低成本MCU传感器滤波实战：软件算法提升数据稳定性（从10位提升到11~14位）

摘要：本文面向嵌入式开发者，聚焦传感器数据采集中的抗干扰与数据稳定性问题。通过极值剔除、滑动平均、二阶滤波三种软件滤波算法的有机组合，在低成本 MCU 上即可实现高稳定性的数据采集，无需更换昂贵硬件。文中给出推荐组合链路「极值剔除 → 滑动平均 → 二阶滤波」，并配套完整的工程代码与调优建议，帮助读者快速落地。 传感器数据跳变导致控制误判，是嵌入式开发中最常见也最棘手的问题之一。本文不依赖昂贵硬件，而是通过极值剔除、滑动平均、二阶滤波等软件算法的有机组合，在低成本 MCU 上实现高稳定性的数据采集。全文从单点算法讲起，逐步串联采样、滤波、精度提升与实时调度，最终落地为一条完整的工程链路。

在嵌入式开发中，传感器数据跳变往往是最让人头疼的问题之一。明明硬件连接稳固，供电也稳定，但读取到的数值却像心电图一样上下起伏，导致控制逻辑误判，甚至引发执行机构的异常动作。很多初学者遇到这种情况，第一反应是增加硬件滤波电容或者更换更昂贵的传感器，但实际上，通过软件算法优化，完全可以在低成本硬件上实现极高的数据稳定性。

特别是在工业控制和精密测量场景下，数据的“干净”程度直接决定了系统的可靠性。我们不需要追求理论上的完美波形，而是要在有限的计算资源和实时性要求下，找到一套既能剔除突发干扰，又能平滑随机噪声的组合策略。这套策略的核心不在于单一算法的强弱，而在于如何将采样、预处理、滤波和精度提升等环节有机串联起来，形成一个闭环的数据处理流。

本文将深入探讨从原始信号采集到最终数据输出的全过程，重点分享几种经过实战验证的软件抗干扰技巧。无论你是正在调试一个温度采集模块，还是设计一套多通道的工业控制系统，这些基于整数运算和状态机的处理思路，都能帮助你在不增加硬件成本的前提下，显著提升系统的有效分辨率和运行稳定性。接下来的内容将拆解具体的实现步骤，带你一步步构建高可靠的数据采集链路。

在深入细节之前，先通过一张对比表快速了解三种主流算法的特性，方便你根据实际场景做出初步选择：

参数调优速查表

下表汇总了本文涉及的所有关键参数的推荐取值、选择依据与适用场景，方便你在实际项目中快速定位合适的初始值。建议先按「先定响应速度、再补平滑度」的原则确定核心参数，再结合实测微调。

速查要点：极值剔除窗口 N 与采样间隔共同决定抗尖峰能力；滑动平均窗口在平滑与滞后之间权衡，优先选 2 的幂次；二阶滤波先定 alpha 再调 beta，60/20 是多数场景的稳妥起点；过采样每提升 1 位有效位数需 4 倍采样时间，仅适用于低频缓变信号。实际工程中建议按「极值剔除 → 滑动平均 → 二阶滤波」组合使用，必要时在链路最前端叠加过采样。

选型建议：若干扰以偶发尖峰为主，优先选极值剔除；若噪声均匀且可接受一定滞后，滑动平均性价比最高；若既要快速响应又要强平滑，二阶滤波是更优解。实际工程中三者常组合使用，例如先极值剔除再滑动平均。

① 连续采样与极值剔除的抗干扰策略

面对传感器信号中偶尔出现的尖峰干扰，最简单的防御手段往往最有效。我们在实际工程中常采用“连续多次采样 + 极值剔除”的策略。具体做法是：在一个极短的时间窗口内（例如 2 毫秒），连续读取 N 次传感器数据（通常 N 取 5 到 8 次），然后去掉其中的最大值和最小值，再对剩余的数据求平均。

这种方法能有效滤除因电磁脉冲、接触不良或电源波动引起的单点异常跳变。假设我们采集了 6 个数据点，其中混入了一个因干扰产生的极大值和一个极小值，直接求平均会被这两个极端值拉偏，而剔除后再平均，则能还原出真实的信号趋势。这种算法计算量极小，非常适合在资源受限的单片机上运行，且不需要复杂的浮点运算支持。

uint16_t filter_peak_remove(uint16_t *buffer, uint8_t count) {

uint16_t max = 0, min = 0xFFFF;
uint32_t sum = 0;

// 寻找最大值和最小值
for (uint8_t i = 0; i < count; i++) {

if (buffer[i] > max) max = buffer[i];
if (buffer[i] < min) min = buffer[i];
sum += buffer[i];
}

// 剔除最大最小值后求平均
// 注意：count 必须大于 2，否则分母为 0
return (sum – max – min) / (count – 2);
}

这段代码展示了核心逻辑：遍历数组找到极值，累加总和后减去极值，最后除以有效个数。关键在于 count 的选择，过小无法覆盖干扰周期，过大则会影响实时响应速度，一般根据传感器的刷新率和干扰频率动态调整。

边界情况与防御性处理

在实际工程中，极值剔除算法有几个容易被忽视的边界情况需要处理：

• 窗口过小导致除零：当 count <= 2 时，count – 2 为 0，直接触发除零异常。建议在函数入口增加防御判断，count 小于 3 时直接返回原始均值或上一次的有效输出。
• 连续多点干扰：如果干扰不是单点而是连续 2~3 个点，仅剔除一个最大值和一个最小值可能不够。此时可考虑“剔除 K 个极值”的变体，即排序后去掉前后各 K 个点再求平均，代价是引入排序开销。
• 数据饱和与溢出：当 count 较大且 ADC 值接近满量程时，sum 可能超过 16 位范围。务必使用 uint32_t 累加，这正是第⑨节将要详细讨论的溢出风险。

进阶优化：中位值滤波

当干扰点数量较多、或信号本身存在小幅随机抖动时，单纯剔除极值后求平均仍可能被残留的异常点影响。此时可以升级为中位值滤波：对窗口内的 N 个点排序，直接取中间值作为输出。中位值对离群点完全不敏感，抗脉冲干扰能力更强，代价是需要额外的排序运算（N 较小时可用插入排序或冒泡排序，开销可接受）。

// 中位值滤波：对窗口内数据排序后取中间值
// 适用于干扰点较多、需要更强抗脉冲能力的场景
uint16_t filter_median(uint16_t *buffer, uint8_t count) {

// 拷贝到临时数组，避免破坏原始缓冲区
uint16_t tmp[8]; // 假设 count <= 8
for (uint8_t i = 0; i < count; i++) tmp[i] = buffer[i];

// 简单插入排序（count 很小，开销可忽略）
for (uint8_t i = 1; i < count; i++) {

uint16_t key = tmp[i];
int8_t j = i – 1;
while (j >= 0 && tmp[j] > key) {

tmp[j + 1] = tmp[j];
j—;
}
tmp[j + 1] = key;
}

// 取中间值（count 为偶数时取中间两值的平均）
if (count % 2 == 1) {

return tmp[count / 2];
} else {

return (uint16_t)(((uint32_t)tmp[count / 2 – 1] + tmp[count / 2]) / 2);
}
}

工程选型建议

极值剔除与中位值滤波各有适用场景，实际选型可参考以下原则：

• 干扰稀疏（偶发单点尖峰）：优先用极值剔除，计算量最小、响应最快。
• 干扰密集或存在连续毛刺：改用中位值滤波，抗脉冲能力更强。
• 对实时性要求极高：极值剔除单次遍历即可完成，O(N) 复杂度，适合高频中断内调用；中位值滤波涉及排序，建议放在主循环处理。
• 与后续滤波组合：极值剔除常作为第一级预处理，先清除尖峰，再交给滑动平均或二阶滤波平滑随机噪声，形成「极值剔除 → 滑动平均 → 二阶滤波」的经典链路。

② 十六分之一累加和的整数运算优化

在嵌入式系统中，浮点运算不仅消耗 CPU 周期，还可能引入额外的舍入误差。为了在保证精度的同时提升效率，我们可以利用位移操作来替代除法。当我们需要计算滑动平均值时，如果窗口大小设定为 16，那么除以 16 的操作就可以完美转化为右移 4 位（>> 4）。

这种“十六分之一累加和”的思路，本质上是构建一个简单的低通滤波器。每次新数据到来时，将其加入累加器，同时减去最早进入的那个旧数据，保持窗口内的数据总量恒定。由于分母是 2 的幂次，最终的均值计算只需一次移位指令，极大地降低了中断服务程序的执行时间。

#define FILTER_WINDOW 16
uint32_t filter_sum = 0;
uint16_t filter_buffer[FILTER_WINDOW];
uint8_t filter_index = 0;

uint16_t update_filter(uint16_t new_value) {

// 减去即将被覆盖的旧值
filter_sum -= filter_buffer[filter_index];
// 存入新值并累加
filter_buffer[filter_index] = new_value;
filter_sum += new_value;

// 更新索引，实现循环队列
filter_index = (filter_index + 1) % FILTER_WINDOW;

// 右移 4 位等同于除以 16
return (uint16_t)(filter_sum >> 4);
}

这段代码的精妙之处在于用循环队列替代了每次全量求和。传统滑动平均每次都要遍历窗口内全部 16 个点求和，而这里只需一次减法、一次加法和一次移位，时间复杂度从 O(N) 降为 O(1)。无论窗口多大，单点更新的开销都恒定，这对高频中断场景意义重大。

为什么选择 16 而不是其他窗口

窗口大小选 16 并非随意为之，而是兼顾了计算效率与滤波效果：

• 2 的幂次窗口：只有窗口为 2 的幂次时，除法才能转化为移位运算。16 对应右移 4 位，32 对应右移 5 位，均只需 1 个时钟周期；而窗口为 10 或 20 时，编译器只能退化为真正的除法指令，耗时数十个周期。
• 平滑效果适中：16 点窗口对 1kHz 采样率而言对应 16ms 的时间跨度，能有效压制 50Hz 工频干扰（一个工频周期内恰好采样 20 个点，16 点窗口可覆盖大部分周期），同时滞后控制在可接受范围。
• 内存开销合理：uint16_t 缓冲区仅占 32 字节，在资源受限的 MCU 上几乎可以忽略。

溢出风险与防御性设计

虽然代码看似简单，但有一个隐蔽的坑需要提前规避：累加器溢出。当 ADC 为 12 位（满量程 4095）时，16 个点的累加和最大为 4095 × 16 = 65520，恰好逼近 uint16_t 的上限 65535。若窗口增大到 32，或 ADC 升级为 14 位（满量程 16383），16383 × 16 = 262128 会直接溢出 16 位范围。

因此代码中必须使用 uint32_t 作为累加器类型，这正是第⑨节将要详细讨论的溢出风险。此外，filter_sum 在中断和主循环中可能被并发访问，建议声明为 volatile，必要时在读取前短暂关中断，防止读到“撕裂”的中间值。

初始化与首帧处理

循环队列在启动阶段存在一个冷启动问题：缓冲区初始全为 0，前 16 次更新输出的均值会被“稀释”。例如第一次更新时，filter_sum 只有 1 个有效数据，输出却除以 16，导致结果严重偏低。

工程上常用两种方式解决：

• 预热填充：启动时先用当前值连续填充缓冲区 16 次，再开始正常输出，代价是启动阶段多花 16 个采样周期。
• 有效计数法：维护一个 valid_count，前 16 次更新时按实际有效点数求均值，填满后再切换为固定右移 4 位。代码如下：

#define FILTER_WINDOW 16
uint32_t filter_sum = 0;
uint16_t filter_buffer[FILTER_WINDOW];
uint8_t filter_index = 0;
uint8_t valid_count = 0; // 已填充的有效点数

uint16_t update_filter(uint16_t new_value) {

// 减去即将被覆盖的旧值（冷启动阶段旧值为 0，不影响）
filter_sum -= filter_buffer[filter_index];
filter_buffer[filter_index] = new_value;
filter_sum += new_value;
filter_index = (filter_index + 1) % FILTER_WINDOW;

// 冷启动阶段按实际点数求均值，填满后固定右移 4 位
if (valid_count < FILTER_WINDOW) {

valid_count++;
return (uint16_t)(filter_sum / valid_count);
}
return (uint16_t)(filter_sum >> 4);
}

通过这种方式，我们将原本需要几十个个时钟周期的除法运算压缩到了 1-2 个周期，这对于需要在高频中断中处理数据的场景至关重要。同时，整数运算避免了浮点数在微控制器上可能出现的非确定性行为，确保了结果的可重复性。配合冷启动处理，这套滑动平均方案在工程上既高效又稳健，可直接嵌入第⑤节的定时器+DMA 实时采集框架中使用。

③ 二阶滤波算法在噪声抑制中的应用

一阶滤波（即指数加权移动平均）虽然简单，但在面对高频噪声时，往往需要在“响应速度”和“平滑度”之间做艰难取舍。增大滤波系数会导致滞后严重，减小系数则无法有效抑制噪声。此时，引入二阶滤波算法是一个更好的选择。

从一阶到二阶：为什么需要引入阻尼

一阶滤波的递推公式为：

y[n] = y[n-1] + α · (x[n] – y[n-1])

其中 α 是滤波系数（0 < α < 1）。这个公式的本质是：输出向新输入靠近，但每次只靠近 α 的比例。当 α 较大时，输出能快速跟上输入变化，但高频噪声也被大量保留；当 α 较小时，噪声被有效抑制，但输出对真实信号的响应也变得迟钝。

二阶滤波在此基础上引入了一个速度状态变量，相当于在系统中加入了一个阻尼项。它的递推公式可以写成：

位置更新：state[n] = state[n-1] + rate[n-1]
速度更新：rate[n] = rate[n-1] + β · (x[n] – state[n-1])
位置修正：state[n] = state[n-1] + α · (x[n] – state[n-1])

从物理意义上理解，这模拟了弹簧-阻尼系统的运动规律：state 相当于物体的位置，rate 相当于物体的运动速度。当输入信号突然跳变时，位置不会立刻跳到目标值，而是先加速靠近，再因阻尼逐渐减速稳定。这种机制使得算法对突发的毛刺不敏感，而对持续的趋势变化反应灵敏——这正是二阶滤波相比一阶滤波的核心优势。

代码实现：双状态变量递推

下面给出一个可直接嵌入工程的二阶滤波实现。它维护两个状态变量 state（当前值）和 rate（变化率），通过两个独立的系数 alpha 和 beta 分别控制位置跟踪速度和阻尼强度：

/* 二阶滤波状态结构体 */
typedef struct {

int32_t state; // 当前值状态（位置）
int32_t rate; // 变化率状态（速度）
uint8_t alpha; // 位置系数（0-100，越大跟踪越快）
uint8_t beta; // 速度系数（0-100，越大阻尼越小）
} second_order_t;

/* 二阶滤波核心函数 */
int32_t second_order_filter(second_order_t *f, int32_t input) {

int32_t target = input;

// 位置项：向目标值靠近（比例控制）
f->state += ((target – f->state) * f->alpha) / 100;

// 速度项：根据偏差累积变化率（积分控制，引入阻尼）
f->rate += ((target – f->state) * f->beta) / 100;

// 用变化率修正位置，形成二阶动态
f->state += f->rate / 100;

return f->state;
}

这段代码的关键在于两个状态变量的协同：state 负责记录当前输出值，rate 负责记录输出值的变化趋势。当输入发生阶跃时，state 先以 alpha 决定的速度靠近目标，同时 rate 不断累积偏差，推动 state 继续向目标逼近。当 state 接近目标后，偏差变小，rate 的累积速度放缓，系统逐渐稳定——整个过程平滑自然，不会出现一阶滤波那种“要么滞后、要么超调”的两难。

参数整定：alpha 与 beta 的配合

两个系数的取值直接决定了滤波器的动态特性，工程上可按以下原则整定：

• alpha（位置系数）：主导跟踪速度。alpha 越大，输出对输入变化的响应越快，但对噪声的抑制越弱。一般取 40~80。
• beta（速度系数）：主导阻尼特性。beta 越大，系统越“活跃”，超调越明显；beta 越小，系统越“沉稳”，但响应变慢。一般取 alpha 的 1/3~1/2。
• 经验配比：当 alpha = 60、beta = 20 时，系统处于临界阻尼附近，既能快速响应阶跃输入，又不会产生明显超调，是多数传感器场景的稳妥起点。

调参时建议先定 alpha 再调 beta：先用阶跃响应测试确定可接受的上升时间，再逐步增大 beta 观察超调量，直到噪声被抑制到目标范围。若超调明显，优先减小 beta 而非 alpha，这样能在保持响应速度的同时增加阻尼。

边界处理与工程注意事项

在实际工程中，二阶滤波还有几个容易被忽视的细节：

• 输出钳位：滤波结果可能因超调而超出 ADC 的物理范围（如 12 位 ADC 的 0~4095），必须在输出前做饱和钳位，防止后续逻辑读到非法值。
• 整数运算精度：系数 alpha、beta 用 0~100 的整数表示，避免浮点运算。但要注意 (target – state) * alpha 可能超出 16 位范围，务必使用 int32_t 中间变量。
• 冷启动处理：启动时 state 和 rate 均为 0，若直接开始滤波，前几个输出会从 0 缓慢爬升。建议初始化时将 state 预置为首次采样值，rate 置 0，跳过爬升阶段。
• 与滑动平均的衔接：二阶滤波对高频噪声的抑制能力强，但对偶发尖峰的反应相对温和。因此工程上通常先做极值剔除清除尖峰，再做滑动平均压制均匀噪声，最后用二阶滤波进一步平滑——这正是第⑪节综合实战采用的「极值剔除 → 滑动平均 → 二阶滤波」链路。

三种算法实测对比

为了更直观地理解三种算法的差异，我们设计了一组模拟实验：输入信号为叠加了 50Hz 工频干扰和随机脉冲噪声的 1Hz 正弦波，采样率设为 1kHz，分别用极值剔除、滑动平均（窗口 16）和二阶滤波处理，并以 STM32F103 @72MHz 为基准统计计算耗时。实测结果如下：

从实测数据可以看出：极值剔除几乎不引入延迟，但对均匀分布的工频噪声无能为力，信噪比提升有限；滑动平均计算开销最低，能有效压制随机噪声，但 16 点窗口带来的 8ms 滞后在快速响应场景下不可忽视；二阶滤波在信噪比提升和响应速度之间取得了最佳平衡，仅付出约 1.6μs 的计算代价，就能获得 22dB 的增益，且上升沿延迟远小于滑动平均。

因此，在实际工程中推荐按「极值剔除 → 滑动平均 → 二阶滤波」的顺序组合使用：先用极值剔除清除偶发尖峰，再用滑动平均压制均匀噪声，最后用二阶滤波进一步平滑并补偿响应特性。这样既能发挥各算法的长处，又能把总延迟控制在可接受的范围内。

不同窗口大小对滑动平均性能的影响

滑动平均的窗口大小是影响滤波效果与实时性的核心参数。为了量化不同窗口下的性能差异，我们在相同输入信号（叠加 50Hz 工频干扰和随机脉冲噪声的 1Hz 正弦波，采样率 1kHz）下，分别取窗口 4、8、16、32 进行对比实验，统计信噪比提升幅度、上升沿延迟时间和单点计算耗时三项指标，结果如下：

从数据可以看出，窗口大小与滤波效果、实时性之间存在明显的权衡关系：

• 窗口越小，响应越快，但平滑能力有限：窗口 4 时上升沿延迟仅 2ms，单点计算耗时也最低，但信噪比提升只有 8dB，对 50Hz 工频干扰的压制明显不足，输出曲线仍残留较多毛刺。
• 窗口越大，平滑越强，但滞后显著增加：窗口 32 时信噪比提升达到 17dB，但上升沿延迟高达 16ms，在快速响应场景下可能造成控制滞后；同时累加器最大值达到 4095 × 32 = 131040，必须使用 uint32_t 累加，内存占用也翻倍。
• 窗口 16 是多数场景的折中起点：信噪比提升 14dB、延迟 8ms、耗时不足 1μs，兼顾了平滑效果与实时性，这也是第②节选择 16 作为默认窗口的原因。

工程选型建议：若信号变化缓慢且对滞后不敏感（如温度、液位），可适当增大窗口到 32 以换取更强平滑；若信号变化较快或用于闭环控制（如电机转速、压力调节），建议窗口控制在 8~16 之间，必要时配合二阶滤波补偿响应特性。需要强调的是，窗口为 2 的幂次时除法可转化为移位运算，因此 4、8、16、32 均能保持 O(1) 的更新开销，这也是推荐优先选用这些窗口的原因。

④ 从 10 位到 14 位有效分辨率的提升路径

许多低成本 ADC 只有 10 位或 12 位的硬件分辨率，但在某些高精度测量场景中，我们需要更高的精度。通过“过采样”技术，我们可以在软件层面提升有效分辨率。原理很简单：以远高于信号带宽的频率进行采样，并对大量样本进行平均。理论上，每增加 4 倍的采样数并求平均，可以有效提升 1 位分辨率。

过采样提升分辨率的数学原理

过采样提升有效分辨率的本质，是利用量化噪声的统计平均来换取精度。ADC 在量化过程中会引入量化误差，其幅度在 ±0.5 LSB 之间均匀分布。当信号中叠加了足够的随机噪声（抖动）时，量化误差会随采样点数的增加而趋于随机化，多次平均后噪声分量相互抵消，而真实信号分量保持不变。

设原始 ADC 为 N 位，过采样倍数为 M，则有效分辨率提升位数满足：

有效位数提升 = log₂(√M) = 0.5 · log₂(M)

每提升 1 位有效分辨率，需要 M = 4 倍的过采样率；每提升 2 位，需要 M = 16 倍；每提升 4 位，需要 M = 256 倍。这就是“每 4 倍采样提升 1 位”的由来。

从 10 位到 14 位的具体路径

要从 10 位提升到 14 位，需要提升 4 位有效分辨率，即 $4^{(14-10)}=4^4=256$ 倍的过采样率。这意味着我们需要连续采集 256 个点并求和，然后将结果右移相应的位数（考虑到求和后数值范围扩大，需重新定标）。

关键点在于定标方式：256 个 10 位数据累加后，结果范围为 0 ~ 256×1023 = 261888，需要 18 位才能完整表示。若直接右移 2 位（除以 4），得到 0 ~ 65472 的范围，恰好对应 16 位无符号数，但此时有效位数并非 14 位——因为累加和本身包含了 256 个样本的噪声平均效果。

更严谨的做法是：累加后右移 4 位（除以 16），得到 0 ~ 16368 的范围，对应 14 位有效精度。此时每个输出值相当于 16 个原始样本的平均，配合 256 点过采样，实际等效于 14 位分辨率。若需要 16 位输出，则保留完整累加值（右移 2 位），由上层按 16 位定标处理。

代码实现：256 点过采样累加

// 假设原始 ADC 为 10 位 (0-1023)
// 目标：提升至 14 位有效精度
#define OVERSAMPLE_RATIO 256 // 过采样倍数：4^(14-10) = 256
#define OVERSAMPLE_SHIFT 4 // 右移位数：log2(16) = 4，对应 14 位定标

uint32_t oversample_accumulator = 0;

uint16_t get_high_res_value(void) {

oversample_accumulator = 0;
for (int i = 0; i < OVERSAMPLE_RATIO; i++) {

oversample_accumulator += read_adc_raw(); // 读取原始 10 位数据
delay_us(10); // 确保采样间隔满足奈奎斯特准则
}
// 256 次累加后，结果相当于提升了 4 位
// 右移 4 位：将 18 位累加和压缩回 14 位有效精度
return (uint16_t)(oversample_accumulator >> OVERSAMPLE_SHIFT);
}

过采样的前提条件与工程约束

过采样并非万能，它有三个必须满足的前提条件：

• 信号带宽远低于采样率：过采样要求采样率至少为信号带宽的 4 倍以上（对应每提升 1 位），实际工程中建议留出 8~16 倍余量。若信号本身变化较快，过采样窗口内的信号漂移会引入额外误差，此时应优先考虑硬件升级。
• 存在足够的随机噪声（抖动）：量化误差的平均化依赖信号中叠加的随机噪声。若信号过于死板（如稳定的直流电压），量化误差无法随机化，过采样效果会大打折扣。此时可人为注入微小的白噪声（dithering），例如在 ADC 输入端叠加一个幅度约 ±0.5 LSB 的伪随机信号。
• 累加器必须使用 32 位：256 个 10 位数据累加最大值为 256 × 1023 = 261888，远超 16 位范围。务必使用 uint32_t 累加器，这正是第⑨节将要详细讨论的溢出风险。

过采样与滑动平均的配合使用

过采样与第②节的滑动平均可以无缝衔接：过采样负责提升单次采样的有效分辨率，滑动平均负责平滑连续采样之间的随机波动。在工程实践中，建议将过采样放在采样链路的最前端，即「过采样 → 极值剔除 → 滑动平均 → 二阶滤波」：

// 过采样 + 极值剔除 + 滑动平均的组合示例
uint16_t get_filtered_high_res_value(void) {

// 第 1 步：256 点过采样，得到 14 位有效精度的原始值
uint16_t high_res = get_high_res_value();

// 第 2 步：送入滑动平均（第②节算法，窗口 16）
// 注意：此时数据范围已扩展至 0~16368，累加器需用 uint32_t
return update_filter(high_res);
}

注意：过采样后的数据范围（0~16368）与原始 10 位数据（0~1023）不同，送入滑动平均时累加器最大值变为 16368 × 16 = 261888，仍可用 uint32_t 安全容纳。若后续接二阶滤波，需将 state、rate 的钳位上限从 4095 调整为 16368，避免输出被错误截断。

过采样的代价与适用场景

过采样的核心代价是采样时间。以 1kHz 采样率为例，完成一次 256 点过采样需要 256ms，这意味着输出更新率仅为约 4Hz。因此过采样只适用于低频缓变信号（如温度、液位、压力等），不适用于需要快速响应的动态测量（如电机转速、振动分析）。

通过这种软件超分技术，我们无需更换昂贵的 14 位 ADC 芯片，就能在低频信号测量中获得接近 14 位的精度，极大地降低了 BOM 成本。但务必牢记：过采样提升的是有效分辨率而非绝对精度，它无法消除传感器本身的系统误差（如非线性、温漂），这些仍需通过校准和硬件选型来保证。

⑤ 嵌入式环境下的实时数据处理流程

在真实的嵌入式系统中，数据采集不是孤立存在的，它必须嵌入到一个严谨的实时处理流程中。一个典型的流程包括：定时器触发中断 -> DMA 搬运数据 -> 标志位置位 -> 主循环或低优先级任务处理数据。

关键在于将“耗时操作”与“实时采集”解耦。ADC 采样和 DMA 传输必须在高中断优先级下完成，确保不丢失任何时间点的数据。而前述的极值剔除、滤波运算等相对耗时的逻辑，应放在主循环或较低优先级的任务中，利用标志位机制进行同步。这样即使滤波算法因为数据量大而暂时占用较多 CPU 时间，也不会影响下一轮采样的启动，保证了时间轴的连续性。

此外，还需要考虑数据的一致性。在多任务环境下，读取滤波后的全局变量时，可能需要短暂关中断或使用原子操作，防止在读到一半时数据被更新，导致出现“撕裂”现象。合理的任务划分和同步机制，是保证数据流顺畅、系统实时响应的基石。

状态机设计：从“裸奔”到“稳态”的平滑过渡

实时采集链路在启动阶段最容易出问题。若 DMA 缓冲区尚未填满、滑动平均窗口还是冷启动状态，就直接进入正常滤波流程，前几轮输出会严重失真。为此，我们引入一个采集状态机，将整个链路划分为四个阶段：

状态机的好处在于：把“什么时候可以输出”的决策逻辑从主循环中抽离出来，避免在业务代码里散落各种 if (valid_count >= 16) 之类的判断。同时，FAULT 状态为系统提供了兜底保护——当 DMA 因配置错误或硬件异常长时间未触发时，主循环不会拿着陈旧数据继续运算，而是进入安全模式。

代码实现：定时器 + DMA + 状态机 + 多级滤波

下面给出一个完整的实战示例，将上述流程落地为可运行的代码骨架。它包含定时器触发 ADC 采样、DMA 自动搬运、状态机同步以及主循环中的多级滤波处理，并标注了关键时序关系：

#include <stdint.h>
#include <stdbool.h>

/* ========== 配置区 ========== */
#define ADC_BUF_LEN 8 // DMA 单次搬运的采样点数（极值剔除窗口）
#define FILTER_WINDOW 16 // 滑动平均窗口（与第②节一致）
#define WARMUP_COUNT FILTER_WINDOW // 预热填充次数
#define DMA_TIMEOUT_MS 10 // DMA 超时阈值（毫秒），超过则进入 FAULT

/* ========== 采集状态机 ========== */
typedef enum {

ST_IDLE = 0,
ST_WARMUP,
ST_RUNNING,
ST_FAULT
} acq_state_t;

/* ========== 全局状态 ========== */
volatile uint16_t adc_dma_buf[ADC_BUF_LEN]; // DMA 直接写入的原始采样缓冲区
volatile uint8_t adc_dma_done = 0; // 标志位：DMA 搬运完成，置 1
volatile uint32_t filter_sum = 0; // 滑动平均累加器（32 位防溢出）
volatile uint16_t filter_buffer[FILTER_WINDOW];
volatile uint8_t filter_index = 0;
volatile uint8_t valid_count = 0; // 已填充的有效点数（冷启动处理）
volatile uint16_t filtered_value = 0; // 最终滤波输出（主循环写入）
volatile uint16_t last_valid_value = 0; // 上一次有效输出（FAULT 兜底）
volatile acq_state_t acq_state = ST_IDLE; // 当前采集状态

/* 二阶滤波状态（第③节） */
static int32_t second_order_state = 0;
static int32_t second_order_rate = 0;
#define FILTER_ALPHA 60
#define FILTER_BETA 20

/* ========== 定时器中断：触发 ADC 采样 ========== */
void TIM_IRQHandler(void) {

// 时序点 T0：定时器周期到达（例如 1ms），启动一次 ADC 转换
// 注意：这里只启动转换，不做任何耗时运算，保证中断极短
ADC_StartConversion();
// 清除定时器中断标志
TIM_ClearFlag();