嵌入式信号滤波实战：卡尔曼、滑动平均与异常值剔除的C语言实现与性能对比

1. 嵌入式信号滤波的工程挑战

在开发基于Cortex-M系列MCU的传感器数据采集系统时，我经常遇到这样的场景：温度传感器读数突然跳变20℃，加速度计数据出现周期性毛刺，压力传感器输出中混入50Hz工频干扰。这些噪声不仅影响数据显示，更会导致控制系统误动作。面对有限的CPU资源和实时性要求，选择合适的滤波算法就像在走钢丝——既要保证滤波效果，又不能拖垮系统性能。

记得去年做工业烤箱温度控制项目时，PID算法因为原始温度数据的波动不断输出剧烈震荡的控制信号，导致加热管频繁通断。后来在数据采集端加入滑动平均滤波，问题立刻得到改善。这个案例让我深刻认识到：嵌入式信号处理不是纯数学游戏，而是资源、效果、实时性的三角平衡。

三种典型噪声场景需要区别对待：

• 高斯噪声（如传感器热噪声）：呈现随机分布特性
• 脉冲噪声（如开关触点火花）：瞬时大幅偏离真实值
• 周期性干扰（如电源纹波）：有固定频率特征的噪声

在Cortex-M3/M4这类资源受限的MCU上，算法选择要考虑三个硬指标：

1. RAM消耗：静态数组 vs 动态内存
2. CPU负载：浮点运算量 vs 整数运算
3. 实时延迟：单次处理耗时必须小于采样周期

2. 卡尔曼滤波：动态系统的最优估计

2.1 一维卡尔曼的简化实现

很多教程把卡尔曼滤波讲得高深莫测，其实在嵌入式场景中可以大幅简化。针对温度这类缓慢变化量，我通常使用一维版本，将状态转移矩阵简化为1。这就好比用"惯性定律"预测温度——假设下一刻温度与当前相同。

这个简化版卡尔曼在Cortex-M4上仅需不到100个时钟周期，关键结构体设计如下：

c复制typedef struct {
    float Q;    // 过程噪声方差（预测可信度）
    float R;    // 测量噪声方差（传感器精度）
    float P;    // 估计误差协方差
    float K;    // 卡尔曼增益
    float x_hat;// 最优估计值
} Kalman1D;

实测中发现两个调参秘诀：

• Q/R比值决定信任倾向：当Q/R>1时更相信传感器，反之更相信预测
• 初始P值影响收敛速度：建议设为测量噪声量级的平方