一种滤波算法的处理（积分的算法）

首先列举几种常规的滤波算法，相信会百度的人基本都能搜到：算术平均，中位，滑动中位，递推平均，中位值平均，加权递推，消抖，

我想表达的是一种在加权递推的衍生方法，类积分计算

这里直接上重点，加权递推的方式里面，重点是权值的分布，如果前面的权值分布太大，后续的曲线变化慢；如果后面的权值分布太大，受异常数据的曲线变化大，可能总是在这两者之前反复横跳；或者异常数据太大，即使经过加权计算也会导致曲线偶发异常，所以我在加权递推的基础上衍生了新的积分计算方式。

类积分计算：在实际的数据采集处理中，数据存在突变或慢变的过程，但是突变或慢变都是基于原水平来说的，当突变越多，差值的绝对值越大，积分越多，所希望的变化也就越快，变化少，差值的绝对值小，积分少，所希望的变化也就小；那么这里会出现很多新的名词定义，如：底噪纹波的大小，积分的判断值，变化的范围大小等等， 

看着是不是很熟悉？？？是的， 回到PID的积分去了，大有大的好，小有小的好，难道和PID一样实际去调？？思考思考思考....................................................................................................................................................................................................................................，积分只是决定小跟随稳定的时间，比例系数才是决定关键，那么需要调试的只是P？也就是积分的大小，，，还是要调试？

答案是肯定的，没有任何办法可以通用所有的曲线。但是这个不用，为什么？因为曲线的最大数据和最小数据是可以确定的，那么P也就可以确定了，，，在实际的调试过程中，我反而觉得I最难，因为大了会产生震荡，小了会有时间上更多的迟滞，这是没办法接受的，所以I也根据最大数据和最小数据来规定，这样最后的实现基本就可以全自动化了，不需要实际调试，且实现了自学习的功能。具体公式和实现我就不列了，毕竟生活的******公司已经申请了专利，大概思路就这么个思路了。

那么有人要好奇了，这玩意感觉和加权递推和PID感受不到差异啊，，，初始我也这么感觉，但是优点在哪？时间，对的，就是时间，，比加权递推更快，是的，你没看错，比加权快，why？？？，，，分析一下，因为加权越到后面越慢，加权最开始是很快，比例变化，但是到很接近的时候，比例一定，数值越来越小，相信看到这的人基本都能理解；那么比PID呢，如果说我PID调的很好的话，你的类积分的方式好像跟不上啊，，，额，让我再思考一秒，PID有反冲吧，不然P小了，时间跟不上；但是我的没有，原因？类积分是有正负区分的，我可以加也可以减，所以抗干扰性和跟随速度，防过冲都是更优的，，，哎，引入了一个新的名词，抗干扰性，解释下解释下，当数据一个高一个低的时候，会怎么样，理论情况下，如果高的时间和低的时间一样，那么积分一样，曲线不变化，那么不一样呢，谁的时间多，曲线往谁偏，偏的速度呢，跟时间挂钩，这属于额外惊喜？？？不不不，这在最开始我就已经想到了，类积分的正负概念的时候，，，，有点不理解？？，再看一边，

其他：列一些实际调试的经验吧！比如在实际上下的时候，P、I都是实际变化的，这样可以更有针对性和通用性，每一次新的数值都是根据前一次的数据和前一次计算的数值实时更新；更新的方法？那怕是有点子复杂。

还不知道专利啥时候下来呢，下个月工资涨不涨，奖金发不发，哎，生活不易，王婆卖艺。。。