非常有效的状态估计算法。
参考代码：
#include <stdio.h> // 卡尔曼滤波器结构体typedef struct { float x; // 状态变量 float p; // 状态误差协方差矩阵 float q; // 过程噪声协方差 float r; // 测量噪声协方差 float h; // 测量矩阵 float k; // 卡尔曼增益 float y; // 测量值} KalmanFilter; // 卡尔曼滤波器更新函数void kalmanFilterUpdate(KalmanFilter *kf, float measurement) { kf->y = measurement - kf->h * kf->x; // 测量更新 kf->p = kf->h * kf->p * kf->h->transpose() + kf->r; // 预测误差更新 kf->k = kf->p * kf->h->transpose() / (kf->h * kf->p * kf->h->transpose() + 1.0f); // 卡尔曼增益计算 kf->x = kf->x + kf->k * kf->y; // 状态更新 kf->p = (1.0f - kf->k) * kf->p; // 预测误差新值} int main() { KalmanFilter filter; filter.x = 0.0f; filter.p = 1.0f; filter.q = 1e-5f; filter.r = 1.0f; filter.h = 1.0f; float measurement = 1.0f; // 假设的测量值 kalmanFilterUpdate(&filter, measurement); printf("状态变量: %f\n", filter.x); printf("状态误差协方差矩阵: %f\n", filter.p); return 0;}