滤波器开发之五：基于算术平均的限幅滤波器

  通过AD采集数据时，我们总是希望采集到的数据是纯净而真实的，而实际上环境中存在太多的干扰信号，为了让我们得到的数据尽可能地接近实际值，我们需要降低这些干扰信号的影响。所以软件实现的数字滤波器应运而生，这一篇我们就来讨论基于中值算术平均的平滑滤波器。

1、问题的提出

  在我们通过AD采集获取数据时，不可避免会受到干扰信号的影响，而且很多时候我们希望尽可能的将这种影响减到最小。为实现这一目的，人们想了很多办法，有硬件方面的，也有软件方面的。在硬件难以改变或者软件能够达到相应效果时，我们一般采用软件方法来实现，通常称之为数字滤波。

  前面我们实现了基于算术平均的中值平均滤波器。这一滤波器可以解决我们一定频率范围内的周期性干扰和随机性的高频干扰。但是随机性的干扰出现的频次我们是不知道的，所以我们采用去掉固定数量的极大值和极小值时，虽然可以去除掉随机干扰的部分影响，但有两种情况还是会对我们的最终计算产生影响。其一是当随机干扰很频繁，我们去掉固定数量的极大值和极小值时，还会有一些受干扰的数据影响到最后的结果。其二是当随机干扰不频繁时，我们去掉固定数量的极大值和极小值就可能会去掉一些周期干扰所影响的数据，那么我们采用平均值的方法就不能很好的消除周期性干扰的影响。

  为了消除上述两种情况造成的影响，我们需要改进前述的基于算术平均的中值滤波算法。我们注意到我们的每一次的测量与上一次的测量相距时间很短，数据不会有大幅度的变化，超过一定幅度的数据我们就可以认为它是受到干扰的数据，去除这些受到干扰的数据，我们就可以得到相对理想的结果。

2、算法设计

  前面我们已经描述了问题的来源，这个问题分为两个层次。第一，我们需要去除不同种类的干扰信号，所以我们必须设计一个针对多种干扰信号的滤波算法。第二，我们需要为丢弃固定数量极大值和极小值，而造成的周期干扰的影响不平衡，导致的算术平均算法不能完全消除周期干扰。

  对于第一个层面的问题，其实与上一篇中所描述的问题是一致的。我们知道主要的干扰信号是相对频率较低的周期干扰和相对频率较高的非周期干扰，我们将分析这两种信号的特点并针对性的采取相应的滤波手段。