低通滤波器 滤波算法 滤波深夜调试传感器数据的时候总有几个跳动的数值像捣蛋鬼一样干扰判断——这时候就该低通滤波器出场了。这玩意儿就像给数据戴了个降噪耳机把那些高频抖动的噪声按在地上摩擦。先看个简单粗暴的移动平均滤波这可能是最容易被硬件工程师拿来应急的代码def moving_average(data, window_size5): filtered [] for i in range(len(data)): start max(0, i - window_size 1) filtered.append(sum(data[start:i1])/(i1 - start)) return filtered这个滑动窗口就像在数据表面抹了层黄油突发尖峰会被周围的值强行拉低。但注意窗口别开太大不然真实信号也会被压成缓坡。上周调试陀螺仪时就翻过车——窗口设到20机器人转向反应比老奶奶过马路还迟钝。低通滤波器 滤波算法 滤波更专业的玩法是用一阶RC低通滤波把物理电路模型搬进代码class LowPassFilter: def __init__(self, alpha): self.alpha alpha # 0.05的系数能让信号延迟约20ms self.prev None def update(self, value): if self.prev is None: self.prev value return value filtered self.alpha * value (1 - self.alpha) * self.prev self.prev filtered return filtered这里的alpha系数等于Δt/(τΔt)控制着滤波器的反应速度。调试温控系统时发现当环境温度每秒变化1度时用0.2的系数刚好能消除热电偶的毛刺又不影响真实升温曲线的跟踪。有个坑要注意初始值不处理的话前几个采样点会像坐过山车一样剧烈波动。实时处理时推荐用环形缓冲区实现递推平均既能保证时效性又不吃太多内存。某次做电机转速滤波时这样搞过from collections import deque class RealtimeFilter: def __init__(self, window_size): self.buffer deque(maxlenwindow_size) self.sum 0.0 def feed(self, new_val): if len(self.buffer) self.buffer.maxlen: self.sum - self.buffer[0] self.buffer.append(new_val) self.sum new_val return self.sum / len(self.buffer)这种实现方式在STM32上跑起来处理1000Hz的采样数据毫无压力。关键点在于维护动态总和避免每次重新计算。实测发现8个元素的窗口就能把振动传感器采集的噪声从±50降到±3以内比某些DSP芯片自带的滤波效果还顶。滤波系数选择是门玄学有个暴力调试法边调整参数边盯着示波器直到信号曲线从跳蚤市场变成溜冰场。记住截止频率设得比有用信号最高频率高1.5倍左右比较安全别学某同事把100Hz的心电信号用80Hz截止结果QRS波群全被压成了小土坡。