高频使用的滤波算法

在我们的开发过程中，因为受外界的未知因素的影响，经常需要对所采集的数据进行处理后使用，具体的处理就是滤波的过程，不同的使用场景需要对应有不同的滤波方法，这里我们通过网络和工作经验进行总结，对数据滤波过程和优缺点简单介绍，仅供参考。

首先以下介绍的是部分使用率较高的简单滤波算法：

1、限幅滤波法

具体过程：

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。

优缺点：

这种方法的优点：能有效克服因偶然因素引起的脉冲干扰。缺点：无法抑制那种周期性的干扰，且平滑度差。

2、递推平均滤波法

具体过程：

   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，一般流量根据经验选取。

优缺点：

这种方法的优点：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 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。

3、消抖滤波法

具体过程：

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。

优缺点：

这种方法的优点：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。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。

4、中位值滤波法

具体过程：

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。

优缺点：

这种方法的优点：能有效克服因偶然因素引起的波动干扰，对变化缓慢的被测参数有良好的滤波效果。缺点：不适合对快速变化的参数。

5、算术平均滤波法

具体过程：

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，一般流量根据经验选取。

优缺点：

这种方法的优点：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。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。

6、一阶滞后滤波法

具体过程：

取a=0~1，具体根据经验确定，计算为：本次滤波结果=（1-a）*本次采样值+a*上次滤波结果

优缺点：

这种方法的优点：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。缺点：相位滞后，灵敏度低，滞后程度取决于a值大小。

7、加权递推平均滤波法

具体过程：

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。

优缺点：

这种方法的优点：适用于有较大滞后时间常数的对象，和采样周期较短的系统。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。

这些简单的滤波经常会结合起来一起使用，从而达到更加显著的效果，如下：

1、限幅平均滤波法

具体过程：

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。

优缺点：

这种方法的优点：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。缺点：比较浪费RAM。

2、限幅消抖滤波法

具体过程：

相当于“限幅滤波法”+“消抖滤波法”，先限幅,后消抖。

优缺点：

这种方法的优点：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。缺点：不适合对于快速变化的参数。　

3、中位值平均滤波法

具体过程：

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。 

优缺点：

这种方法的优点：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。对周期干扰有良好的抑制作用，平滑度高，适于高频震荡的系统。缺点：测量速度较慢，和算术平均滤波法一样，比较浪费RAM。

   在BMS的算法中，也是经常使用各种滤波，在SOC计算时，对于特殊产品使用复杂的滤波算法，叫做卡尔曼滤波算法。简单的讲卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。具体的卡尔曼滤波算法详解，可以看一下我们前面的文章，具体链接如下：“查看文末链接”。

总结：

   如上内容仅仅是对相关滤波算法的简单介绍，具体实现根据介绍的具体过程进行模型搭建等设计，上手做几次，就会对滤波过程有更深切的体会，融汇贯通后，会对我们工作有很大的帮助。