十种算法滤波如下:
1、限幅滤波法(又称程序判断滤波法)
2、中位值滤波法
3、算术平均滤波法
4、递推平均滤波法(又称滑动平均滤波法)
5、中位值平均滤波法(又称防脉冲干扰平均滤波法)
6、限幅平均滤波法
7、一阶滞后滤波法
8、加权递推平均滤波法
9、消抖滤波法
10、限幅消抖滤波法
- 1、限幅滤波法(又称程序判断滤波法) A、方法: 根据经验判断,确定两次采样允许的最大偏差值(设为A) 每次检测到新值时判断: 如果本次值与上次值之差<=A,则本次值有效 如果本次值与上次值之差>A,则本次值无效,放弃本次值,用上次值代替本次值 B、优点: 能有效克服因偶然因素引起的脉冲干扰 C、缺点 无法抑制那种周期性的干扰 平滑度差
-
2、中位值滤波法 A、方法: 连续采样N次(N取奇数) 把N次采样值按大小排列 取中间值为本次有效值 B、优点: 能有效克服因偶然因素引起的波动干扰 对温度、液位的变化缓慢的被测参数有良好的滤波效果 C、缺点: 对流量、速度等快速变化的参数不宜
-
3、算术平均滤波法 A、方法: 连续取N个采样值进行算术平均运算 N值较大时:信号平滑度较高,但灵敏度较低 N值较小时:信号平滑度较低,但灵敏度较高 N值的选取:一般流量,N=12;压力:N=4 B、优点: 适用于对一般具有随机干扰的信号进行滤波 这样信号的特点是有一个平均值,信号在某一数值范围附近上下波动 C、缺点: 对于测量速度较慢或要求数据计算速度较快的实时控制不适用 比较浪费RAM
-
4、递推平均滤波法(又称滑动平均滤波法) A、方法: 把连续取N个采样值看成一个队列 队列的长度固定为N 每次采样到一个新数据放入队尾,并扔掉原来队首的一次数据.(先进先出原则) 把队列中的N个数据进行算术平均运算,就可获得新的滤波结果 N值的选取:流量,N=12;压力:N=4;液面,N=4~12;温度,N=1~4 B、优点: 对周期性干扰有良好的抑制作用,平滑度高 适用于高频振荡的系统 C、缺点: 灵敏度低 对偶然出现的脉冲性干扰的抑制作用较差 不易消除由于脉冲干扰所引起的采样值偏差 不适用于脉冲干扰比较严重的场合 比较浪费RAM
-
5、中位值平均滤波法(又称防脉冲干扰平均滤波法) A、方法: 相当于“中位值滤波法”+“算术平均滤波法” 连续采样N个数据,去掉一个最大值和一个最小值 然后计算N-2个数据的算术平均值 N值的选取:3~14 B、优点: 融合了两种滤波法的优点 对于偶然出现的脉冲性干扰,可消除由于脉冲干扰所引起的采样值偏差 C、缺点: 测量速度较慢,和算术平均滤波法一样 比较浪费RAM
-
6、限幅平均滤波法 A、方法: 相当于“限幅滤波法”+“递推平均滤波法” 每次采样到的新数据先进行限幅处理, 再送入队列进行递推平均滤波处理 B、优点: 融合了两种滤波法的优点 对于偶然出现的脉冲性干扰,可消除由于脉冲干扰所引起的采样值偏差 C、缺点: 比较浪费RAM
-
7、一阶滞后滤波法 A、方法: 取a=0~1 本次滤波结果=(1-a)*本次采样值+a*上次滤波结果 B、优点: 对周期性干扰具有良好的抑制作用 适用于波动频率较高的场合 C、缺点: 相位滞后,灵敏度低 滞后程度取决于a值大小 不能消除滤波频率高于采样频率的1/2的干扰信号
-
8、加权递推平均滤波法 A、方法: 是对递推平均滤波法的改进,即不同时刻的数据加以不同的权 通常是,越接近现时刻的数据,权取得越大。 给予新采样值的权系数越大,则灵敏度越高,但信号平滑度越低 B、优点: 适用于有较大纯滞后时间常数的对象 和采样周期较短的系统 C、缺点: 对于纯滞后时间常数较小,采样周期较长,变化缓慢的信号 不能迅速反应系统当前所受干扰的严重程度,滤波效果差
-
9、消抖滤波法 A、方法: 设置一个滤波计数器 将每次采样值与当前有效值比较: 如果采样值=当前有效值,则计数器清零 如果采样值<>当前有效值,则计数器+1,并判断计数器是否>=上限N(溢出) 如果计数器溢出,则将本次值替换当前有效值,并清计数器 B、优点: 对于变化缓慢的被测参数有较好的滤波效果, 可避免在临界值附近控制器的反复开/关跳动或显示器上数值抖动 C、缺点: 对于快速变化的参数不宜 如果在计数器溢出的那一次采样到的值恰好是干扰值,则会将干扰值当作有效值导 入系统
-
10、限幅消抖滤波法 A、方法: 相当于“限幅滤波法”+“消抖滤波法” 先限幅,后消抖 B、优点: 继承了“限幅”和“消抖”的优点 改进了“消抖滤波法”中的某些缺陷,避免将干扰值导入系统 C、缺点: 对于快速变化的参数不宜
以上来自百度经验,下面是算法的简易实现及测试,只写了第三个到第十个的算法,当然后面算法也用到了第一个和第三个。
import scipy.signal as signal
import numpy as np
import pylab as pl
import matplotlib.pyplot as plt
import matplotlib
'''
算术平均滤波法
'''
def ArithmeticAverage(inputs,per):
if np.shape(inputs)[0] % per != 0:
lengh = np.shape(inputs)[0] / per
for x in range(int(np.shape(inputs)[0]),int(lengh + 1)*per):
inputs = np.append(inputs,inputs[np.shape(inputs)[0]-1])
inputs = inputs.reshape((-1,per))
mean = []
for tmp in inputs:
mean.append(tmp.mean())
return mean
'''
递推平均滤波法
'''
def SlidingAverage(inputs,per):
if np.shape(inputs)[0] % per != 0:
lengh = np.shape(inputs)[0] / per
for x in range(int(np.shape(inputs)[0]),int(lengh + 1)*per):
inputs = np.append(inputs,inputs[np.shape(inputs)[0]-1])
inputs = inputs.reshape((-1,per))
tmpmean = inputs[0].mean()
mean = []
for tmp in inputs:
mean.append((tmpmean+tmp.mean())/2)
tmpmean = tmp.mean()
return mean
'''
中位值平均滤波法
'''
def MedianAverage(inputs,per):
if np.shape(inputs)[0] % per != 0:
lengh = np.shape(inputs)[0] / per
for x in range(int(np.shape(inputs)[0]),int(lengh + 1)*per):
inputs = np.append(inputs,inputs[np.shape(inputs)[0]-1])
inputs = inputs.reshape((-1,per))
mean = []
for tmp in inputs:
tmp = np.delete(tmp,np.where(tmp==tmp.max())[0],axis = 0)
tmp = np.delete(tmp,np.where(tmp==tmp.min())[0],axis = 0)
mean.append(tmp.mean())
return mean
'''
限幅平均滤波法
Amplitude: 限制最大振幅
'''
def AmplitudeLimitingAverage(inputs,per,Amplitude):
if np.shape(inputs)[0] % per != 0:
lengh = np.shape(inputs)[0] / per
for x in range(int(np.shape(inputs)[0]),int(lengh + 1)*per):
inputs = np.append(inputs,inputs[np.shape(inputs)[0]-1])
inputs = inputs.reshape((-1,per))
mean = []
tmpmean = inputs[0].mean()
tmpnum = inputs[0][0] #上一次限幅后结果
for tmp in inputs:
for index,newtmp in enumerate(tmp):
if np.abs(tmpnum-newtmp) > Amplitude:
tmp[index] = tmpnum
tmpnum = newtmp
mean.append((tmpmean+tmp.mean())/2)
tmpmean = tmp.mean()
return mean
'''
一阶滞后滤波法
a: 滞后程度决定因子,0~1
'''
def FirstOrderLag(inputs,a):
tmpnum = inputs[0] #上一次滤波结果
for index,tmp in enumerate(inputs):
inputs[index] = (1-a)*tmp + a*tmpnum
tmpnum = tmp
return inputs
'''
加权递推平均滤波法
'''
def WeightBackstepAverage(inputs,per):
weight = np.array(range(1,np.shape(inputs)[0]+1)) #权值列表
weight = weight/weight.sum()
for index,tmp in enumerate(inputs):
inputs[index] = inputs[index]*weight[index]
return inputs
'''
消抖滤波法
N: 消抖上限
'''
def ShakeOff(inputs,N):
usenum = inputs[0] #有效值
i = 0 #标记计数器
for index,tmp in enumerate(inputs):
if tmp != usenum:
i = i + 1
if i >= N:
i = 0
inputs[index] = usenum
return inputs
'''
限幅消抖滤波法
Amplitude: 限制最大振幅
N: 消抖上限
'''
def AmplitudeLimitingShakeOff(inputs,Amplitude,N):
#print(inputs)
tmpnum = inputs[0]
for index,newtmp in enumerate(inputs):
if np.abs(tmpnum-newtmp) > Amplitude:
inputs[index] = tmpnum
tmpnum = newtmp
#print(inputs)
usenum = inputs[0]
i = 0
for index2,tmp2 in enumerate(inputs):
if tmp2 != usenum:
i = i + 1
if i >= N:
i = 0
inputs[index2] = usenum
#print(inputs)
return inputs
T = np.arange(0, 0.5, 1/4410.0)
num = signal.chirp(T, f0=10, t1 = 0.5, f1=1000.0)
pl.subplot(2,1,1)
pl.plot(num)
result = ArithmeticAverage(num.copy(),30)
#print(num - result)
pl.subplot(2,1,2)
pl.plot(result)
pl.show()