AD去抖動之軟體濾波
AD去抖動 ,軟體濾波
說明:AD轉換經常會發現資料不穩定,除了硬體濾波,還可以程式濾波,減小誤差,用時間換取精度
1、限幅濾波法(又稱程式判斷濾波法)
A、方法:
根據經驗判斷,確定兩次取樣允許的最大偏差值(設為A)
每次檢測到新值時判斷:
如果本次值與上次值之差<=A,則本次值有效
如果本次值與上次值之差>A,則本次值無效,放棄本次值,用上次值代替本次值
B、優點:
能有效克服因偶然因素引起的脈衝干擾
C、缺點
無法抑制那種週期性的干擾
平滑度差
/* A值可根據實際情況調整
value為有效值,new_value為當前取樣值
濾波程式返回有效的實際值 */
#define A 10
char value;
char filter()
{
char new_value;
new_value = get_ad();
if ( ( new_value - value > A ) || ( value - new_value > A )
return value;
return new_value;
}
2、中位值濾波法
A、方法:
連續取樣N次(N取奇數)
把N次取樣值按大小排列
取中間值為本次有效值
B、優點:
能有效克服因偶然因素引起的波動干擾
對溫度、液位的變化緩慢的被測引數有良好的濾波效果
C、缺點:
對流量、速度等快速變化的引數不宜
/* N值可根據實際情況調整
排序採用冒泡法*/
#define N 11
char filter()
{
char value_buf[N];
char count,i,j,temp;
for ( count=0;count<N;count++)
{
value_buf[count] = get_ad();
delay();
}
for (j=0;j<N-1;j++)
{
for (i=0;i<N-j;i++)
{
if ( value_buf[i]>value_buf[i+1] )
{
temp = value_buf[i];
value_buf[i] = value_buf[i+1];
value_buf[i+1] = temp;
}
}
}
return value_buf[(N-1)/2];
}
3、算術平均濾波法
A、方法:
連續取N個取樣值進行算術平均運算
N值較大時:訊號平滑度較高,但靈敏度較低
N值較小時:訊號平滑度較低,但靈敏度較高
N值的選取:一般流量,N=12;壓力:N=4
B、優點:
適用於對一般具有隨機干擾的訊號進行濾波
這樣訊號的特點是有一個平均值,訊號在某一數值範圍附近上下波動
C、缺點:
對於測量速度較慢或要求資料計算速度較快的實時控制不適用
比較浪費RAM
#define N 12
char filter()
{
int sum = 0;
for ( count=0;count<N;count++)
{
sum + = get_ad();
delay();
}
return (char)(sum/N);
}
4、遞推平均濾波法(又稱滑動平均濾波法)
A、方法:
把連續取N個取樣值看成一個佇列
佇列的長度固定為N
每次取樣到一個新資料放入隊尾,並扔掉原來隊首的一次資料.(先進先出原則)
把佇列中的N個資料進行算術平均運算,就可獲得新的濾波結果
N值的選取:流量,N=12;壓力:N=4;液麵,N=4~12;溫度,N=1~4
B、優點:
對週期性干擾有良好的抑制作用,平滑度高
適用於高頻振盪的系統
C、缺點:
靈敏度低
對偶然出現的脈衝性干擾的抑制作用較差
不易消除由於脈衝干擾所引起的取樣值偏差
不適用於脈衝干擾比較嚴重的場合
比較浪費RAM
#define N 12
char value_buf[N];
char i=0;
char filter()
{
char count;
int sum=0;
value_buf[i++] = get_ad();
if ( i == N ) i = 0;
for ( count=0;count<N,count++)
sum = value_buf[count];
return (char)(sum/N);
}
5、中位值平均濾波法(又稱防脈衝干擾平均濾波法)
A、方法:
相當於“中位值濾波法”+“算術平均濾波法”
連續取樣N個資料,去掉一個最大值和一個最小值
然後計算N-2個資料的算術平均值
N值的選取:3~14
B、優點:
融合了兩種濾波法的優點
對於偶然出現的脈衝性干擾,可消除由於脈衝干擾所引起的取樣值偏差
C、缺點:
測量速度較慢,和算術平均濾波法一樣
比較浪費RAM
#define N 12
char filter()
{
char count,i,j;
char value_buf[N];
int sum=0;
for (count=0;count<N;count++)
{
value_buf[count] = get_ad();
delay();
}
for (j=0;j<N-1;j++)
{
for (i=0;i<N-j;i++)
{
if ( value_buf[i]>value_buf[i+1] )
{
temp = value_buf[i];
value_buf[i] = value_buf[i+1];
value_buf[i+1] = temp;
}
}
}
for(count=1;count<N-1;count++)
sum += value[count];
return (char)(sum/(N-2));
}
6、限幅平均濾波法
A、方法:
相當於“限幅濾波法”+“遞推平均濾波法”
每次取樣到的新資料先進行限幅處理,
再送入佇列進行遞推平均濾波處理
B、優點:
融合了兩種濾波法的優點
對於偶然出現的脈衝性干擾,可消除由於脈衝干擾所引起的取樣值偏差
C、缺點:
比較浪費RAM
(略) 參考子程式1、3
7、一階滯後濾波法
A、方法:
取a=0~1
本次濾波結果=(1-a)*本次取樣值+a*上次濾波結果
B、優點:
對週期性干擾具有良好的抑制作用
適用於波動頻率較高的場合
C、缺點:
相位滯後,靈敏度低
滯後程度取決於a值大小
不能消除濾波頻率高於取樣頻率的1/2的干擾訊號
/* 為加快程式處理速度假定基數為100,a=0~100 */
#define a 50
char value;
char filter()
{
char new_value;
new_value = get_ad();
return (100-a)*value + a*new_value;
}
8、加權遞推平均濾波法
A、方法:
是對遞推平均濾波法的改進,即不同時刻的資料加以不同的權
通常是,越接近現時刻的資料,權取得越大。
給予新取樣值的權係數越大,則靈敏度越高,但訊號平滑度越低
B、優點:
適用於有較大純滯後時間常數的物件
和取樣週期較短的系統
C、缺點:
對於純滯後時間常數較小,取樣週期較長,變化緩慢的訊號
不能迅速反應系統當前所受干擾的嚴重程度,濾波效果差
/* coe陣列為加權係數表,存在程式儲存區。*/
#define N 12
char code coe[N] = {1,2,3,4,5,6,7,8,9,10,11,12};
char code sum_coe = 1+2+3+4+5+6+7+8+9+10+11+12;
char filter()
{
char count;
char value_buf[N];
int sum=0;
for (count=0,count<N;count++)
{
value_buf[count] = get_ad();
delay();
}
for (count=0,count<N;count++)
sum += value_buf[count]*coe[count];
return (char)(sum/sum_coe);
}
9、消抖濾波法
A、方法:
設定一個濾波計數器
將每次取樣值與當前有效值比較:
如果取樣值=當前有效值,則計數器清零
如果取樣值<>當前有效值,則計數器+1,並判斷計數器是否>=上限N(溢位)
如果計數器溢位,則將本次值替換當前有效值,並清計數器
B、優點:
對於變化緩慢的被測引數有較好的濾波效果,
可避免在臨界值附近控制器的反覆開/關跳動或顯示器上數值抖動
C、缺點:
對於快速變化的引數不宜
如果在計數器溢位的那一次取樣到的值恰好是干擾值,則會將干擾值當作有效值導
入系統
#define N 12
char filter()
{
char count=0;
char new_value;
new_value = get_ad();
while (value !=new_value);
{
count++;
if (count>=N) return new_value;
delay();
new_value = get_ad();
}
return value;
}
10、限幅消抖濾波法
A、方法:
相當於“限幅濾波法”+“消抖濾波法”
先限幅,後消抖
B、優點:
繼承了“限幅”和“消抖”的優點
改進了“消抖濾波法”中的某些缺陷,避免將干擾值匯入系統
C、缺點:
對於快速變化的引數不宜
(略)參考子程式1、9
相關文章
- [Python影象處理] 四.影象平滑之均值濾波、方框濾波、高斯濾波及中值濾波Python
- 10種軟體濾波方法的示例程式
- 影像處理技術(二)濾波去噪(上)
- JS專題之去抖函式JS函式
- 按鍵的檢測與去抖動
- OpenCV計算機視覺學習(4)——影像平滑處理(均值濾波,高斯濾波,中值濾波,雙邊濾波)OpenCV計算機視覺
- 手把手教系列之移動平均濾波器實現
- 【OpenCV】鄰域濾波:方框、高斯、中值、雙邊濾波OpenCV
- 數字濾波器和模擬濾波器(一)
- 卡爾曼濾波
- 函式節流和去抖之間的區別函式
- OpenCV 線性濾波OpenCV
- Android 記憶體抖動Android記憶體
- 濾波演算法——十大濾波演算法程式大全演算法
- 點雲濾波器與過濾器過濾器
- 去抖函式的實現函式
- JS函式節流,去抖JS函式
- 演算法 | 數字影像處理之「中值濾波」演算法
- Flutter抖動動畫、顫抖動畫、Flutter文字抖動效果Flutter動畫
- 引導濾波GuidedFilterGUIIDEFilter
- GLSL學習_高斯濾波
- Gabor濾波器學習
- 影象卷積與濾波卷積
- 空域濾波演算法演算法
- 理解Underscore中的去抖函式函式
- 音訊降噪-fir濾波器音訊
- 卡爾曼濾波器(Kalman Filters)Filter
- 濾波演算法總結演算法
- 頻率域濾波基本操作
- 防火牆軟體Netfilter之包過濾技術(轉)防火牆Filter
- 強大的濾鏡配置軟體
- Mac色彩除錯濾鏡軟體Mac除錯
- Mac音訊編輯修復去噪軟體——Amadeus Pro for MacMac音訊
- 卡爾曼濾波器預測原理
- 卡爾曼濾波學習資料
- 卡爾曼濾波的原理說明
- 【OpenCV學習】影象卷積濾波OpenCV卷積
- 1.影像濾波與影像融合