单片机信号处理：移动平均滤波原理、优化实现与工程实践

你是不是也遇到过这种情况：用单片机采集传感器数据时，数值总是跳来跳去，像心电图一样不稳定？明明温度没变，ADC读回来的值却在±5个LSB之间波动；电机转速恒定，但测速脉冲计数却忽高忽低。这些“毛刺”和“噪声”不仅让显示界面闪烁，更会直接导致控制算法误判，让整个系统变得不可靠。

问题的根源往往不是传感器坏了，而是无处不在的环境电磁干扰、电源纹波以及传感器自身的量化误差。直接使用这些“原始数据”进行逻辑判断或控制输出，无异于在沙地上盖楼。今天要讨论的移动平均滤波，就是解决这个问题的第一道，也是最常用、最有效的“防线”。

与那些听起来高大上但实现复杂的卡尔曼滤波、IIR滤波不同，移动平均滤波的核心思想极其朴素：用历史数据的“集体智慧”来平滑当前数据的“个体波动”。它不涉及复杂的数学推导，计算量极小，特别适合51、STM32这类资源有限的单片机。但朴素不等于简单，窗口长度怎么选？数据类型用int还是float？如何避免累积误差？这些细节才是决定滤波效果和系统稳定性的关键。

本文将带你彻底搞懂单片机上的移动平均滤波。我们不只讲“是什么”，更聚焦“怎么用”和“为什么这么用”。你会看到从最基本的算法推导，到针对单片机优化的队列式实现，再到防止溢出的定点数技巧，以及如何根据信号特性科学选择窗口大小。最后，我们将用一个完整的、可复制的51单片机ADC采集滤波实例，把理论变成你屏幕上的稳定波形。

1. 移动平均滤波：为什么它是单片机信号处理的“第一课”？

在深入代码之前，我们必须先建立正确的认知：移动平均滤波不是一个“高级”算法，而是一个工程必需品。它的首要目标不是追求最优的数学性能，而是在有限的CPU资源和内存下，快速、稳定地提升信号质量。

它解决了什么问题？

1. 抑制随机噪声：对于叠加在真实信号上的高频随机噪声（如白噪声），平均运算能有效将其幅度降低。噪声是随机的，有正有负，多次平均后倾向于相互抵消。
2. 平滑数据抖动：使输出曲线变得平滑，便于后续的阈值判断、显示或记录。这对于制作数码管显示、波形绘制等场景至关重要。
3. 降低误触发概率：在按键检测、边缘触发等场景中，未经滤波的信号可能因噪声产生多次误触发，平均滤波可以提供一个稳定的判断基准。

它的局限性是什么？（先知道坑在哪）

• 滞后性（相位延迟）：这是移动平均滤波最核心的代价。输出是过去N个点的平均，因此输出变化永远比输入真实变化“慢半拍”。窗口越大，滞后越严重。这对于实时性要求高的控制系统（如无人机姿态控制）可能是致命的。
• 对周期性干扰抑制有限：对于工频干扰（50/60Hz）这种有规律的周期性噪声，普通移动平均滤波效果不佳，需要根据干扰周期专门设计窗口长度或使用其他滤波方法。
• 无法区分噪声与突变：如果真实信号本身突然发生大幅度阶跃，滤波器会把这个突变“平滑”成一个缓慢上升的过程，从而扭曲了真实信息。

所以，移动平均滤波的适用场景非常明确：处理变化相对缓慢，但对瞬时噪声敏感的信号。例如温度、湿度、压力、电池电压、低速下的转速测量等。

2. 核心原理：从“算术平均”到“移动窗口”

我们先从最基础的算术平均说起。假设我们采集了10个数据：data[0]到data[9]。它们的算术平均值是：average = (data[0] + data[1] + ... + data[9]) / 10

这叫做一次平均。但我们的数据是持续不断来的（第11个、第12个……）。最笨的方法是每次收到新数据，都重新计算最近10个数的和再求平均。计算量是O(N)，每次都需要进行N-1次加法、1次除法，对于单片机来说，当N较大时（比如50），在中断服务程序里这么干很可能导致中断处理超时。

移动平均滤波的优化精髓在于：它维护了一个“数据窗口”和一个“窗口和”。当新数据data_new到来时：

1. 从“窗口和”中减去最早的那个旧数据data_old。
2. 将新数据data_new加入“窗口和”。
3. 将新数据放入窗口，并淘汰最早的数据（通常是循环队列）。
4. 用新的“窗口和”除以窗口长度N，得到当前输出。

这样，每次更新只需要一次加法、一次减法和一次除法，计算量是O(1)，与窗口大小N无关！这是它能应用于实时单片机的关键。

我们可以用一个表格来对比两种思路：

3. 环境与思维准备：单片机的资源约束

在电脑上写算法，我们可以随意使用float、动态数组。在单片机上，我们必须“斤斤计较”。

1. 数据类型选择：

   • int还是float？优先使用整数（int16_t,int32_t）。大多数8位或16位单片机没有硬件浮点单元（FPU），浮点运算靠软件模拟，速度慢百倍。ADC采集的结果通常是整数（如0-4095），用整数处理天经地义。
   • 决定数据范围：根据ADC位数和可能的最大累加值选择。例如12位ADC最大值4095，窗口长度N=10，则最大窗口和约为40950，仍在16位整数（-32768~32767）范围内吗？不，溢出了！所以必须使用uint32_t或int32_t来存储累加和。

2. 窗口数据结构：

   • 循环队列是标准答案：用一个固定长度的数组buffer[N]和一个指向当前写入位置的索引index来实现。新数据覆盖最老的数据。
   • 避免使用链表：动态内存分配在单片机中是大忌，容易产生碎片且效率低。

3. 除法运算优化：

   • 如果窗口长度N是2的幂次（如2,4,8,16,32），那么除法可以用右移运算来代替。average = sum >> 3;等价于average = sum / 8;，速度极快。
   • 如果N不是2的幂次，对于性能极其苛刻的场景，可以考虑使用定点数或近似算法。

4. 两种经典实现：从基础版到优化版

4.1 基础实现（易懂但低效）

我们先看一个最直观但低效的实现，用于理解流程：

// 低效的移动平均滤波示例（仅用于理解，不推荐实际使用） #define N 10 uint16_t buffer[N]; uint8_t count = 0; uint16_t Moving_Average_Simple(uint16_t new_value) { uint32_t sum = 0; uint8_t i; // 将新值存入缓冲区 if(count < N) { buffer[count] = new_value; count++; } else { // 缓冲区已满，整体前移一位（效率最低的操作！） for(i = 0; i < N-1; i++) { buffer[i] = buffer[i+1]; } buffer[N-1] = new_value; } // 计算总和 for(i = 0; i < count; i++) { sum += buffer[i]; } // 返回平均值 return (uint16_t)(sum / count); }

问题分析：每次插入新数据，如果缓冲区满了，都需要进行N-1次数据搬移（for循环），这是一个O(N)的操作。在高速采样的中断里，这是不可接受的。

4.2 优化实现（循环队列法）

这是单片机中的标准实现，务必掌握。

// 高效的移动平均滤波实现（循环队列） #define FILTER_WINDOW_SIZE 10 // 窗口长度，建议为2的幂次以便优化 typedef struct { uint16_t buffer[FILTER_WINDOW_SIZE]; // 数据窗口 uint32_t sum; // 窗口内数据的和 uint8_t index; // 当前写入位置索引 uint8_t is_full; // 窗口是否已填满标志 } MovingAverageFilter; // 初始化滤波器 void MovingAverageFilter_Init(MovingAverageFilter* filter) { uint8_t i; for(i = 0; i < FILTER_WINDOW_SIZE; i++) { filter->buffer[i] = 0; } filter->sum = 0; filter->index = 0; filter->is_full = 0; } // 输入新数据，并返回滤波后的值 uint16_t MovingAverageFilter_Update(MovingAverageFilter* filter, uint16_t new_value) { uint16_t old_value; // 如果窗口已满，需要从总和中减去即将被覆盖的旧值 if(filter->is_full) { old_value = filter->buffer[filter->index]; filter->sum = filter->sum - old_value + new_value; } else { // 窗口未满，直接累加 filter->sum += new_value; } // 将新值存入窗口 filter->buffer[filter->index] = new_value; // 更新索引，实现循环 filter->index++; if(filter->index >= FILTER_WINDOW_SIZE) { filter->index = 0; filter->is_full = 1; // 索引回到0，说明窗口第一次被填满 } // 计算并返回平均值 if(filter->is_full) { // 窗口已满，除数固定为窗口大小 // 如果 FILTER_WINDOW_SIZE 是2的幂次，这里可以改为：return (uint16_t)(filter->sum >> LOG2(FILTER_WINDOW_SIZE)); return (uint16_t)(filter->sum / FILTER_WINDOW_SIZE); } else { // 窗口未满，除数为当前有效数据个数 return (uint16_t)(filter->sum / filter->index); } }

代码精讲：

1. 使用结构体封装：将滤波器状态（数组、和、索引、标志位）打包，方便管理多个滤波通道。
2. 循环队列：index指针在到达数组末尾后回到0，逻辑上形成一个环，避免了数据搬移。
3. is_full标志位：这是关键技巧。它用来区分窗口“填充阶段”和“稳定运行阶段”。在填充阶段，平均值分母是递增的index；填满后，分母固定为N，计算更规整。
4. O(1)更新：无论窗口多大，每次Update只做一次减法、一次加法、一次赋值、两次判断和一次除法，效率极高。

5. 项目实战：51单片机ADC采集与滤波显示

让我们结合一个具体的场景：用STC89C52（或类似51单片机）采集电位器电压（通过ADC0804或单片机自带的ADC），经移动平均滤波后，将稳定的电压值显示在LCD1602上。

5.1 硬件与工程概览

• MCU: STC89C52RC
• ADC: ADC0804（并行接口）或 STC单片机内置的ADC（需具体型号支持）
• 显示: LCD1602
• 信号源: 电位器分压，模拟传感器电压变化
• 开发环境: Keil C51

5.2 核心代码集成

我们假设你已经完成了ADC驱动和LCD1602驱动的底层函数。

• uint16_t Read_ADC_Value(void): 读取一次ADC原始值（0-255或0-4095）。
• LCD_ShowNum(uint8_t x, uint8_t y, uint16_t num, uint8_t len): 在LCD指定位置显示数字。

主程序滤波流程：

#include <reg52.h> #include <intrins.h> // ... 其他头文件和驱动函数声明 ... #define ADC_FILTER_WINDOW_SIZE 8 // 使用8，方便用移位代替除法 MovingAverageFilter adc_filter; void main() { uint16_t raw_adc, filtered_adc; // 初始化 Init_ADC(); Init_LCD1602(); MovingAverageFilter_Init(&adc_filter); // 初始化滤波器结构体 LCD_ShowString(0, 0, "Raw:"); LCD_ShowString(0, 1, "Filtered:"); while(1) { // 1. 读取ADC原始值 raw_adc = Read_ADC_Value(); // 2. 使用移动平均滤波器处理 filtered_adc = MovingAverageFilter_Update(&adc_filter, raw_adc); // 3. 显示结果（可以转换为电压值显示，此处简化为显示数字） LCD_ShowNum(5, 0, raw_adc, 4); LCD_ShowNum(10, 1, filtered_adc, 4); // 4. 延时，控制采样率。例如，每100ms采样一次。 Delay_ms(100); } }

5.3 优化：使用移位代替除法

由于我们选择了窗口大小N=8（2的3次方），可以将除法优化为右移3位。

修改MovingAverageFilter_Update函数中的返回部分：

// 计算并返回平均值 - 优化版（仅当N为2的幂次时可用） if(filter->is_full) { // 窗口已满，使用右移代替除法。8 = 2^3，所以右移3位。 return (uint16_t)(filter->sum >> 3); } else { // 窗口未满，无法简单移位，仍需除法。但此阶段很短。 return (uint16_t)(filter->sum / filter->index); }

注意：filter->sum必须是uint32_t类型，确保右移前有足够的位数，防止溢出信息丢失。

6. 效果验证与调试技巧

如何知道你的滤波器是否在工作？光看LCD上数字变“稳定”了还不够。

1. 串口绘图验证（强烈推荐）将原始数据raw_adc和滤波后数据filtered_adc通过串口发送到电脑，使用串口绘图工具（如SerialPlot、匿名上位机、VOFA+）查看波形。

• 预期现象：原始信号波形充满高频毛刺，滤波后的信号是一条紧贴原始信号趋势但平滑得多的曲线。
• 调整窗口大小N：你会直观地看到，N越大，曲线越平滑，但滞后也越明显。如果信号本身变化快，滞后会导致滤波后的曲线“跟不上”。

2. 注入测试信号用程序模拟一个“阶跃信号”加“随机噪声”，来测试滤波器性能。

// 在循环中模拟一个带噪声的阶跃信号 static uint16_t simulate_true_value = 1000; if(some_condition) { // 例如按键按下 simulate_true_value = 2000; // 信号发生阶跃 } // 在真实值上叠加一个随机噪声（-20 ~ +20） raw_adc = simulate_true_value + (rand() % 41) - 20; // 然后将raw_adc送入滤波器...

观察滤波器输出是否能平滑地过渡到新的稳定值，以及过渡过程的时间（滞后性）。

7. 常见问题与深度优化指南

7.1 问题排查表

7.2 高级优化技巧

1. 加权移动平均普通移动平均对所有历史数据一视同仁。有时我们希望“越新的数据越重要”。这就是加权移动平均，公式为：output = (w0*new + w1*data[-1] + ... + w(N-1)*data[-(N-1)]) / sum(wi)其中w0 > w1 > ... > w(N-1)。这能在平滑噪声和快速跟踪信号之间取得更好平衡，但计算量稍大。

2. 一阶滞后滤波（低通滤波）这是一种特殊的“窗口大小为无穷大”的加权平均，但计算极其简单：output = (1-alpha) * output + alpha * new_input其中alpha是一个介于0和1之间的系数（通常很小，如0.1）。它不需要存储历史数组，内存占用极小，但滞后性随alpha减小而增大。它是移动平均的一种近似和变体。

3. 移动平均 + 中值滤波 组合对于含有突发性尖峰脉冲噪声的信号（如开关抖动），先使用中值滤波（取窗口内数据的中位数）去除脉冲，再使用移动平均平滑随机噪声，效果极佳。

8. 工程实践与选择建议

如何科学选择窗口大小N？

1. 经验法则：N应远大于噪声的主要周期，但小于你关心的信号变化周期。通常从4、8、16、32开始尝试。
2. 采样定理的考虑：如果你的采样频率是Fs，那么移动平均滤波大致相当于一个截止频率为Fc ≈ Fs / N的低通滤波器。你可以根据你想保留的信号最高频率来反推N。
3. 实时性约束：在控制系统中，滞后时间T_lag ≈ N * T_sam（T_sam为采样周期）。确保这个滞后时间在你的系统允许范围内。

单片机资源评估表

最后的建议：移动平均滤波是你单片机信号处理工具箱中的“瑞士军刀”——简单、可靠、无处不在。掌握它的优化实现和理解其滞后性的本质，比你盲目追求更复杂的滤波算法更重要。在大多数单片机应用场景中，一个正确实现和参数调优的移动平均滤波，足以解决80%的信号噪声问题。

下次当你面对跳动的传感器数据时，不要只想着换更贵的传感器或抱怨电路设计。首先，请熟练地敲出那个循环队列的滤波结构体，它可能就是你项目从“不稳定”走向“可靠”的关键一步。