递推最小二乘法(RLS)在物联网边缘计算中的应用：传感器数据实时滤波指南

递推最小二乘法(RLS)在物联网边缘计算中的应用：传感器数据实时滤波指南

如果你正在开发一个需要实时处理传感器数据的物联网设备，比如一个智能农业的温湿度监测节点，或者一个工业现场的振动传感器，你很可能已经遇到了一个经典难题：如何在不依赖强大云端算力的情况下，让设备自身就能从充满噪声的原始信号中，提取出稳定、可靠的有效信息？传统的批处理最小二乘法需要存储所有历史数据，这对于内存和计算资源都极其有限的微控制器（MCU）来说，几乎是不可行的。这时，递推最小二乘法（Recursive Least Squares, RLS） 的价值就凸显出来了。它像一位经验丰富的“在线学徒”，每获得一个新的数据点，就立刻更新一次对世界的认知模型，而无需回头翻阅所有旧账本。

这篇文章就是为你——奋战在嵌入式开发和物联网一线的工程师——准备的实战手册。我们不会过多纠缠于复杂的矩阵推导（那是教科书和理论论文的领域），而是直接切入核心：如何在Arduino、ESP32这类资源受限的边缘设备上，高效、稳定地实现RLS算法，并将其应用于传感器数据的实时滤波与预测。 我们将一起探讨如何将浮点运算转化为定点数以节省资源，如何处理恼人的数据丢失问题，如何巧妙设置“遗忘因子”让算法适应时变系统，并最终通过一个完整的温湿度传感器数据滤波案例，让你看到代码如何真正跑起来。让我们开始吧。

1. 理解边缘计算场景下的RLS：为何是它，而非其他？

在深入代码之前，我们必须先建立共识：为什么在物联网边缘侧，RLS是一个值得考虑的选项？这源于边缘设备面临的几个核心约束：有限的内存（RAM/Flash）、较低的时钟频率（MHz级别）、严格的实时性要求，以及持续的电池供电需求。

1.1 对比常见滤波算法：RLS的独特优势

面对传感器噪声，工程师们手头有很多工具。我们先快速对比一下：

算法名称	核心原理	计算复杂度	内存需求	适用场景	在边缘侧的挑战
移动平均/滑动窗口	取最近N个数据的算术平均	O(N)	需存储N个历史数据	平滑高频随机噪声	窗口大小N与延迟、内存正相关；对阶跃响应差。
一阶低通滤波	y_k = α * x_k + (1-α) * y_{k-1}	O(1)	仅需存储上一个输出	滤除高频噪声，简单有效	参数α固定，无法自适应；对复杂噪声模式效果有限。
卡尔曼滤波	基于状态空间模型的最优估计	O(n³) (n为状态维数)	需维护协方差矩阵	动态系统状态估计	模型要求精确，实现复杂，对MCU计算负担重。
递推最小二乘法	在线更新线性模型参数	O(d²) (d为特征数)	需维护逆协方差矩阵P (d×d)	系统辨识、自适应滤波、实时预测	需要矩阵运算，但维度d通常很小（2-5），可优化。

从上表可以看出，当你的需求不仅仅是平滑，而是希望设备能在线学习一个输入与输出之间的线性关系模型时，RLS就进入了首选名单。例如，你想用多个传感器的读数（温度、湿度、光照）来联合预测一个难以直接测量的量（如蒸发量），或者你想实时补偿传感器随时间的漂移，RLS提供了一种数学上优雅且计算上可行的方案。

注意：RLS假设系统模型是线性的。对于许多传感器在合理范围内的响应，这是一个有效的近似。如果非线性很强，则需要考虑其他方法或对输入进行特征工程（如加入平方项）。

1.2 RLS在边缘设备上的工作流程剪影

让我们暂时抛开公式，用一段“伪代码”感受一下RLS在设备上的心跳节拍：

// 初始化：设定模型参数维度d，初始化参数向量theta和矩阵P
void rls_init() {
    theta = [0, 0, ...]; // d维向量，初始猜测
    P = large_number * eye(d); // d×d矩阵，初始不确定性很大
    lambda = 0.99; // 遗忘因子，稍后详解
}

// 每次传感器数据到达时调用
void process_new_data(float* sensor_inputs, float observed_output) {
    // 1. 计算预测误差
    float prediction = dot_product(theta, sensor_inputs); // 模型预测值
    float error = observed_output - prediction;

    // 2. 计算增益向量K (RLS的核心魔法)
    //    这里涉及矩阵运算: K = P * inputs / (lambda + inputs^T * P * inputs)
    compute_gain_vector(K, P, sensor_inputs, lambda);

    // 3. 更新参数向量theta
    //    theta = theta + K * error
    update_parameters(theta, K, error);

    // 4. 更新逆协方差矩阵P
    //    P = (P - K * inputs^T * P) / lambda
    update_matrix_P(P, K, sensor_inputs, lambda);

    // 5. 输出滤波后的值（即当前模型的预测值）
    output_filtered_value(prediction);
}

这个循环会随着每一个新数据点而执行。你可以看到，它不需要保存历史数据队列，只需要维护固定大小的 theta 和 P。这就是其“递推”和“内存友好”的本质。

2. 攻克资源受限硬件的实现难题

理论很美好，但把RLS塞进一个只有几十KB内存、没有硬件浮点单元（FPU）的MCU里，就是另一场战斗了。本章节我们解决三个最实际的工程问题：定点数运算、数据丢失处理、遗忘因子调参。

2.1 从浮点到定点：精度与速度的权衡

大多数教科书上的RLS使用双精度浮点数。但在许多8位或32位（无FPU）的MCU上，浮点运算尤其是除法，是极其耗时的。定点数运算将小数转换为整数进行运算，能大幅提升速度。

关键策略：Q格式表示法 我们使用 Qm.n 格式，表示一个数有 m 位整数位和 n 位小数位。例如，Q1.15 在16位整数中，使用1位符号位、1位整数位和15位小数位，能表示的范围约为 [-2, 2)，精度为 1/32768。

RLS定点化步骤：

1. 确定动态范围：分析你的传感器数据、中间变量（如增益K、矩阵P元素）可能的最大最小值。
2. 选择合适的Q格式：为不同类型的变量（输入、输出、参数theta、矩阵P）分别选择，确保运算中不会溢出且精度损失可接受。
3. 重写核心运算：将浮点运算转换为定点运算，特别注意乘法后的移位操作和除法的处理。

// 示例：定点数向量点积 (Q1.15格式)
int16_t dot_product_fixed(int16_t* vec_a, int16_t* vec_b, int length) {
    int32_t acc = 0; // 使用32位累加器防止溢出
    for(int i=0; i<length; i++) {
        acc += (int32_t)vec_a[i] * (int32_t)vec_b[i]; // 结果在Q2.30
    }
    acc >>= 15; // 移回Q1.15格式
    return (int16_t)acc;
}

// 示例：定点数除法 (近似计算，使用查表或迭代法)
int16_t divide_fixed(int16_t numerator, int16_t denominator) {
    // 简单实现：先提升精度再做整数除法
    // 更优方案可使用牛顿迭代法或查表法
    int32_t num_32 = (int32_t)numerator << 15;
    return (int16_t)(num_32 / denominator); // 结果约在Q1.15
}

提示：在资源允许的情况下，可以混合使用定点数和浮点数。例如，对精度要求最高的参数更新部分使用定点数，而在初始化或配置阶段使用浮点数。ARM Cortex-M4F等带FPU的芯片则可以直接使用单精度浮点，简化开发。

2.2 应对数据丢失与异常值：鲁棒性增强

物联网网络并不稳定，传感器也可能偶尔抽风。RLS算法对异常数据非常敏感，一次错误的更新可能让模型“跑偏”很久。我们需要给它增加“免疫力”。

• 数据有效性检查：在更新前，先判断新数据是否在合理物理范围内。

  if (temperature < -40.0 || temperature > 85.0) {
      // 超出传感器标称范围，丢弃此数据点
      return;
  }
  

• 新息检测：RLS中的 error（观测值-预测值）被称为“新息”。如果 error 的绝对值远大于历史平均误差，这可能是一个异常点。

  float abs_error = fabs(error);
  if (abs_error > 3.0 * sqrt(expected_error_variance)) {
      // 疑似异常值，可选择丢弃，或使用一个缩小的增益
      K *= 0.1; // 大幅降低本次更新的影响力
  }
  

• 冻结更新：当检测到连续多次数据无效或异常时，可以暂时冻结 theta 和 P 的更新，仅使用当前模型进行预测，直到数据恢复稳定。

2.3 遗忘因子的艺术：让模型记住多久的历史？

标准RLS会记住所有历史数据，并赋予同等权重。但在实际环境中，系统特性可能会缓慢变化（如传感器老化、环境模式改变）。我们需要让算法“忘记”久远的历史，更关注近期数据。这就是遗忘因子 λ 的作用。

• 原理：在更新 P 矩阵时，引入 λ (0 < λ ≤ 1)。公式变为 P_k = (P_{k-1} - K_k * X_k * P_{k-1}) / λ。λ 越小，遗忘得越快。
• 影响：
  • λ = 1：无限记忆，适用于静态系统。
  • λ < 1：指数遗忘旧数据。有效数据窗长度约为 1/(1-λ)。例如 λ=0.99，则大约最近100个数据点主导了当前模型。
• 如何选择：
  • 这是一个需要根据具体系统调试的超参数。
  • 从 λ=0.995 开始尝试。如果模型跟踪快速变化的能力不足（显得“迟钝”），就减小λ（如0.98）。如果模型对噪声过于敏感（输出抖动大），就增大λ（如0.998）。
  • 可以设计自适应遗忘因子，当预测误差持续增大时，自动调小λ以加快跟踪；当误差小时，调大λ以增强平滑效果。

3. 实战：基于Arduino的温湿度传感器实时滤波

现在我们用一个具体的例子，把前面所有的知识串联起来。我们将使用常见的DHT22温湿度传感器和Arduino Uno，目标是滤除湿度读数中的随机噪声，得到一个更平滑、更可靠的趋势线。

硬件清单：

• Arduino Uno (ATmega328P, 2KB RAM, 32KB Flash)
• DHT22 温湿度传感器

设计目标： 我们假设当前湿度值与前一时刻的湿度值存在较强的线性相关性（这是一个简单的一阶自回归模型，AR(1)）。我们的RLS模型就是学习这个关系：H_t = θ * H_{t-1}。这里特征维度 d=1，输入 X_k 就是 H_{t-1}，参数 θ 是一个标量，矩阵 P 也是一个标量。

3.1 代码实现与解析

由于Arduino Uno资源极其有限，我们采用单精度浮点实现，并简化模型。在实际更复杂的模型中，你可能需要采用前面介绍的定点数方法。

#include <DHT.h>

#define DHTPIN 2
#define DHTTYPE DHT22
DHT dht(DHTPIN, DHTTYPE);

// RLS 参数 (标量版本，用于AR(1)模型)
float theta = 0.9; // 初始猜测：当前湿度与前一湿度高度相关
float P = 1000.0; // 初始不确定性，设置一个较大的值
float lambda = 0.98; // 遗忘因子

float last_humidity = 50.0; // 上一次的湿度读数，初始值
float filtered_humidity = 50.0; // 滤波后的输出

void setup() {
  Serial.begin(115200);
  dht.begin();
  Serial.println("Time(ms),Raw_Humidity,Filtered_Humidity,Theta");
}

void loop() {
  delay(2000); // DHT22读取间隔建议>=2秒

  // 读取原始湿度
  float raw_h = dht.readHumidity();
  if (isnan(raw_h)) {
    Serial.println("Failed to read from DHT sensor!");
    return;
  }

  // --- RLS 核心更新步骤 ---
  // 1. 准备输入 (对于AR(1)，输入就是上一次的滤波输出)
  float x = filtered_humidity; // 注意：这里使用滤波后的值作为输入，构成一个闭环，稳定性更好。

  // 2. 计算预测和误差
  float prediction = theta * x;
  float error = raw_h - prediction;

  // 3. 计算增益 (标量，公式简化)
  float K = (P * x) / (lambda + x * P * x);

  // 4. 更新参数
  theta = theta + K * error;

  // 5. 更新逆协方差矩阵 (标量)
  P = (P - K * x * P) / lambda;

  // 6. 输出当前滤波值 (即预测值)
  filtered_humidity = prediction; // 或者使用 theta * x 重新计算

  // --- 记录与输出 ---
  Serial.print(millis()); Serial.print(",");
  Serial.print(raw_h); Serial.print(",");
  Serial.print(filtered_humidity); Serial.print(",");
  Serial.println(theta);

  // 为下一次循环做准备
  last_humidity = raw_h;
}

代码关键点解读：

1. 输入选择：我们没有使用原始的 last_humidity，而是使用了上一次的 filtered_humidity 作为模型输入。这形成了一个“先滤波，再用于预测”的良性循环，通常比直接使用带噪声的旧观测值更稳定。
2. 标量运算：因为模型简单，所有运算都是标量，避免了矩阵操作，极大降低了计算负担。
3. 输出：滤波后的湿度值就是模型的预测值 prediction。这个值比原始值 raw_h 平滑得多。

3.2 结果分析与调试技巧

将串口数据导入到绘图软件（如Python的Matplotlib或Excel），你会看到两条曲线。原始数据曲线会有明显的毛刺，而滤波后的曲线则平滑地跟踪着湿度的主要变化趋势。

• 如果滤波曲线滞后严重：这说明模型跟踪太慢。尝试减小遗忘因子 λ（如从0.98降到0.95），让算法更快地适应新变化。
• 如果滤波曲线仍有较多高频抖动：说明噪声抑制不够。尝试增大 λ（如到0.99），或者检查你的模型是否太简单。也许需要引入温度作为另一个输入特征，构建一个多变量模型 H_t = θ1*H_{t-1} + θ2*T_t，这时代码中的 theta 和 P 将变为向量和矩阵，计算量会增加，但可能效果更好。
• 参数θ的收敛：观察输出的 Theta 值。在系统稳定时，它应该收敛到一个相对稳定的值附近（比如0.95左右，表示当前湿度与前一时刻湿度高度相关）。如果它剧烈波动，可能是数据噪声太大或λ设置不当。

4. 超越滤波：RLS在边缘智能中的更多可能

掌握了基本的实时滤波后，我们可以将RLS的应用视野放宽。它不仅是“滤波器”，更是一个轻量级的“在线学习引擎”。

应用一：多传感器融合与软测量 在农业物联网中，我们可能想实时估算土壤的蒸发量，但直接测量蒸发量传感器昂贵且易损。我们可以利用RLS，在线学习温度、湿度、风速、日照强度与蒸发量之间的线性关系模型。部署后，设备只需采集前四种廉价传感器的数据，就能实时推算出蒸发量。

// 模型：Evaporation = θ0 + θ1*Temp + θ2*Humidity + θ3*WindSpeed + θ4*SolarRad
// 初始化 theta 为5维向量，P为5x5矩阵。
// 在训练阶段，需要一段时间的“真值”蒸发量数据来在线更新theta。
// 训练完成后，固定theta，即可用于实时预测。

应用二：自适应传感器校准与漂移补偿 某些传感器的输出会随时间或环境发生缓慢漂移。我们可以设定一个参考点或利用另一个更稳定传感器的读数作为“真值”，使用RLS在线估计出一个校准参数（如斜率a和偏移b），动态修正漂移传感器的读数：Corrected = a * Raw + b。

应用三：异常检测的副产品 RLS计算出的预测误差序列本身就是一个强大的信号。在系统正常运行下，误差应是小幅随机波动的。如果误差突然持续增大，可能意味着传感器故障、模型失效（系统特性突变）或发生了异常事件。可以设置误差的统计阈值，实现轻量级的边缘侧异常报警。

将RLS部署到边缘设备，就像赋予设备一个会自我调整的小脑。它不再只是机械地收集和上传数据，而是开始具备初步的理解和适应能力。从实现一个简单的湿度滤波开始，逐步尝试更复杂的模型，你会深刻体会到，在资源与智能之间寻找平衡，是边缘计算中最迷人的工程挑战之一。