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。
