1. 一阶滤波算法的原理

一阶滤波,又叫一阶惯性滤波,或一阶低通滤波。是使用软件编程实现普通硬件RC低通滤波器的功能。

一阶低通滤波的算法公式为:

                         Y(n)=αX(n) (1-α)Y(n-1)

  式中:α=滤波系数;X(n)=本次采样值;Y(n-1)=上次滤波输出值;Y(n)=本次滤波输出值。

一阶低通滤波法采用本次采样值与上次滤波输出值进行加权,得到有效滤波值,使得输出对输入有反馈作用。

 2. 一阶滤波算法的程序(适用于单个采样)

[cpp] view plain copy

1. #define a   0.01                // 滤波系数a(0-1) 

2.  

3. char value;                    //滤波后的值 

4. char new_value;                 //  新的采样值 

5.  

6. char filter()  

7. {  

8. char new_value;  

9. new_value = get_ad();  

10. return 0.01*value + (1-0.01)*new_value; 

11.  } 

 

[cpp] view plain copy

1. </pre><pre> 

 

3. 一阶滤波算法的不足

1. 关于灵敏度和平稳度的矛盾

      滤波系数越小,滤波结果越平稳,但是灵敏度越低;

      滤波系数越大,灵敏度越高,但是滤波结果越不稳定。

     一阶滤波无法完美地兼顾灵敏度和平稳度。有时,我们只能寻找一个平衡,在可接受的灵敏度范围内取得尽可能好的平稳度。而在一些场合,我们希望拥有这样一种接近理想状态的滤波算法。即:

     当数据快速变化时,滤波结果能及时跟进(灵敏度优先);

     当数据趋于稳定,在一个固定的点上下振荡时,滤波结果能趋于平稳(平稳度优先)。

 

2. 关于小数舍弃带来的误差

   一阶滤波算法有一个鲜为人知的问题:小数舍弃带来的误差。 比如: 本次采样值=25,上次滤波结果=24,滤波系数=10, 根据滤波算法:

      本次滤波结果=(25*10+24*(256-10))/256=24.0390625

   但是,我们在单片机运算中,很少采用浮点数。因此运算后的小数部分要么舍弃,要么进行四舍五入运算。这样一来,本例中的结果24.0390625就变成了24。假如每次采样值都=25,那么滤波结果永远=24。也就是说滤波结果和实际数据一直存在无法消除的误差。