差值滤波补偿算法

  现实中的物理量都是连续的模拟量，其变化需要一定时间，且在短时间内的变化量有一个合理的限度。例如气温，短时间内前后两个采样值的差值必定有个最大范围，基于这个条件可以对其中明显受到干扰的无效值进行剔除。本次的无效采样值排除后，再根据前面数据的变化趋势，预测一个合理的数据替代本次的问题值，而不是直接使用上次的结果。

1、 什么样的采样值为无效值

  根据物理量的检测范围，和在采样间隔内最大的变化可能来定义，如气温检测，可定义温度在正负50度之间，如果采样间隔是1分钟，那气温在1分钟内最多变化5度。实际应用需要根据使用场景来确定，范围越小对异常值的判断排除越准确。

2、 如何根据趋势预测合理值

  还是以气温为例，连续3次采样结果分别是t1,t2,t3,假设温度在短时间内的变化趋势相同，t2-t1=t3-t2，转换后得出t3=2*t2-t1，即在合适的范围内，可以根据前面2个历史值预测出当前采样值。采样间隔越小预测值越准确，在采样频率很小的情况下，结果可能存在一定误差。

//设定温度变化范围和最大变化趋势
#define SAMPLE_MIX  -50
#define SAMPLE_MAX  50
#define DIFF_MAX  5

int history[2];//历史值，其中history[1]为最近的记录

int filter(void)
{
    int current;
    int valid=1;

    current=read_sample();//更新采样值

    if((current-history[1]>DIFF_MAX)||(history[1]-current>DIFF_MAX))
    {
        valid=0;
    }

    if((current<SAMPLE_MIX)||(current>SAMPLE_MAX))
    {
        valid=0;
    }

    if(valid==0)//表示本次采样值无效
    {
        current=2*history[1]-history[0];
        if(current<SAMPLE_MIX)
        {
            current=SAMPLE_MIX;
        }
        else if(current>SAMPLE_MAX)
        {
            current=SAMPLE_MAX;
        }
    }

    history[0]=history[1];
    history[1]=current;

    return current;
}

  缺点：只能过滤偶发的异常数据。