越有魅力的事物，往往存在一种“反差”，即其存在两个相互关联的特性，但是各自表现得十分不同
————小白
一阶滞后滤波又称作RC低通滤波、一阶滤波、一阶惯性滤波、一阶低通滤波等，下文统一称为一阶滞后滤波。
01 - 一阶滞后滤波算法简介
嵌入式中的ADC数字滤波算法有很多，搜索一下会有常用的10种算法，一阶滞后滤波是其中一种，也是大名鼎鼎的一种，在这10种算法中，虽然一直有人评论其各有优缺点，各有使用场合，但是如果在条件十分受限的实际嵌入式项目中让我选择一种，即使知道或不知道数据源的特性，我都会毫不犹豫地选择一阶滞后滤波算法，数学算法公式为：
Y
n
=
α
X
n
+
(
1
−
α
)
Y
n
−
1
(1)
Y_{n} = α X_{n} + (1 - α) Y_{n-1} \tag{1}
Yn=αXn+(1−α)Yn−1(1)
式中：
Y
n
Y_{n}
Yn是本次滤波输出值，
α
α
α是滤波系数，
X
n
X_{n}
Xn是本次采样，
Y
n
−
1
Y_{n-1}
Yn−1是上一次滤波输出。
公式十分简单，只有乘、加的操作并且只有一条计算公式，没有额外的数据计算。
02 - 硬件低通滤波器
下图为一阶滞后滤波所对应的硬件低通滤波器等效电路，其中：
Input相当于于 X n X_{n} Xn：作为信号源的输入Output相当于 Y n Y_{n} Yn：作为目标信号的输出电阻相当于 α α α：作为滤波系统，设计实验测试阶段可调电容相当于 Y n − 1 Y_{n-1} Yn−1：用于储存上一次的输出值
如果在原理图中看到类似的结构，可以认为添加了硬件低通滤波器，此等效电路算是比较简单的一种，还有比较复杂的需要有三极管等电子元件。
03 - 稳定滤波的原理
滤波的目标是过滤掉数据的各种干扰，得到期望的稳定值，使得系统收敛。下面用坐标轴对公式作一个解释，
x
x
x轴作为时间Time，
y
y
y轴作为AD值Value，AD采集过程中我们能够得到一段采集的数据输入输出记录：
就
x
x
x轴某一个时刻
T
T
T而言，我们只能得到当前时刻
T
T
T的输入值Input和前面时刻的
(
T
−
1
，
T
−
2
，
…
…
1
)
(T-1，T-2，……1)
(T−1，T−2，……1)输出值Output，我们把当前时刻得到的输入值记为
X
n
X_{n}
Xn，紧挨着的上一个时刻的输出值记为
Y
n
−
1
Y_{n-1}
Yn−1。滤波的目标是得到一个稳定值，何为稳定？什么样的值是稳定的？在不同时刻是否不同？根据一阶滞后滤波算法，如果要回答这些问题，无论如何我们只能假设在上一个时刻的输出值
Y
n
−
1
Y_{n-1}
Yn−1是稳定值。
因为除开第一个数据，所有数据都有前驱，当前值的滤波与前驱有关，那么随着时间的推移，所有的数据历史会形成一个链条，相邻的项是有联系的，因此只要某个时刻的值发生了变化，那么后面的值都会随之变化，如果我们限定了这些变化的敏感度（与α有关），比如降低敏感度，那么在一个有限的波形内由于变化不敏感，就会过滤掉波动的数据，得到一个认为是收敛的值
根据假设，因为
Y
n
−
1
Y_{n-1}
Yn−1是稳定值，所以
X
n
X_{n}
Xn与它存在一个误差
e
e
e，也就是：
X
n
=
Y
n
−
1
+
e
(2)
X_{n} = Y_{n-1} + e \tag{2}
Xn=Yn−1+e(2)
其中
e
e
e可正可负，我们代入公式（1）得到：
Y
n
=
α
X
n
+
(
1
−
α
)
Y
n
−
1
=
α
(
Y
n
−
1
+
e
)
+
(
1
−
α
)
Y
n
−
1
=
α
Y
n
−
1
+
α
e
+
Y
n
−
1
−
α
Y
n
−
1
=
α
e
+
Y
n
−
1
(3)
\begin{aligned} Y_{n} =& α X_{n} + (1 - α) Y_{n-1} \tag{3} \\ =& α(Y_{n-1} + e) + (1 - α) Y_{n-1}\\ =& αY_{n-1} + αe + Y_{n-1} - α Y_{n-1}\\ =& αe + Y_{n-1} \end{aligned}
Yn====αXn+(1−α)Yn−1α(Yn−1+e)+(1−α)Yn−1αYn−1+αe+Yn−1−αYn−1αe+Yn−1(3)
原理就在这个公式里面，因为我们假设
Y
n
−
1
Y_{n-1}
Yn−1是稳定值，因此当前时刻
T
T
T的输出
Y
n
Y_{n}
Yn就取决于滤波系数
α
α
α和误差
e
e
e，而滤波系数
α
α
α一般为固定值：
当趋向于0，
α
→
0
α\rightarrow 0
α→0，
Y
n
=
e
⋅
O
(
0
)
+
Y
n
−
1
Y_{n} =e\cdot O(0) + Y_{n-1}
Yn=e⋅O(0)+Yn−1 ，多数情况下
α
⋅
∣
e
∣
≤
0.5
α\cdot|e| \leq 0.5
α⋅∣e∣≤0.5，根据C语言的四舍五入，这个误差会被忽略，这就是降低敏感度，稳定数据，系统收敛性明显，但是数据的变化会滞后，因为需要一个较大的误差才能让
Y
n
Y_{n}
Yn发生变化。
当趋向于1，
α
→
1
α\rightarrow 1
α→1，
Y
n
=
e
⋅
O
(
1
)
+
Y
n
−
1
Y_{n} =e\cdot O(1) + Y_{n-1}
Yn=e⋅O(1)+Yn−1，多数情况下
α
⋅
∣
e
∣
≥
0.5
α\cdot|e| \geq 0.5
α⋅∣e∣≥0.5，根据C语言的四舍五入，这个误差会被记录并且马上反应，这就是升高敏感度，实时反映数据波动，系统收敛性不明显，数据并不稳定。
由C语言中四舍五入可知，需要
α
⋅
∣
e
∣
≥
1
2
α\cdot|e| \geq \frac{1}{2}
α⋅∣e∣≥21的时候，
Y
n
Y_{n}
Yn才会变化，也就是当
α
⋅
∣
e
∣
<
0.5
α\cdot|e| < 0.5
α⋅∣e∣<0.5的时候不变化，解不等式得到
e
∈
(
−
1
2
a
，
1
2
a
)
e \in (-\frac{1}{2a}，\frac{1}{2a})
e∈(−2a1，2a1)，代入（2）式，得到AD值的稳定和变化范围：
Y
n
=
{
Y
n
−
1
:
(
Y
n
−
1
−
1
2
a
)
<
X
n
<
(
Y
n
−
1
+
1
2
a
)
X
n
+
[
α
⋅
e
]
:
X
n
∈
Others
，
[
x
]
代
表
对
x
四
舍
五
入
(4)
Y_{n} = \left\{ \begin{array}{lr} Y_{n-1} &: & (Y_{n-1} - \frac{1}{2a}) < X_{n} < (Y_{n-1} + \frac{1}{2a})& \tag{4}\\ X_{n}+[α\cdot e] &:& X_{n} \in \text{Others} ，[x]代表对x四舍五入& \end{array} \right.
Yn={Yn−1Xn+[α⋅e]::(Yn−1−2a1)<Xn<(Yn−1+2a1)Xn∈Others，[x]代表对x四舍五入(4)
对于一个上一次的输出值
Y
n
−
1
Y_{n-1}
Yn−1，如果当前时刻的输入值
X
n
∈
（
Y
n
−
1
−
1
2
a
，
Y
n
−
1
+
1
2
a
）
X_{n} \in（Y_{n-1} - \frac{1}{2a}，Y_{n-1} + \frac{1}{2a}）
Xn∈（Yn−1−2a1，Yn−1+2a1），都将都被认为是
Y
n
−
1
Y_{n-1}
Yn−1，必须有一个较大的误差
e
e
e才能让
Y
n
Y_{n}
Yn发生变化，这就是滞后的意思。
04 - 实际应用与变形
嵌入式的实际应用会根据实际情况作相应的变形和改变，以下只举一个例子，体验一阶滞后滤波的实际应用。
场景：一个电控盆栽，有ARM逻辑主板+8051辅助板，8051系列的单片机作为盆栽的辅助板，需要采集温度传感器的AD值，反馈给主板作处理。
分析：盆栽一般放置在家庭中，环境温度在一大段时间内一般都是稳定的（比如上午、下午、晚上），而且温度是线性变换的，不会出现突变的情况，因此系统需要的是一个稳定的AD值，不允许环境温度没有有效变化的时候AD值却在波动，因此降低滤波系数
α
α
α，降低敏感度，使得系统收敛，稳定数据。
问题：8051系统的芯片处理浮点数非常吃力，不能让系统浪费在这些时间上。
解决：不作浮点数处理，把滤波系数
α
α
α平移到整数范围内，也就是扩大
K
K
K倍，整个公式变形为：
原来
：
Y
n
=
α
X
n
+
(
1
−
α
)
Y
n
−
1
变形
：
Y
n
=
α
X
n
+
(
K
−
α
)
Y
n
−
1
K
(6)
\begin{aligned} \text{原来}： Y_{n} =& α X_{n} + (1 - α) Y_{n-1}\\ \text{变形}： Y_{n} =& \frac{α X_{n} + (K - α) Y_{n-1} }{K}\tag{6} \end{aligned}
原来：Yn=变形：Yn=αXn+(1−α)Yn−1KαXn+(K−α)Yn−1(6)
除法也是会占用很多CPU资源，不过我们可以把
K
K
K定为2的幂次方，除法就可以轻松转成位移运算：
Y
(
n
)
=
（
α
X
n
+
(
K
−
α
)
Y
n
−
1
）
>
>
l
o
g
2
K
(7)
Y(n) = （α X_{n} + (K - α) Y_{n-1}）>> log_2{K}\tag{7}
Y(n)=（αXn+(K−α)Yn−1）>>log2K(7)
（7）式就是最终公式，定好
K
K
K和
α
α
α后，就可以编程实现了，比如
K
=
128
，
α
=
8
K=128，α = 8
K=128，α=8，那么：
Y
n
=
（
8
⋅
X
n
+
120
⋅
Y
n
−
1
）
>
>
7
Y_{n}= （8 \cdot X_{n} + 120 \cdot Y_{n-1} ）>> 7
Yn=（8⋅Xn+120⋅Yn−1）>>7
对应的编程代码：
extern uint32_t LastValue;
uint32_t ADC_filter(uint32_t CurrValue)
{
uint32_t tmp = (8 * CurrValue + 120 * LastValue) >> 7;
LastValue = tmp;
return LastValue;
}
公式只有整数的乘法、加法和位移运算，这些运算在8051单片机系列中的消耗是可以接受的（不到万不得已，不会用浮点数和除法运算）。
05 - 滤波效果展示
选取上述公式，并代入随机值，这些随机值都认为是各种干扰因素造成的波动，也就是实际的ADC数据理应不变：
Y
n
=
（
8
⋅
X
n
+
120
⋅
Y
n
−
1
）
>
>
7
Y_{n}= （8 \cdot X_{n} + 120 \cdot Y_{n-1} ）>> 7
Yn=（8⋅Xn+120⋅Yn−1）>>7
系列1蓝色线为随机值，模拟干扰因素的波动，系列2红色线为滤波后的数据，能够观察到，因为我们定的滤波系数
α
α
α较小，因此会降低敏感度，在源数据从64突然跳变到70的时候，滤波得到的值也是不变的，可以稍微提高滤波系数，比如
α
=
32
α = 32
α=32，再看一下滤波效果：
在这个实验中，充分能够看到一阶滞后滤波中滞后的过程，在源数据蓝色线波动后，滤波结果红色线并不是马上跟随波动，而是滞后一段时间，需要源数据和上一次的滤波输出值有较大差别的时候才进行变化。
06 - 高性能的表现
一阶滞后滤波的高性能表现在：
- 易于实现：2-3句代码就能实现。
- 适应性强：公式变形简单，可应用在很多场合内。
- 运算简单：一条公式，几个基本运算符，计算速度也快。
- 可调属性：能够轻易调整收敛速度和敏感性，而且调节的范围参考。
以上4点可以作为和其它滤波算法作比较的点，对比的实验会在另一篇博客中，期待下一篇。
07 - 总结
- 一阶滞后滤波公式： Y n = α X n + ( 1 − α ) Y n − 1 Y_{n} = α X_{n} + (1 - α) Y_{n-1} Yn=αXn+(1−α)Yn−1，可适当变形
- AD值的稳定和变化范围：
Y n = { Y n − 1 : ( Y n − 1 − 1 2 a ) < X n < ( Y n − 1 + 1 2 a ) X n + [ α ⋅ e ] : X n ∈ Others ， [ x ] 代 表 对 x 四 舍 五 入 Y_{n} = \left\{ \begin{array}{lr} Y_{n-1} &: & (Y_{n-1} - \frac{1}{2a}) < X_{n} < (Y_{n-1} + \frac{1}{2a})& \\ X_{n}+[α\cdot e] &:& X_{n} \in \text{Others} ，[x]代表对x四舍五入& \end{array} \right. Yn={Yn−1Xn+[α⋅e]::(Yn−1−2a1)<Xn<(Yn−1+2a1)Xn∈Others，[x]代表对x四舍五入 - 高性能的表现在：易于实现、适应性强、运算简单、可调属性
1805
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
