1. 从“毛刺”到“真值”：为什么ADC采样离不开数字滤波

做嵌入式或者硬件开发的朋友，对ADC（模数转换器）采样肯定不陌生。无论是读取一个电位器的电压，还是监测电池电量，甚至是采集传感器（比如温度、压力、光照）的信号，最终都要通过ADC把连续的模拟电压转换成单片机或处理器能处理的离散数字值。但只要你实际动手做过，十有八九会遇到一个让人头疼的问题：采回来的数据怎么老是“跳”？明明电压很稳定，为什么ADC值却在某个范围内上下波动，像心电图一样？这些“毛刺”和“噪声”就是数字滤波算法要解决的核心问题。

我刚开始接触STM32的ADC时，也天真地以为HAL_ADC_GetValue()拿到的就是最终答案。结果一个简单的3.3V基准电压，采样值能在2047到2053之间来回蹦跶，换算成电压就是3.298V到3.302V。对于精度要求不高的场合，比如判断个按键，或许能忍。但一旦涉及到精密测量、闭环控制（比如PID温控）、或者需要做数据分析时，这种噪声就是致命的。它会让你的控制系统产生不必要的振荡，让你的数据分析图表充满锯齿，严重时甚至会导致逻辑误判。

所以，数字滤波算法的本质，不是“创造”数据，而是“还原”数据。它基于一个基本假设：真实的物理信号通常是连续且变化相对缓慢的（高频噪声除外），而噪声通常是随机的、高频的。通过各种数学或逻辑方法，我们试图从夹杂着噪声的采样序列中，提取出最接近真实信号的那个“估计值”。这就像在一间嘈杂的房间里听一个人说话，你需要集中注意力（滤波），才能听清他真正在说什么（信号）。

网上关于滤波算法的资料很多，但往往要么过于理论，满篇公式；要么过于零散，只给个代码片段。这篇文章，我想结合我这些年踩过的坑和项目经验，把最常用、最实用的ADC数字滤波算法做个系统性的梳理和对比。我不会只扔给你一个函数，我会重点讲清楚每种方法的适用场景、核心思想、参数怎么调、以及实际用的时候最容易栽在哪儿。无论你是刚入门的新手，还是想优化现有方案的老手，这篇文章都能给你提供直接的参考。

2. 基础入门：从“懒人”滤波到“滑动”窗口

在深入那些“高大上”的算法之前，我们先看几个最简单、几乎零计算开销的方法。别小看它们，在资源极其受限的单片机（比如8位的51、AVR）或者对实时性要求极高的中断服务程序里，这些方法往往是首选。

2.1 限幅滤波法（又称程序判断滤波法）

这可能是最“粗暴”也最直观的滤波方法。它的核心思想就一句话：我不相信一次剧烈的变化。

算法逻辑：

1. 根据信号特性，设置一个最大允许变化量Δ（Delta）。
2. 本次采样值记为new_val，上次有效的滤波结果记为last_val。
3. 如果|new_val - last_val| <= Δ，则认为本次采样是合理的，接受new_val作为本次结果。
4. 如果|new_val - last_val| > Δ，则认为本次采样可能是噪声毛刺，丢弃new_val，仍将last_val作为本次结果输出。

C语言示例：

#define DELTA 10 // 假设ADC值最大允许变化量为10 int last_filtered_value = 0; int limit_filter(int new_sample) { if (abs(new_sample - last_filtered_value) <= DELTA) { last_filtered_value = new_sample; } // 如果变化超限，last_filtered_value 保持不变 return last_filtered_value; }

适用场景与坑点：

• 适用：适用于物理量本身变化缓慢的场景，比如温度、液位。对于缓慢变化的信号，突然出现一个大跳变，大概率是噪声。
• 关键参数Δ：这个值的设置是门艺术。设大了，滤波效果差，该滤的没滤掉；设小了，系统反应迟钝，真实的快速变化（比如电机启动电流）会被当成噪声滤掉，导致数据严重滞后。我的经验是：先观察信号在稳定时的最大波动范围，Δ可以设为这个波动范围的2-3倍。最好能在系统中有个配置接口，方便现场调试。
• 致命缺点：无法处理连续噪声。如果噪声不是单个毛刺，而是一连串的、但每次跳变都不超过Δ的干扰，这个算法就完全失效了，输出会跟着噪声慢慢“漂移”。而且，它完全无法抑制小幅度的随机波动。

2.2 中位值滤波法

中位值滤波的哲学是：在一堆数据里，那个处在中间位置的值，最能代表这组数据的中心趋势，受极端值影响最小。这就像评委打分，去掉一个最高分，去掉一个最低分，能有效避免个别评委的极端偏好影响最终成绩。

算法逻辑：

1. 连续采样N次（N为奇数，通常取3, 5, 7），得到一个采样数组。
2. 将这N个数据从小到大（或从大到小）进行排序。
3. 直接取排序后的中位数（第(N+1)/2个值）作为本次滤波输出值。

C语言示例（N=3）：

int median_filter(int a, int b, int c) { int arr[3] = {a, b, c}; // 简单的三数排序取中值 if (arr[0] > arr[1]) swap(&arr[0], &arr[1]); if (arr[0] > arr[2]) swap(&arr[0], &arr[2]); if (arr[1] > arr[2]) swap(&arr[1], &arr[2]); return arr[1]; // 中位数 } // 在ADC中断中可能这样调用 int adc_buffer[3]; int buffer_index = 0; int filtered_result; void ADC_IRQHandler() { adc_buffer[buffer_index] = ADC_DR; // 读取ADC值 buffer_index = (buffer_index + 1) % 3; if (buffer_index == 0) { // 每采满3个点计算一次 filtered_result = median_filter(adc_buffer[0], adc_buffer[1], adc_buffer[2]); } }

适用场景与坑点：

• 适用：对脉冲性干扰（瞬间的尖峰噪声）有非常好的抑制效果。比如工频干扰、开关电源引起的毛刺。因为无论尖峰是高是低，排序后都会被甩到两边，中位数稳如泰山。
• 缺点一：速度与资源。排序操作，尤其是当N较大时（比如7或9），比较耗时。在低速MCU上，频繁进行排序可能影响整体程序节奏。需要权衡滤波效果和计算开销。
• 缺点二：对周期性干扰无能为力。如果噪声是规律的、周期性的，那么中值滤波效果有限。它更擅长处理“偶发性”的异常点。
• N的选择：N越大，抗脉冲干扰能力越强，但延迟也越大（需要采够N个点才能输出一次），且排序更慢。通常N=3或5在工程上最常用。一个进阶技巧：对于变化稍快的信号，可以采用“滑动窗口中值滤波”，即维护一个长度为N的队列，每次新采样进来，就剔除一个最老的，然后对窗口内数据取中值，这样输出速率就和采样率一致了。

2.3 算术平均滤波法

这是很多人第一个想到的方法：“多点平均，噪声抵消”。其依据是随机噪声的统计特性——通常认为噪声是均值为0的随机信号，多次平均后正负噪声会相互抵消。

算法逻辑：

1. 连续采样N个数据。
2. 将这N个数据求和。
3. 将和除以N，得到的平均值即为滤波输出。

C语言示例：

#define N 10 int adc_sum = 0; int sample_count = 0; int filtered_value = 0; void process_adc_sample(int new_sample) { adc_sum += new_sample; sample_count++; if (sample_count >= N) { filtered_value = adc_sum / N; // 注意整数除法截断问题 adc_sum = 0; sample_count = 0; // 此时可以使用 filtered_value } }

适用场景与坑点：

• 适用：对抑制一般性随机噪声（如白噪声）效果显著。信号本身在N次采样时间内变化不大时，效果最好。常用于直流信号或低频信号的测量。
• 缺点一：严重滞后。这是平均滤波法的阿喀琉斯之踵。N越大，平滑效果越好，但系统输出对输入变化的响应也越慢。输入一个阶跃信号，输出要等N个采样周期后才能缓慢达到新值。绝对不适用于跟踪快速变化的信号。
• 缺点二：对脉冲干扰敏感。一个巨大的脉冲干扰（比如一个采样点被严重污染）会显著拉高或拉低整个平均值，导致输出出现一个“毛刺”。为了解决这个问题，常常会结合中值滤波，先对数据进行“去野值”处理，再进行平均，这就是“中位值平均滤波法”（又称防脉冲干扰平均滤波法）。
• N的选择与数据类型：N通常取2的整数次幂（如4, 8, 16, 32），这样除法可以用右移操作代替，在无硬件除法器的MCU上能极大提升速度。另外，adc_sum的变量类型要注意，防止累加溢出。例如，12位ADC值范围0-4095，N=32时，累加和最大可达131040，需要用uint32_t来存储。

3. 进阶策略：在“平滑”与“快速”之间寻找平衡

基础方法各有各的“偏科”。我们既想要平均滤波的平滑，又想要限幅滤波的快速响应，还想要中值滤波的抗脉冲能力。于是，一些更聪明的复合或迭代策略被设计出来。

3.1 滑动平均滤波法

算术平均滤波的“批量处理”模式导致了固有延迟。滑动平均（Moving Average）将其改造成了“流水线”模式，每一次采样都能立即得到一个输出，大大提高了实时性。

算法逻辑：

1. 维护一个长度为N的队列（环形缓冲区），用于存储最近N次采样值。
2. 初始化时，用前N次采样值填满队列，并计算其总和sum。
3. 每次得到新采样值new_val时： a. 从sum中减去队列中最老的那个值oldest_val。 b. 将new_val加入队列尾部，并更新sum = sum + new_val。 c. 滤波输出output = sum / N。

C语言示例（使用环形缓冲区）：

#define N 10 int buffer[N]; int sum = 0; int index = 0; int is_buffer_full = 0; // 标志缓冲区是否已填满 int moving_average_filter(int new_sample) { // 减去即将被覆盖的旧值（如果缓冲区已满） if (is_buffer_full) { sum -= buffer[index]; } // 加入新值 sum += new_sample; buffer[index] = new_sample; index = (index + 1) % N; // 更新缓冲区满标志 if (!is_buffer_full && index == 0) { is_buffer_full = 1; } // 计算平均值 if (is_buffer_full) { return sum / N; } else { // 缓冲区未满时，用当前实际数据个数计算 return sum / index; } }

适用场景与坑点：

• 适用：需要实时输出且对平滑度有要求的场景。相比算术平均，它对信号变化的延迟固定为N-1个采样周期（理论上），响应更快。广泛应用于音频处理、股票价格分析、传感器数据实时显示等。
• 内存与计算开销：需要额外的N个存储单元。虽然单次计算量很小（一次加法、一次减法、一次除法），但在资源极其紧张的MCU中，N较大时仍需考虑。
• “相位滞后”问题：滑动平均本质上是一个低通滤波器，它仍然会带来相位延迟。对于N点滑动平均，其群延迟是(N-1)/2个采样周期。这意味着滤波后的波形在时间上会比原始信号“靠后”一点。在需要精确相位关系的控制系统中（如锁相环），这一点必须考虑。
• 加权滑动平均：这是滑动平均的增强版。它认为“近期的数据比早期的数据更重要”，因此在计算平均时给予近期数据更高的权重。最简单的实现是指数加权移动平均（EWMA），也就是下面要讲的“一阶滞后滤波法”，它可以用递归的方式实现，无需保存历史队列。

3.2 一阶滞后滤波法（一阶低通滤波法）

这是我个人在嵌入式项目中最偏爱的滤波算法，没有之一。它完美平衡了简单性、有效性和计算效率。它的思想来源于模拟电路中的RC低通滤波器。

算法逻辑： 这是一个递归公式：本次输出 = α * 本次输入 + (1-α) * 上次输出其中，α是一个介于0和1之间的系数，称为滤波系数。

公式解读：

• α越大（越接近1），本次输入权重越大，滤波器响应越快，但平滑效果变差。
• α越小（越接近0），上次输出权重越大，滤波器平滑效果越好，但响应越迟钝，滞后越严重。
• 它相当于一个“惯性”系统，输出会紧紧“跟随”输入，但又不会突变。

C语言示例（浮点版）：

float alpha = 0.1; // 滤波系数，根据需求调整 float last_output = 0.0; float first_order_lpf(float new_sample) { float output = alpha * new_sample + (1 - alpha) * last_output; last_output = output; return output; }

定点数优化（关键技巧！）： 在MCU中跑浮点运算通常比较慢。我们可以用整数运算来模拟。设Q = 1/α（取整数），则公式可变形为：本次输出 = 本次输出 + (本次输入 - 本次输出) / Q或者更常用的一种形式，通过移位实现：本次输出 = 本次输出 + (本次输入 - 本次输出) >> n，其中α = 1/(2^n)

C语言示例（定点整数版）：

#define SHIFT_N 3 // 相当于 alpha = 1/8 = 0.125 int last_output = 0; int first_order_lpf_fixed(int new_sample) { // 公式: output = output + (input - output) >> n last_output = last_output + ((new_sample - last_output) >> SHIFT_N); return last_output; }

适用场景与坑点：

• 适用：几乎所有需要平滑且实时性要求高的场合。尤其适合MCU，因为定点数版本只需要一次减法和一次移位，速度极快，内存占用极小（只保存一个状态量last_output）。广泛用于电机电流环、姿态传感器（加速度计、陀螺仪）数据融合、电池电压采样等。
• 参数α的调试：这是该算法的核心。α的选取与你的采样周期T和期望的滤波器截止频率Fc有关。近似关系为：α ≈ 2πFcT（当α较小时）。例如，采样率100Hz（T=0.01s），希望滤除10Hz以上的噪声，则Fc=10Hz，α ≈ 2*3.14*10*0.01 = 0.628。这个值偏大，实际可先取0.2~0.3试试。更实用的方法是“看波形调参数”：在串口绘图工具上观察原始信号和滤波后信号，调整α（或SHIFT_N），直到在平滑度和响应速度之间找到满意的平衡点。
• 缺点：对脉冲干扰的抑制能力一般。一个大的脉冲输入会使得输出产生一个“台阶”变化，需要好几个周期才能衰减掉。因此，在噪声尖锐的场合，可以在前级先加一个限幅或中值滤波，再用一阶滞后滤波平滑，效果极佳。

3.3 复合滤波法：组合拳的威力

在实际工程中，单一算法往往难以应对所有情况。这时就需要打“组合拳”，将多种简单滤波法按顺序串联使用，各取所长。

常见组合示例：

1. 中位值平均滤波法（又称防脉冲干扰平均滤波法）：

   • 步骤：连续采样N个数据 -> 去掉其中的最大值和最小值 -> 对剩余的N-2个数据求算术平均。
   • 优点：兼具了中值滤波抗脉冲干扰和均值滤波平滑随机噪声的优点。是工程上非常可靠、常用的一种方法。
   • 代价：需要排序，计算量稍大。

2. 限幅平均滤波法：

   • 步骤：每次采样先经过限幅滤波 -> 将限幅后的“有效值”存入队列 -> 当队列满后，对队列内所有数据进行算术平均。
   • 优点：先剔除明显异常的毛刺，防止其污染用于平均的数据池，使得最终平均值更可靠。
   • 适用：信号基本稳定，但偶有大干扰的场景。

3. 一阶滞后+限幅：

   • 步骤：采样值先经过限幅滤波 -> 输出结果再送入一阶滞后滤波器。
   • 优点：先用限幅拦住“坏蛋”，再用一阶滞后进行平滑。既能抵抗突发大干扰，又能提供良好的实时平滑效果，计算量还很小。
   • 这是我处理大多数慢变传感器（如温度、压力）的标配流程。

设计复合滤波的原则：

• 前级滤“异常”：把抗脉冲、限幅这类处理“坏点”的算法放在前面。
• 后级做“平滑”：把平均、低通这类平滑噪声的算法放在后面。
• 考虑计算顺序：思考数据流向，确保前级输出是后级期望的输入类型。
• 评估总延迟：串联滤波器的总延迟是各环节延迟的叠加，对于快速控制系统需要仔细评估。

4. 高阶视野：卡尔曼滤波与自适应滤波初探

当系统模型更复杂，或者我们对滤波性能有极致要求时，就需要请出更强大的数学工具。这里介绍两个“名声在外”的算法，旨在让大家理解其思想，知道它们能解决什么问题，而不深究复杂的公式推导。

4.1 卡尔曼滤波：基于模型的最优估计

如果把前面的滤波算法比作“凭经验修图”，那卡尔曼滤波就是“用物理定律和数学模型来预测并修正”。它不仅仅是一个滤波器，更是一套最优估计算法。

核心思想（通俗比喻）： 假设你在GPS信号很差的隧道里开车。GPS（观测值）不准，但你的车速表（系统模型）是准的。

1. 预测：根据上一秒的位置和车速表显示的速度，预测出当前一秒你应该在哪里。这个预测是有不确定性的（模型误差）。
2. 更新：此时，GPS还是给出了一个位置信息，虽然不准但也有参考价值。卡尔曼滤波会聪明地权衡预测值和GPS观测值：如果GPS信号这次特别差（观测噪声大），就更相信自己的预测；如果GPS信号这次比较好，就更相信GPS。
3. 融合：根据两者各自的“可信度”（协方差矩阵），计算出一个最优估计值，这个值比单纯用预测或单纯用观测都要准。同时，它还会更新自己对下一个状态预测的“可信度”。

在ADC滤波中的应用简化模型： 我们可以建立一个非常简单的状态模型：

• 状态量：我们关心的真实信号值x（比如真实电压）。
• 状态方程：假设信号变化很慢，可以认为x(k) = x(k-1) + w，其中w是过程噪声（描述信号可能的变化）。
• 观测方程：ADC采样值z(k) = x(k) + v，其中v是观测噪声（ADC本身的噪声）。

卡尔曼滤波通过迭代以下两个步骤，不断给出对真实信号x的最优估计：

1. 预测步：基于上一时刻的最优估计，预测当前时刻的状态和不确定性。
2. 更新步：结合当前时刻的ADC观测值，修正预测，得到当前时刻的最优估计和新的不确定性。

C语言简化示例（单变量，无控制输入）：

// 超简化版，用于理解流程，实际参数Q,R需要根据系统调校 float Q = 0.001; // 过程噪声协方差 (假设信号变化很小) float R = 0.1; // 观测噪声协方差 (ADC噪声大小) float x_hat = 0; // 状态估计值 float P = 1.0; // 估计误差协方差 float K; // 卡尔曼增益 float kalman_filter(float z) { // 1. 预测步 (由于模型简单，状态预测值不变，但不确定性增加) // x_hat_minus = x_hat; // 本例中状态预测等于上一时刻估计 P = P + Q; // 预测误差协方差增大 // 2. 更新步 K = P / (P + R); // 计算卡尔曼增益 x_hat = x_hat + K * (z - x_hat); // 用观测值修正估计 P = (1 - K) * P; // 更新估计误差协方差 return x_hat; }

适用场景与坑点：

• 适用：动态系统的状态估计。比如，不仅要滤波，还要预测信号下一步会怎么变。经典应用包括无人机/机器人导航（融合IMU、GPS、磁力计）、电池SOC（荷电状态）估计、跟踪快速变化但模型已知的信号。
• 优势：在系统模型准确的情况下，它能提供理论上最优的估计（最小均方误差）。它能同时处理噪声，并给出估计值的可信度（协方差）。
• 巨大坑点：参数调校（Q, R）是门玄学。Q（过程噪声）表示你有多相信自己的模型，R（观测噪声）表示你有多相信传感器。这两个参数需要根据实际系统反复调试，调不好效果可能还不如一阶滞后滤波。对于简单的ADC静态采样，杀鸡用牛刀，性价比不高。
• 计算复杂度：完整的卡尔曼滤波涉及矩阵运算（对于多传感器融合）。上面的单变量简化版计算量很小，但一旦状态变量增多，计算量会平方级增长，对MCU有压力。

4.2 自适应滤波：让滤波器“聪明”起来

前面所有的滤波器，参数（如α、N）都是固定的。但实际信号和噪声特性可能会变。比如，设备静止时噪声小，运动时噪声大；信号有时变化慢，有时变化快。固定参数的滤波器无法兼顾所有工况。

自适应滤波的核心思想是：让滤波器的参数能够根据输入信号的特性自动调整，以达到始终（或接近）最优的滤波效果。

一个直观的例子——自适应限幅滤波： 我们可以让限幅滤波的Δ门限不是固定值，而是动态变化的。

• 当最近一段时间内信号很平稳时，我们调小Δ，提高滤波器的“灵敏度”和“分辨率”。
• 当检测到信号可能处于快速变化阶段时，我们调大Δ，避免误滤除真实信号，提高“跟踪速度”。

如何判断信号是否平稳？可以计算最近几个采样值的方差或标准差。方差小则平稳，方差大则变化快。

更复杂的算法——LMS（最小均方）自适应滤波： LMS算法有一个“期望响应”的概念。它通过不断调整滤波器系数（权重），使得滤波器输出与“期望响应”之间的误差的均方值最小。它需要一个“参考噪声”或对信号特性的先验知识，在音频降噪、回声消除中应用广泛。但在单纯的ADC采样平滑中，我们很少需要用到这么复杂的自适应滤波。

在ADC滤波中的实用自适应思路： 对于嵌入式开发者，实现完整的自适应算法可能负担较重，但可以借鉴其思想：

1. 双系数一阶滞后滤波：准备两套参数，一套平滑系数（α小）用于稳态，一套快速系数（α大）用于跟踪。通过判断信号变化率（差分值）来切换系数。
2. 变长度滑动平均：信号平稳时，用较大的N获得高平滑度；信号快速变化时，自动减小N甚至暂时切换到单点采样，以保证快速响应。

适用场景与坑点：

• 适用：信号或噪声特性时变的场景。例如，车载传感器（振动噪声随车速变化）、语音信号处理、通信信道均衡。
• 优点：能在不同工况下自动保持较好的性能，鲁棒性更强。
• 缺点：算法复杂，计算量大。参数自适应规则本身也需要设计和调试，搞不好会引入不稳定性（比如在稳态和快速变化之间频繁振荡切换）。对于大多数工况固定的嵌入式应用，精心调试的固定参数滤波器往往更简单可靠。

5. 实战指南：如何为你的项目选择并调优滤波算法

看了这么多算法，到底该怎么选？这里我结合自己的项目经验，给出一个选择流程图和具体的调优步骤。

5.1 算法选择决策树

面对一个ADC滤波需求，你可以顺着以下问题来思考：

1. 信号类型是什么？

   • 慢变直流信号（如温度、电池电压）：一阶滞后滤波是首选。简单、高效、效果好。想更稳一点，前面加个限幅。
   • 带有脉冲干扰的慢变信号（如工业环境下的传感器）：中位值平均滤波或限幅+一阶滞后。
   • 快速变化信号（如音频、振动）：滑动平均滤波。需要仔细权衡窗口大小N与延迟。
   • 需要预测的趋势信号（如飞行器状态）：考虑卡尔曼滤波，但前提是你有明确的系统模型和耐心调参。

2. MCU资源是否紧张？

   • 极其紧张（8位机，主频低）：优先考虑限幅滤波、一阶滞后滤波（定点数）。避免排序和大的数组。
   • 资源一般（如Cortex-M0）：可以使用滑动平均（N不宜过大）、复合滤波。
   • 资源充足（如Cortex-M4及以上）：可以尝试更复杂的算法，如卡尔曼滤波、高阶数字滤波器（IIR/FIR）。

3. 对实时性要求多高？

   • 要求极高（控制环路内）：算法必须在几个微秒内完成。一阶滞后（定点）、限幅是唯二选择。
   • 要求一般（数据上传、显示）：可以使用滑动平均、中位值平均等。

4. 噪声主要是什么类型？

   • 随机白噪声：平均类滤波（算术平均、滑动平均）效果最好。
   • 周期性工频干扰（50/60Hz）：这不是后级数字滤波的首选解决方案！应该在硬件前端加RC滤波或使用同步采样技术。数字滤波可作为补充。
   • 偶发脉冲：中值滤波、限幅滤波。

5.2 参数调优实战：以一阶滞后滤波为例

理论说了很多，实操才是关键。假设我们选定一阶滞后滤波来平滑一个温度传感器信号，采样周期T = 100ms。

步骤一：采集原始数据不接任何滤波，以100ms间隔通过串口打印ADC原始值，持续几分钟，包含稳定和变化阶段。将数据保存为文本文件。

步骤二：可视化分析使用任何绘图工具（Python的Matplotlib，Excel，甚至一些串口工具自带绘图）将数据画出来。观察：

1. 稳定时，噪声的峰峰值大约是多少？（比如 ±5 ADC值）
2. 温度变化时，信号的上升/下降速度大概是多少？（比如从25°C到30°C用了10秒）

步骤三：初选参数根据经验，对于100ms采样，α可以从0.1到0.5之间尝试。我们先取α=0.2。对应的定点数移位n满足α ≈ 1/(2^n)，1/8=0.125，1/4=0.25。我们取n=2（α=0.25）来近似。

步骤四：算法实现与离线仿真写一个简单的C程序或Python脚本，读入步骤一保存的原始数据，用你写的滤波函数（浮点和定点版都试试）处理一遍，输出滤波后的数据。将原始数据和滤波后数据画在同一张图上对比。

步骤五：效果评估与迭代看图上滤波后的曲线：

• 如果曲线还有明显的高频锯齿：说明平滑不够，需要减小α（增大n），比如试试n=3（α=0.125）。
• 如果曲线在信号变化时跟不上，滞后太明显：说明响应太慢，需要增大α（减小n），比如试试n=1（α=0.5）。
• 观察对脉冲干扰的抑制：如果在原始数据中手动加一个尖峰，看滤波后曲线是否出现一个“台阶”？如果这个台阶幅度大且恢复慢，可以考虑在前面增加一级限幅滤波。

步骤六：上机实测将选定的参数和算法写入MCU，再次通过串口绘图观察实时效果。注意，离线仿真时用的是“纯净”的历史数据，实时运行时系统还有其他任务，要确保滤波函数执行时间稳定，不会因为其他中断干扰而引入额外的不确定性。

5.3 常见陷阱与避坑指南

1. 整数除法的精度丢失：在平均滤波或计算α时，如果使用整数除法，会丢失小数部分。例如sum / 10，当sum=45时结果是4，而不是4.5。解决方案：要么使用浮点数；要么先累加，最后一次性转换；或者采用“舍入”除法：(sum + N/2) / N。

2. 累加和溢出：这是新手常犯的错误。uint16_t类型的变量最大65535。如果ADC是12位（0-4095），N=20，累加和最大可达81900，已经溢出。解决方案：根据ADC最大值 * N来选择合适的变量类型，如uint32_t。

3. 滤波引起的相位滞后影响控制系统：在PID控制环路中，对反馈信号进行滤波会引入相位滞后，可能导致系统不稳定（振荡）。解决方案：尽量减小滤波延迟（用一阶滞后且α取大），或者在对延迟不敏感的地方滤波（如对设定值滤波）。更高级的做法是在控制器设计时就考虑滤波器的相位特性。

4. “过度滤波”淹没有用信号：为了追求一条“光滑”的曲线，把滤波参数调得过于“猛烈”，导致真实信号的变化也被平滑掉了。比如一个缓慢上升的趋势，看起来像一条水平线。解决方案：始终对比原始信号和滤波信号，确保滤波后的信号仍能正确反映真实信号的变化趋势，而不仅仅是平滑。

5. 默认ADC的噪声就是白噪声：ADC的噪声可能包含特定的频率成分（如电源纹波）。如果噪声是周期性的，简单的平均滤波效果有限。解决方案：用示波器看ADC输入引脚的实际波形，或者对采集的数据做FFT分析，找到噪声的主要频率，然后针对性地设计滤波器（如设计一个数字陷波器滤除特定频率）。

滤波算法没有“银弹”，最好的算法永远是那个最适合你具体应用场景、资源约束和性能需求的算法。从简单的开始尝试，理解其原理和局限，必要时进行组合，配合扎实的调试，你一定能得到干净、可靠的采样数据。