3、噪声分析与滤波需求
好，咱们接着聊。上一节我们把原始气压计数据拿到手了，往屏幕上一画，哎，那条曲线跟心电图似的。这节我就带你分析分析，这些噪声到底从哪来，我们又该怎么对付它们。
3.1 原始数据噪声来源分析
说实话，我第一次用气压计做高度测量时，也被这噪声吓了一跳。明明传感器放在桌上没动，高度值却在±1米范围内乱跳。这噪声到底哪来的？我总结了一下，主要有这么几个源头：
- 传感器自身噪声：MEMS气压计内部有个微小的机械振膜，它本身就有热噪声。这玩意儿是物理极限，躲不开的。
- 量化噪声：ADC把模拟信号转成数字信号时，会丢失一些精度。比如24位ADC，理论分辨率很高，但实际有效位数可能只有18位。
- 环境扰动：开门、空调、人走动，都会引起局部气压波动。我在一个实验室里测过，空调一开，数据直接漂了2米。
- 电源纹波：这个容易被忽略。传感器供电如果不干净，输出数据也会跟着抖。
重要结论：这些噪声叠加在一起，会让原始高度数据的标准差达到0.3~0.8米。如果你直接拿这个数据去做高度判断，后果可想而知。
3.2 量化噪声与抖动
量化噪声这块，我想多聊两句。你想想看，一个12位的ADC，输出范围是0~4095。如果气压变化1hPa对应高度变化约8.4米，那么每个LSB对应的就是：
8.4米 / 4096 ≈ 0.002米 = 2毫米看起来精度很高对吧？但实际不是这么算的。有效分辨率往往只有理论值的一半。我在一个无人机项目里就吃过这个亏——以为精度够用，结果悬停高度控制抖得不行。
抖动（Jitter）又是另一回事。它指的是采样时间的不确定性。比如你用定时器触发ADC，但中断响应有延迟，每次采样的时间点都在漂。这个漂移会转化为电压噪声，最终体现在高度数据上。
我的经验：如果你发现数据在某个固定值附近来回跳，大概率是量化噪声。如果数据是随机漂移，那可能是抖动或环境扰动。区分这两者，能帮你快速定位问题。
3.3 滤波性能指标
好，噪声分析完了，接下来就是怎么滤掉它们。但滤波不是随便找个算法套上去就完事的。你得先明确三个核心指标：
延迟（Latency）
说白了就是滤波后的数据比原始数据慢了多少。比如你从1楼走到2楼，高度变化是实时的，但滤波后的数据可能要过0.5秒才跟上。这个延迟在实时系统中很要命——无人机要是延迟0.5秒才响应高度变化，早就撞天花板了。
平滑度（Smoothness）
这个好理解，就是滤波后的曲线有多「顺眼」。平滑度越高，噪声抑制越好，但代价往往是延迟变大。我习惯用「标准差衰减比」来量化平滑度：
平滑度 = 原始数据标准差 / 滤波后数据标准差比值越大，说明平滑效果越好。一般做到5~10倍就算不错了。
截止频率（Cutoff Frequency）
这是频域的概念。你可以把信号想象成不同频率的波——高度变化是低频的（你走路再快，每秒也就变化几米），噪声是高频的。截止频率就是一条分界线，低于它的信号保留，高于它的滤掉。
| 应用场景 | 建议截止频率 | 典型延迟 |
|---|---|---|
| 静态高度测量 | 0.1 Hz | 1~2秒 |
| 步行高度变化 | 0.5 Hz | 0.3~0.5秒 |
| 无人机悬停 | 2~5 Hz | 0.05~0.1秒 |
| 快速升降控制 | 10 Hz | 0.01~0.02秒 |
注意：这三个指标是互相制约的。你想平滑度好，延迟就大；你想延迟小，噪声就压不住。没有完美的滤波器，只有适合你场景的滤波器。我曾经为了追求极致的平滑度，把延迟搞到了3秒，结果项目直接被客户否了——他们需要实时响应。
3.4 知识体系总览
说了这么多，我画了一张图帮你理清思路。这张图展示了噪声分析到滤波需求的全流程：
这张图把整个流程串起来了。从噪声来源分析开始，到量化噪声和抖动的影响，最后落到三个核心滤波指标上。你以后做任何滤波方案设计，都可以拿这张图当参考框架。
一个小建议：拿到原始数据后，先别急着上滤波器。花10分钟分析一下噪声特性——是白噪声还是低频漂移？标准差多大？这些信息能帮你选对滤波器类型和参数。我见过太多人上来就套个滑动平均，结果把有用信号也滤没了。
公众号:蓝海资料掘金营，微信deep3321