# 限幅滤波法（又称程序判断滤波法）

# A、方法：

根据经验判断，确定两次采样允许的最大偏差值（假设设为 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

# B、优点：

能有效克服因偶然因素引起的脉冲干扰

# C、缺点：

无法抑制那种周期性的干扰
平滑度差

# D、代码：

	#if LIMITING
	Data_Typedef Limiting_Filter( Data_Typedef Value, int Range )
	{
	Data_Typedef new_value;

	new_value = Get_AD();
	DUBUG_PRINTF("A%f\r\n", new_value);
	if((new_value - Value > Range)
	\|\| (Value - new_value > Range))
	{
	return Value;
	}

	return new_value;
	}

	#endif /* LIMITING */

# 中位值滤波法

# A、方法：

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

# B、优点：

能有效克服因偶然因素引起的波动干扰
对温度、液位的变化缓慢的被测参数有良好的滤波效果

# C、缺点：

对流量、速度等快速变化的参数不宜

# D、代码：

	#if MEDIAN
	Data_Typedef Median_Filter( int Count )
	{
	int i,j;
	Data_Typedef temp;
	Data_Typedef *str;

	if(0 == Count % 2)
	Count++;

	str = (Data_Typedef)malloc(Count sizeof(Data_Typedef));

	if(str != NULL) {
	for(i = 0; i < Count; i++) {
	temp = Get_AD();
	*(str + i) = temp;
	DUBUG_PRINTF("A%f\r\n", temp);
	Delay(0x10F);
	}
	/* 冒泡排序 */
	for(j = 0; j < Count - 1; j++) {
	for(i = 0; i < Count - j - 1; i++) {
	if((str + i) > (str + i + 1)) {
	temp = *(str + i);
	(str + i) = (str + i + 1);
	*(str + i + 1) = temp;
	}
	}
	}
	} else {
	return -1;
	}

	temp = *(str + (Count-1)/2);

	free(str);

	return temp;
	}

	#endif /* MEDIAN */

# 算术平均滤波法

# A、方法：

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，N=12；压力：N=4

# B、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

# C、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

# D、代码：

	#if MEAN
	Data_Typedef Mean_Filter( int Count )
	{
	int i;
	Data_Typedef temp;
	Data_Typedef sum = 0;

	for(i = 0; i < Count; i++) {
	temp = Get_AD();
	sum += temp;
	DUBUG_PRINTF("A%f\r\n", temp);
	Delay(0x10F);
	}

	return (Data_Typedef)(sum / Count);
	}

	#endif /* MEAN */

# 递推平均滤波法

# A、方法：

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：流量，N=12；压力：N=4；液面，N=4 ~ 12；温度，N=1 ~ 4

# B、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

# C、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

# D、代码：

	#if RECURSIVE_MEAN
	Data_Typedef Recursive_Mean_Filter( int Count )
	{
	static int Start = 0;
	static int Num = 0;
	int i;
	Data_Typedef temp;
	Data_Typedef sum = 0;
	Data_Typedef *str;

	if(0 == Start) {
	Start = Count;
	str = (Data_Typedef*)calloc(Count, sizeof(Data_Typedef));
	} else if(Start != Count) {
	Start = Count;
	str = (Data_Typedef*)realloc(str, Count); // 重新分配
	}

	if(str != NULL) {
	temp = Get_AD();
	*(str + Num++) = temp;
	DUBUG_PRINTF("A%f\r\n", temp);
	// 覆盖最早采样的数据，相当于递推数据 FIFO
	if(Num >= Count)
	Num = 0;

	for(i = 0; i < Count; i++) {
	sum += *(str + i);
	}
	} else {
	return -1;
	}

	return (Data_Typedef)(sum / Count);
	}

	#endif /* RECURSIVE_MEAN */

# 中位值平均滤波法

# A、方法：

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
N 值的选取：3~14

# B、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

# C、缺点：

测量速度较慢，和算术平均滤波法一样
比较浪费 RAM

# D、代码：

	#if MEDIAN_MEAN
	Data_Typedef Median_Mean_Filter( int Count )
	{
	int i,j;
	Data_Typedef temp;
	Data_Typedef sum = 0;
	Data_Typedef *str;

	if(0 == Count % 2)
	Count++;

	str = (Data_Typedef)malloc(Count sizeof(Data_Typedef));

	if(str != NULL) {
	for(i = 0; i < Count; i++) {
	temp = Get_AD();
	*(str + i) = temp;
	DUBUG_PRINTF("A%f\r\n", temp);
	Delay(0x10F);
	}
	for(j = 0; j < Count - 1; j++) {
	for(i = 0; i < Count - j - 1; i++) {
	if((str + i) > (str + i + 1)) {
	temp = *(str + i);
	(str + i) = (str + i + 1);
	*(str + i + 1) = temp;
	}
	}
	}
	} else {
	return -1;
	}

	/* 去除最大最小极值后求平均 */
	for(i = 1; i < Count - 1; i++)
	sum += *(str + i);

	free(str);

	return (Data_Typedef)(sum / (Count - 2));
	}

	#endif /* MEDIAN_MEAN */

# 限幅平均滤波法

# A、方法：

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

# B、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

# C、缺点：

比较浪费 RAM

# D、代码：

	#if LIMITING_MEAN
	Data_Typedef Limiting_Mean_Filter( int Range, int Count )
	{
	static int Start = 0;
	static int Num = 0;
	static Data_Typedef Value = 0;
	int i;
	Data_Typedef new_value;
	Data_Typedef sum = 0;
	Data_Typedef *str;

	if(0 == Start) {
	Start = Count;
	Value = Get_AD();
	str = (Data_Typedef*)calloc(Count, sizeof(Data_Typedef));
	} else if(Start != Count) {
	Start = Count;
	Value = Get_AD();
	str = (Data_Typedef*)realloc(str, Count); // 重新分配
	}

	if(str != NULL) {
	new_value = Get_AD();
	if((new_value - Value > Range)
	\|\| (Value - new_value > Range))
	{
	*(str + Num++) = Value;
	} else {
	*(str + Num++) = new_value;
	Value = new_value;
	}
	DUBUG_PRINTF("A%f\r\n", Value);

	if(Num >= Count)
	Num = 0;

	for(i = 0; i < Count; i++) {
	sum += *(str + i);
	}
	} else {
	return -1;
	}

	return (Data_Typedef)(sum / Count);
	}

	#endif /* LIMITING_MEAN */

# 一阶滞后滤波法

# A、方法：

取滤波系数 a=0~1
本次滤波结果 =（1-a）× 上次滤波结果 + a× 本次采样值

# B、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

# C、缺点：

相位滞后，灵敏度低
滞后程度取决于 a 值大小
不能消除滤波频率高于采样频率的 1/2 的干扰信号

# D、代码：

	#if LOW_PASS
	Data_Typedef Low_Pass_Filter( Data_Typedef Value, float Factor )
	{
	Data_Typedef new_value;

	new_value = Get_AD();
	DUBUG_PRINTF("A%f\r\n", new_value);
	new_value = (Data_Typedef)(new_value * Factor + (1.0f - Factor) * Value);

	return new_value;
	}

	#endif /* LOW_PASS */

# 加权递推平均滤波法

# A、方法：

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

# B、优点：

适用于有较大纯滞后时间常数的对象
和采样周期较短的系统

# C、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

# D、代码：

	#if WEIGHTED_RECURSIVE_MEAN
	Data_Typedef Weighted_Recursive_Mean_Filter( char *Weight_factor, int Count )
	{
	static int Sum_coe;
	static int Start = 0;
	static int Num = 0;
	int i;
	Data_Typedef temp;
	Data_Typedef sum = 0;
	Data_Typedef *str;

	if(0 == Start) {
	Start = Count;
	str = (Data_Typedef*)calloc(Count, sizeof(Data_Typedef));
	for(i = 0; i < Count; i++) {
	Sum_coe += *(Weight_factor + i);
	}
	} else if(Start != Count) {
	Start = Count;
	str = (Data_Typedef*)realloc(str, Count); // 重新分配
	for(i = 0; i < Count; i++) {
	Sum_coe += *(Weight_factor + i);
	}
	}

	if(str != NULL) {
	temp = Get_AD();
	*(str + Num++) = temp;
	DUBUG_PRINTF("A%f\r\n", temp);
	// 覆盖最早采样的数据，相当于递推数据 FIFO
	if(Num >= Count)
	Num = 0;

	for(i = 0; i < Count; i++) {
	sum += (str + i) *(Weight_factor + i);
	}
	} else {
	return -1;
	}

	return (Data_Typedef)(sum / Sum_coe);
	}

	#endif /* WEIGHTED_RECURSIVE_MEAN */

# 消抖滤波法

# A、方法：

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

# B、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

# C、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

# D、代码：

	#if DEBOUNCE
	Data_Typedef Debounce_Filter( Data_Typedef Value, int Count )
	{
	static int Num = 0;
	Data_Typedef new_value;

	new_value = Get_AD();
	DUBUG_PRINTF("A%f\r\n", new_value);
	if(Value != new_value) {
	Num++;
	if(Num > Count) {
	Num = 0;
	Value = new_value;
	}
	}
	else
	Num = 0;

	return Value;
	}

	#endif /* DEBOUNCE */

# 限幅消抖滤波法

# A、方法：

相当于 “限幅滤波法” + “消抖滤波法”
先限幅，后消抖

# B、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

# C、缺点：

对于快速变化的参数不宜

# D、代码：

	#if LIMITING_DEBOUNCE
	Data_Typedef Limiter_Debounce_Filter( Data_Typedef Value, int Range, int Count )
	{
	static int Num = 0;
	Data_Typedef new_value;

	new_value = Get_AD();
	DUBUG_PRINTF("A%f\r\n", new_value);
	if((new_value - Value > Range)
	\|\| (Value - new_value > Range))
	{
	new_value = Value;
	}

	if(Value != new_value) {
	Num++;
	if(Num > Count) {
	Num = 0;
	Value = new_value;
	}
	}
	else
	Num = 0;

	return Value;
	}

	#endif /* LIMITING_DEBOUNCE */

history 算法

# 限幅滤波法（又称程序判断滤波法）

# A、方法：

# B、优点：

# C、缺点：

# D、代码：

# 中位值滤波法

# A、方法：

# B、优点：

# C、缺点：

# D、代码：

# 算术平均滤波法

# A、方法：

# B、优点：

# C、缺点：

# D、代码：

# 递推平均滤波法

# A、方法：

# B、优点：

# C、缺点：

# D、代码：

# 中位值平均滤波法

# A、方法：

# B、优点：

# C、缺点：

# D、代码：

# 限幅平均滤波法

# A、方法：

# B、优点：

# C、缺点：

# D、代码：

# 一阶滞后滤波法

# A、方法：

# B、优点：

# C、缺点：

# D、代码：

# 加权递推平均滤波法

# A、方法：

# B、优点：

# C、缺点：

# D、代码：

# 消抖滤波法

# A、方法：

# B、优点：

# C、缺点：

# D、代码：

# 限幅消抖滤波法

# A、方法：

# B、优点：

# C、缺点：

# D、代码：

排序算法（Sorting algorithm）

CPU、MPU、MCU、SoC、MCM 介绍