4. 数据采集与滤波：ADC采样配置、滑动平均滤波、中值滤波、卡尔曼滤波入门

各位同学，今天我们来聊聊嵌入式系统里一个绕不开的话题——数据采集与滤波。说白了，就是怎么把传感器那点微弱的模拟信号，变成我们单片机里能用的、干净的数字量。

我做了这么多年嵌入式，见过太多项目栽在“数据脏”这个坑里。你想想看，传感器明明没动，ADC读出来的数值却像心电图一样上下乱跳，这谁受得了？所以，滤波不是锦上添花，而是刚需。

4.1 ADC采样配置——第一步要稳

ADC配置，我个人的习惯是“先看手册，再动手”。每个MCU的ADC模块都有点小脾气，你得顺着它来。

配置时，有几个关键参数必须盯紧：

• 采样时间：别太短。给ADC电容充电的时间不够，数据肯定不准。我一般设到最大值的70%左右。
• 分辨率：12位还是10位？看需求。精度要求高就上12位，但转换速度会慢一点。
• 参考电压：这个最容易忽略。内部参考还是外部参考？外部参考电压的纹波会直接耦合到结果里。

// 以STM32为例，配置ADC1
void ADC_Config(void) {
    ADC_InitTypeDef ADC_InitStruct;
    GPIO_InitTypeDef GPIO_InitStruct;

    // 使能时钟
    RCC_APB2PeriphClockCmd(RCC_APB2Periph_ADC1, ENABLE);
    RCC_AHBPeriphClockCmd(RCC_AHBPeriph_GPIOA, ENABLE);

    // 配置PA0为模拟输入
    GPIO_InitStruct.GPIO_Pin = GPIO_Pin_0;
    GPIO_InitStruct.GPIO_Mode = GPIO_Mode_AN;
    GPIO_Init(GPIOA, &GPIO_InitStruct);

    // ADC配置
    ADC_InitStruct.ADC_Mode = ADC_Mode_Independent;
    ADC_InitStruct.ADC_ScanConvMode = DISABLE;
    ADC_InitStruct.ADC_ContinuousConvMode = ENABLE;  // 连续转换
    ADC_InitStruct.ADC_ExternalTrigConv = ADC_ExternalTrigConv_None;
    ADC_InitStruct.ADC_DataAlign = ADC_DataAlign_Right;
    ADC_InitStruct.ADC_NbrOfChannel = 1;
    ADC_Init(ADC1, &ADC_InitStruct);

    // 配置采样时间——我习惯设长一点
    ADC_RegularChannelConfig(ADC1, ADC_Channel_0, 1, ADC_SampleTime_239Cycles5);

    // 使能ADC
    ADC_Cmd(ADC1, ENABLE);

    // 校准
    ADC_ResetCalibration(ADC1);
    while(ADC_GetResetCalibrationStatus(ADC1));
    ADC_StartCalibration(ADC1);
    while(ADC_GetCalibrationStatus(ADC1));

    // 开始转换
    ADC_SoftwareStartConvCmd(ADC1, ENABLE);
}

4.2 滑动平均滤波——简单但有效

滑动平均滤波，说白了就是“取最近N个值的平均”。它对付随机噪声特别好用，比如热噪声、量化噪声。

为什么不用普通平均？因为普通平均要等N个数据都采完才能算一次，实时性太差。滑动平均是每来一个新数据，就扔掉最老的那个，重新算一次平均。这样每个采样点都能得到一个滤波后的值。

#define FILTER_WINDOW_SIZE  10

static uint16_t filter_buffer[FILTER_WINDOW_SIZE];
static uint8_t filter_index = 0;
static uint32_t filter_sum = 0;

uint16_t MovingAverageFilter(uint16_t new_sample) {
    // 减去最老的数据
    filter_sum -= filter_buffer[filter_index];
    // 存入新数据
    filter_buffer[filter_index] = new_sample;
    // 加上新数据
    filter_sum += new_sample;
    // 更新索引
    filter_index = (filter_index + 1) % FILTER_WINDOW_SIZE;
    // 返回平均值
    return (uint16_t)(filter_sum / FILTER_WINDOW_SIZE);
}

4.3 中值滤波——对付“野值”的利器

中值滤波，就是取一组数据中间的那个值。它对脉冲噪声（比如突然的尖峰干扰）特别有效。

你想想看，如果传感器线被踢了一脚，突然冒出一个离谱的数值。滑动平均会被这个值带偏，但中值滤波直接把它扔到排序的末尾或开头，根本不影响结果。

// 冒泡排序取中值——简单粗暴
uint16_t MedianFilter(uint16_t *data, uint8_t len) {
    uint8_t i, j;
    uint16_t temp;
    uint16_t sorted[FILTER_WINDOW_SIZE];

    // 复制数据
    for(i = 0; i < len; i++) {
        sorted[i] = data[i];
    }

    // 冒泡排序
    for(i = 0; i < len - 1; i++) {
        for(j = 0; j < len - 1 - i; j++) {
            if(sorted[j] > sorted[j + 1]) {
                temp = sorted[j];
                sorted[j] = sorted[j + 1];
                sorted[j + 1] = temp;
            }
        }
    }

    // 返回中值
    return sorted[len / 2];
}

4.4 卡尔曼滤波入门——有点难，但值得学

卡尔曼滤波，听起来高大上，其实它就是个“预测+修正”的循环。它不像滑动平均那样只看历史数据，而是结合系统的物理模型来做预测。

嗯，这里要注意，卡尔曼滤波不是万能的。它假设噪声是高斯分布，如果你的噪声不是这样，效果会打折扣。

我刚开始学的时候也被公式吓到了，后来发现核心就五个公式：

1. 预测状态：根据上一时刻的状态，猜当前时刻的状态
2. 预测协方差：猜的误差有多大
3. 计算卡尔曼增益：相信测量值还是相信预测值？
4. 更新状态：用测量值修正预测值
5. 更新协方差：修正后的误差有多大

// 一维卡尔曼滤波——简单版本
typedef struct {
    float Q;  // 过程噪声协方差
    float R;  // 测量噪声协方差
    float P;  // 估计误差协方差
    float K;  // 卡尔曼增益
    float X;  // 状态估计值
} KalmanFilter_t;

void Kalman_Init(KalmanFilter_t *kf, float init_value) {
    kf->Q = 0.01;   // 我一般从0.01开始调
    kf->R = 0.1;    // 根据ADC的噪声水平调整
    kf->P = 1.0;    // 初始估计误差
    kf->X = init_value;
}

float Kalman_Update(KalmanFilter_t *kf, float measurement) {
    // 预测
    kf->P = kf->P + kf->Q;

    // 计算卡尔曼增益
    kf->K = kf->P / (kf->P + kf->R);

    // 更新状态
    kf->X = kf->X + kf->K * (measurement - kf->X);

    // 更新协方差
    kf->P = (1 - kf->K) * kf->P;

    return kf->X;
}

4.5 三种滤波怎么选？

我给大家一个简单的选择思路：

场景	推荐滤波	理由
随机噪声（白噪声）	滑动平均	简单、计算量小、效果好
脉冲干扰（尖峰）	中值滤波	对野值免疫，不影响正常数据
需要平滑跟踪	卡尔曼滤波	预测能力强，滞后小
资源受限	滑动平均	只需要加法和除法，RAM占用小

当然，实际项目中经常是组合使用。比如先中值滤波去掉野值，再滑动平均平滑数据。我做过一个红外测温项目，就是中值+滑动平均的组合，效果出奇的好。

好了，这一章的内容就到这里。数据采集和滤波是嵌入式开发的看家本领，多练练，你也能成为高手。