常用的软件滤波方法

1. 平均滤波（Moving Average Filter）

平均滤波是最简单且常用的一种滤波方法。它的基本思想是对一段时间内的多个采样值取平均值，以平滑波动。

• 简单平均滤波（Simple Moving Average, SMA）：
  对最近N个采样值求平均。

  #define N 10
  int values[N];
  int sum = 0;
  for (int i = 0; i < N; i++)
  {
    sum += values[i];
  }
  int average = sum / N;

• 加权平均滤波（Weighted Moving Average, WMA）：
  对不同的采样值赋予不同的权重，通常是越新的数据权重越大。

  float weights[N] = {0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.2};
  // 权重总和为1
  float weighted_sum = 0;
  for (int i = 0; i < N; i++)
  {
    weighted_sum += values[i] * weights[i];
  }
  float weighted_average = weighted_sum;

2. 递归平均滤波（Exponential Moving Average, EMA）

递归平均滤波是一种加权移动平均滤波，其中新的数据点权重较大，历史数据权重逐渐减小。该方法不需要存储大量的历史数据，计算效率高。

float alpha = 0.1; // 平滑因子，取值范围为0到1，越大表示越依赖新数据
float filtered_value = 0;
filtered_value = alpha * new_value + (1 - alpha) * filtered_value;

3. 中值滤波（Median Filter）

中值滤波是一种非线性滤波方法，通过对一组采样值排序并取中间值，以消除突发噪声。适用于存在尖峰噪声的情况。

#include <algorithm>
#define N 9
int values[N] = { /* 一组采样值 */ };
std::sort(values, values + N);
int median = values[N / 2];

4. 卡尔曼滤波（Kalman Filter）

卡尔曼滤波是一种自适应滤波算法，能根据系统的噪声特性自动调整滤波参数，提供对动态系统状态的最优估计。适用于实时系统和动态信号。

// 初始化卡尔曼滤波参数
float Q = 0.001;// 过程噪声协方差
float R = 0.1;// 测量噪声协方差
float P = 1, K = 0;
float X = 0; // 状态估计
// 卡尔曼滤波过程
void kalmanFilter(float measurement)
{
  // 预测更新
  P = P + Q;
  // 计算卡尔曼增益
  K = P / (P + R);
  // 更新估计值
  X = X + K * (measurement - X);
  // 更新误差协方差
  P = (1 - K) * P;
}

5. 低通滤波器（Low-Pass Filter）

低通滤波器通过阻止高频信号，只允许低频信号通过，从而平滑数据波动。   

• 一阶低通滤波器：

  float alpha = 0.1; // 滤波系数，取值范围为0到1
  float filtered_value = 0;
  
  filtered_value = alpha * new_value + (1 - alpha) * filtered_value;

• 二阶低通滤波器（巴特沃斯滤波器）：

  void calculateButterworthCoefficients(float fs, float fc, float *a, float *b)
  {
   float omega = 2 * M_PI * fc / fs;
   float cos_omega = cos(omega);
   float sin_omega = sin(omega);
   float alpha = sin_omega / (2 * sqrt(2));
  
   float a0 = 1 + alpha;
   a[0] = -2 * cos_omega / a0;
   a[1] = (1 - alpha) / a0;
  
   b[0] = (1 - cos_omega) / 2 / a0;
   b[1] = (1 - cos_omega) / a0;
   b[2] = b[0];
  }
  float butterworthFilter(float *x, float *y, float *a, float *b)
  {
   float output = b[0] * x[0] + b[1] * x[1] + b[2] * x[2] - a[0] * y[0] - a[1] *   y[1];
  
   // 更新历史值
   x[2] = x[1];
   x[1] = x[0];
   y[1] = y[0];
   y[0] = output;
  
   return output;
  }

6. 高通滤波器（High-Pass Filter）

高通滤波器允许高频信号通过，阻止低频信号，从而去除直流分量和低频噪声。

• 一阶高通滤波器：

  float alpha = 0.1; // 滤波系数，取值范围为0到1
  float prev_input = 0;
  float filtered_value = 0;
  
  void highPassFilter(float new_value) {
      filtered_value = alpha * (filtered_value + new_value - prev_input);
      prev_input = new_value;
  }
  

• 二阶高通滤波器（巴特沃斯滤波器）

  void calculateHighPassCoefficients(float fs, float fc, float *a, float *b) {
      float omega = 2 * M_PI * fc / fs;
      float cos_omega = cos(omega);
      float sin_omega = sin(omega);
      float alpha = sin_omega / (2 * sqrt(2));
      
      float a0 = 1 + alpha;
      a[0] = -2 * cos_omega / a0;
      a[1] = (1 - alpha) / a0;
      
      b[0] = (1 + cos_omega) / 2 / a0;
      b[1] = -(1 + cos_omega) / a0;
      b[2] = b[0];
  }
  
  float butterworthHighPassFilter(float *x, float *y, float *a, float *b) {
      float output = b[0] * x[0] + b[1] * x[1] + b[2] * x[2] - a[0] * y[0] - a[1] * y[1];
      
      // 更新历史值
      x[2] = x[1];
      x[1] = x[0];
      y[1] = y[0];
      y[0] = output;
      
      return output;
  }