说实话写这篇东西的起因挺直接的我手头一个基于 STM32F407 的采集项目前端信号里混着 50Hz 工频干扰、随机尖峰脉冲还有一堆测量白噪声后端又要做实时趋势判断。用硬件滤波改了三版 PCB电感电容换了十几颗始终压不下去那个随机毛刺。最后狠下心在固件里上 DSP 滤波一圈折腾下来把 FIR、IIR、中值、自适应 LMS 和样条平滑五种滤波器全试了一遍。这篇文章就是把这段实战经历完整拆开包括每一类滤波器的数学原理怎么落到 STM32 的 CMSIS-DSP 库里、代码怎么写、实测性能差多少、以及哪些网上不会明说的坑。无论你是刚接触 STM32 DSP 的初学者还是要在项目里选型滤波方案的工程师这篇都能帮你少走不少弯路。1. 五种滤波器选型前的几个必须想清楚的问题很多朋友一上来就急着抄代码结果抄完发现滤波效果一塌糊涂。这通常不是代码问题而是采样率和截止频率的关系根本没想清楚。在 STM32 上做数字滤波第一件事是确认你的 ADC 采样率。根据奈奎斯特采样定理采样率至少要是目标信号最高频率的两倍工程上一般留 3 到 5 倍余量。我常用的配置是用 TIM 定时器触发 ADC 连续采样采样率定在 16kHz目标有效信号频段在 0 到 2kHz 之间。这个配置下50Hz 工频干扰和 2kHz 以内的有效信号在频域上是可控的滤波器截止频率也有足够的设计空间。第二个想清楚的问题是你要滤掉的噪声是什么类型。这是五选一的决定性因素噪声类型频域特征时域特征推荐滤波器电源纹波/工频干扰固定频率窄带正弦波动IIR 陷波器传感器白噪声全频段均匀分布小幅高频抖动FIR 低通尖峰脉冲/静电干扰频谱极宽偶发大幅跳变中值滤波器周期性窄带噪声频率未知或漂移叠加正弦干扰自适应滤波器信号趋势平滑无明显频带特征曲线毛糙、台阶感样条滤波第三个问题是实时性要求。如果你的输出直接进 PID 控制环那滤波器的群延迟必须可控IIR 和 FIR 的相位特性差别会直接影响系统稳定性。如果只是做数据记录或趋势显示那中值和样条这类非线性滤波反而更合适。最后是 CPU 开销预算。STM32F407 主频 168MHz带 FPU 和 DSP 指令跑 CMSIS-DSP 库的浮点滤波其实很轻松。但如果你用的是 F103 这种不带 FPU 的芯片浮点滤波会消耗大量 CPU 时间这时候就要考虑定点 Q15 格式或者改用 IIR。我的习惯是先把 CPU 主频、采样率、滤波器阶数三个参数代入公式估算开销每秒钟的滤波计算量 采样率 × 滤波器每次处理所需乘法次数再换算成 CPU 占用率超过 30% 就得优化了。2. FIR 滤波器CMSIS-DSP 库的 arm_fir_f32 与资源开销真相FIR 全称有限脉冲响应滤波器它的输出只依赖当前和过去的输入样本不依赖过去的输出因此天然稳定、线性相位。公式很简单y[n] sum(b[k] * x[n-k])k 从 0 到 N-1N 就是滤波器阶数b[k] 是滤波器系数。FIR 设计滤波器的关键就是算出这组系数通常用 MATLAB 的 fdatool 或者 Python 的 scipy.signal.remez / firwin。我实际项目里用的是 32 阶低通 FIR采样 16kHz截止 2kHz过渡带 1kHz。用 fdatool 导出系数后在 STM32 上的代码非常简洁。CMSIS-DSP 库把 FIR 封装得相当好核心就两个函数初始化函数arm_fir_init_f32和处理函数arm_fir_f32。#include arm_math.h #include stm32f4xx.h #define FIR_NUM_TAPS 32 #define BLOCK_SIZE 32 #define TEST_LENGTH 512 float32_t fir_coeffs[FIR_NUM_TAPS] { /* 这里填入 fdatool 导出的 32 个系数注意按从高到低排列 */ }; float32_t fir_state[FIR_NUM_TAPS BLOCK_SIZE - 1]; // 状态缓冲区, 注意长度 float32_t fir_input[BLOCK_SIZE]; float32_t fir_output[BLOCK_SIZE]; arm_fir_instance_f32 S; void FIR_Init(void) { arm_fir_init_f32(S, FIR_NUM_TAPS, (float32_t *)fir_coeffs[0], fir_state[0], BLOCK_SIZE); } void FIR_Process(float32_t *src, float32_t *dst, uint32_t blockSize) { arm_fir_f32(S, src, dst, blockSize); }这里有一个网上教程基本不讲的细节fir_state数组长度并不是简单的FIR_NUM_TAPS而是FIR_NUM_TAPS BLOCK_SIZE - 1。这是 CMSIS-DSP 内部实现为了做块处理而设计的环形缓冲区长度不够会导致内存越界表现就是跑一段时间后系统莫名进入 HardFault。我第一次自己封装的时候在这个坑里蹲了整整一个下午。实际测量下来在 STM32F407 主频 168MHz、开启 FPU、编译优化等级 -O2 的条件下32 阶 FIR 处理一个 32 点数据块大约耗时 8~10 微秒。换算下来16kHz 采样率下每秒需要处理 16000 / 32 500 个数据块总耗时只有 4~5 毫秒CPU 占用率不到 1%。这个开销小得几乎可以忽略如果只在中断里做完全不影响主循环。FIR 的真正代价不在 CPU而在内存和延迟。32 阶 FIR 的群延迟是 (N-1)/2 15.5 个采样周期在 16kHz 下大约是 0.97ms这个延迟对大多数控制环是可接受的但如果你的系统对相位非常敏感比如音频信号处理就需要用 FFT 做线性相位补偿或者考虑 IIR 滤波。还有一点FIR 的系数数量直接决定滤波器的过渡带陡峭程度。想要更陡的过渡带就要更高阶数。阶数从 32 升到 64CPU 开销翻倍但频率响应改善明显。实际工程里 32 到 64 阶是 STM32F4 的舒适区超过 128 阶建议改用级联结构或者 IIR否则内存占用会变得尴尬。踩坑记录如果你用 fdatool 导出的系数直接跑输出信号幅值会整体偏小或者偏大这通常是系数没有归一化。fdatool 在导出时默认会做归一化但如果你用 MATLAB 脚本算完直接拷系数一定要检查系数之和是否为 1。低频信号通过 FIR 时增益就是系数之和理想低通滤波器应该为 1。3. IIR 滤波器巴特沃斯系数换算与级联式实现IIR 全称无限脉冲响应滤波器它的输出依赖过去的输出因此可以用远比 FIR 低的阶数实现同样的滤波效果。代价是相位非线性以及可能的不稳定性风险。IIR 的差分方程长这样y[n] b0x[n] b1x[n-1] b2x[n-2] - a1y[n-1] - a2*y[n-2]这也是为什么 IIR 通常写作二阶节Biquad的级联形式每一级只处理二阶多级串联达到更高阶数数值稳定性最好。我在项目里用的是一个四阶巴特沃斯低通 IIR截止频率 2kHz采样率 16kHz。设计过程推荐用 MATLAB 的 fdatool选择IIR 巴特沃斯、四阶、采样率 16000、截止频率 2000然后直接导出二阶节系数。系数到手后STM32 端用 CMSIS-DSP 的 Biquad 级联函数实现#include arm_math.h #define NUM_STAGES 2 // 四阶 IIR 2 个二阶节 float32_t iir_coeffs[5 * NUM_STAGES] { /* 从 fdatool 导出, 每个二阶节 5 个系数: b0, b1, b2, a1, a2 */ }; float32_t iir_state[4 * NUM_STAGES] {0}; arm_biquad_casd_df1_inst_f32 S; void IIR_Init(void) { arm_biquad_cascade_df1_init_f32(S, NUM_STAGES, iir_coeffs, iir_state); } void IIR_Process(float32_t *src, float32_t *dst, uint32_t blockSize) { arm_biquad_cascade_df1_f32(S, src, dst, blockSize); }代码比 FIR 还简单性能却好得多。实测四阶 IIR 处理 32 点数据块仅需 1.5~2.5 微秒CPU 占用率不到 FIR 的四分之一。这就是 IIR 最迷人的地方用极低的计算量换来了非常陡峭的阻带衰减。但这里必须说一个很多博客都不提的坑IIR 的系数对量化误差极其敏感。如果你把系数从 float32 截断成 float16 或者转成 Q15 定点格式滤波器特性会严重劣化甚至可能直接振荡发散。我试过一次把系数转成 Q15 定点在 F103 上跑输出波形直接变成了一条直线外加大幅自激。原因很简单巴特沃斯滤波器的极点非常靠近单位圆系数稍微偏差一点极点就跑到单位圆外面去了系统就变成不稳定的。所以我的建议是STM32F4 及以上直接用 float32 跑 IIR别折腾定点。F3 同支持 FPUF1 系没有 FPU 跑 float32 会消耗大量 CPU。如果实在要用 F103尽量选二阶 IIR 而非高阶或者改用 FIR 更稳妥。还有另一个坑是 IIR 的相位非线性。四阶巴特沃斯低通在截止频率附近的相位延迟可达 60~90 度如果你做的是闭环控制相当于在环路里引入了一个随频率变化的延时很可能导致系统不稳定。我的经验是控制环里尽量用 FIR 或者用滞后校正替代 IIR只有做数据采集、显示、通信前处理这种开环场景才放心用 IIR。50Hz 工频陷波是 IIR 的经典应用场景。陷波器本质上就是一个带阻滤波器我用 fdatool 设计了一个二阶陷波中心频率 50Hz、Q 值 30效果立竿见影。陷波器的群延迟很小对信号波形畸变的影响比低通滤波器小得多。需要注意的是陷波器的中心频率必须和实际工频严格一致电网频率在 49.8~50.2Hz 之间波动时固定频率陷波器会失效。这个时候要么实时测量工频频率调整系数要么改用自适应滤波器。4. 中值滤波器手写滑窗实现与脉冲噪声场景中值滤波不属于线性滤波器它是把一个滑动窗口内的样本排序后取中间值作为输出。它在时域上做的事情非常符合直觉把突然冒出来的大尖峰直接丢弃。传感器受电磁干扰偶尔跳变出一个离谱值平均值会把它拉偏但中值完全不受影响。这是我在实际项目中体会最深的一点。CMSIS-DSP 库没有中值滤波函数所以这部分代码只能自己写。我用的是一个窗口长度为 5 的滑动中值滤波窗口内的排序方法用的是插入排序。因为窗口极小只有 5 个元素插入排序的复杂度完全可以接受还不需要额外内存。#define MEDIAN_WINDOW_SIZE 5 float32_t median_buffer[MEDIAN_WINDOW_SIZE]; uint8_t median_index 0; void Median_Filter_Init(void) { memset(median_buffer, 0, sizeof(median_buffer)); median_index 0; } float32_t Median_Filter_Process(float32_t input) { float32_t temp[MEDIAN_WINDOW_SIZE]; uint8_t i, j; float32_t key; median_buffer[median_index] input; median_index (median_index 1) % MEDIAN_WINDOW_SIZE; memcpy(temp, median_buffer, sizeof(temp)); for (i 1; i MEDIAN_WINDOW_SIZE; i) { key temp[i]; j i; while (j 0 temp[j-1] key) { temp[j] temp[j-1]; j--; } temp[j] key; } return temp[MEDIAN_WINDOW_SIZE / 2]; }这个实现的正确性关键在环形缓冲每一轮新数据进来覆盖掉窗口里最旧的那个样本然后把整个窗口拷贝出来排序取中值。注意拷贝动作虽然有点费内存但对 STM32 来说5 个 float 也就是 20 字节完全无压力。窗口长度为 5 时能滤掉的尖峰脉冲宽度最大是 2 个采样周期窗口长度为 9 时能滤掉 4 个采样周期的宽脉冲。窗口越长滤波越狠但对真实信号的畸变也越大。我的经验是窗口长度最好不超过有效信号最小脉宽的 1/3。比如你关心的最小信号脉宽是 1ms采样率 16kHz对应 16 个采样点那窗口最多取 5取 9 就可能把短脉冲信号整个抹掉。性能方面窗口 5 的中值滤波对每次采样大约做 10~15 次比较在 STM32F407 上处理一个 32 点数据块约 3~4 微秒。虽然没有 FIR 那么快但比通用排序算法高效得多因为窗口极小且插入排序对近似有序序列有接近线性的表现。中值的最大优势在于对脉冲干扰鲁棒性极强但代价是没有频域选择性。如果你把中值滤波看成低通滤波用输出波形会有明显的台阶感尤其是信号本身比较光滑时中值滤波会在波形上留下阶梯状痕迹。实际使用中我常把中值和 IIR 串联使用先中值滤掉脉冲尖峰再 IIR 低通滤掉高频噪声效果比单一滤波器好一个量级。踩坑记录中值滤波的窗口会引入2 个采样周期的滞后虽然很小但在做传感器数据融合比如加速度计和陀螺仪时不同滤波器通道之间的滞后不同会导致姿态估计角度偏差。这种场景下要么所有通道统一用同样的滤波器要么只对非实时数据用中值。5. 自适应滤波器LMS 算法在噪声对消场景的真实效果自适应滤波和前四种的思路完全不同。它不需要事先知道噪声的具体频率或特性而是通过一个参考输入信号实时去学习噪声的特征然后从主信号中减去它。最简单的实现是 LMS最小均方算法。CMSIS-DSP 提供了现成的arm_lms_f32函数这也是全套例程里最容易被忽略却极其实用的模块。LMS 的核心更新公式是y[n] w[n] * x[n] 滤波输出x 为参考输入 e[n] d[n] - y[n] 误差d 为期望输入/主信号 w[n1] w[n] 2 * mu * e[n] * x[n] 权重更新翻译成人话就是算法通过不断调整滤波器权重让参考输入经过滤波后无限逼近主信号里的噪声分量然后一减就把噪声干掉了。我在项目里用自适应 LMS 做过一次非常有说服力的测试ADC 采样的传感器信号中混有一个频率缓慢漂移的窄带干扰来源是个变频电机。固定频率陷波器根本追不上频率漂移FIR 也没法窄带抑制。我用一个和主信号同步采集的参考通道布了一根靠近电机电缆的感应线圈把感应到的干扰信号作为 LMS 的参考输入主通道信号作为期望输入跑了一个 32 阶的 LMS 自适应滤波器。#include arm_math.h #define LMS_NUM_TAPS 32 #define BLOCK_SIZE 32 float32_t lms_coeffs[LMS_NUM_TAPS] {0}; float32_t lms_state[LMS_NUM_TAPS BLOCK_SIZE - 1] {0}; float32_t lms_input[BLOCK_SIZE]; // 参考输入噪声参考信号 float32_t lms_ref[BLOCK_SIZE]; // 期望输入主信号含噪声有效信号 float32_t lms_output[BLOCK_SIZE]; float32_t lms_error[BLOCK_SIZE]; arm_lms_instance_f32 S; // 步长因子, 必须根据信号能量调节 #define LMS_STEP_SIZE 0.01f void LMS_Init(void) { arm_lms_init_f32(S, LMS_NUM_TAPS, lms_coeffs, lms_state, LMS_STEP_SIZE, BLOCK_SIZE); } void LMS_Process(float32_t *noiseRef, float32_t *signalWithNoise, uint32_t blockSize) { // noiseRef: 参考噪声 // signalWithNoise: 含噪声的主信号 // 输出误差信号就是滤除噪声后的有效信号 arm_lms_f32(S, noiseRef, signalWithNoise, lms_output, lms_error, blockSize); }当时实测的效果让我有点惊讶干扰信号衰减了 20dB 以上而且即使干扰频率缓慢漂移自适应滤波器也能持续跟踪。这就是自适应相比固定滤波器的核心优势不需要知道噪声的确切频率只要有一个参考就行。但自适应滤波器不是万能的。有几个必须想清楚的前提参考输入必须和主信号中的噪声强相关同时不能包含有效信号成分。如果参考输入里混入了有效信号滤波器会尽力把有效信号也抵消掉导致输出端有效信号丢失。我第一次试验时参考线圈离信号源太近结果输出直接把有效信号也吃了一半。步长因子mu的取值至关重要。太大滤波器发散太小收敛速度慢跟不上频率漂移。我给的 0.01 是经过归一化处理的实际使用中要根据参考输入信号的功率自适应调整。CMSIS-DSP 库自带的arm_lms_norm_f32函数做了归一化鲁棒性更好推荐优先使用。LMS 的收敛需要一段时间对于瞬态噪声比如一个突然的干扰脉冲LMS 来不及反应。它更适合持续性的窄带干扰或周期性噪声。性能上32 阶 LMS 的计算量大约是 FIR 的两倍因为除了做滤波本身还要更新权重。实测处理 32 点数据块约 16~20 微秒CPU 占用率约 1.5%仍然在可接受范围内。但要注意LMS 的权重更新是逐个样本执行的如果块大小设置过大会明显增加收敛延迟一般 16 或 32 比较均衡。实际项目中用到自适应滤波的场景比大多数人想象的多声音降噪、心电图工频对消、振动信号中的旋转机械频率提取、电源纹波主动消除。前提是你能找到一路干净参考信号这本身就是很大的工程挑战。6. 样条滤波器无现成库时用三次样条平滑做信号趋势提取样条滤波在 STM32 社区讨论得最少因为官方 CMSIS-DSP 里根本没这函数。但它在一类场景下特别香你不关心信号的频域特征只想把曲线变得光滑同时尽量保留趋势形状。尤其是 ADC 采集的温度、压力这类缓变信号样条平滑的效果远胜低通滤波。样条滤波的原理是对最近 N 个采样点做三次样条插值或者平滑样条然后取当前时刻的平滑值作为输出。三次样条本质上是分段定义的立方多项式保证连接处一阶、二阶导数连续因此曲线光滑度极高。在 STM32 上做完整的三次样条插值理论上可行但要解三对角线性方程组实时性压力较大。我的做法是简化版本用滑动窗口内的一组基函数做加权组合本质上等价于一个 Savitzky-Golay 平滑滤波器但通过对窗口加权系数的设计来逼近样条的平滑效果。这种方法计算量小适合嵌入式环境。一个工程上很实用的实现是用滑动窗口内的三阶多项式拟合Savitzky-Golay然后用拟合值代替原始值。它的效果等同于一个对称 FIR 滤波器但系数不是从频域设计出来的而是从时域最小二乘拟合推导出来的。以窗口 7、多项式阶数 3 为例中心点的平滑系数是[-2, 3, 6, 7, 6, 3, -2] / 21。写成滤波器就是#define SG_WINDOW_SIZE 7 const float32_t sg_coeffs[7] { -2.0f / 21.0f, 3.0f / 21.0f, 6.0f / 21.0f, 7.0f / 21.0f, 6.0f / 21.0f, 3.0f / 21.0f, -2.0f / 21.0f }; float32_t sg_buffer[SG_WINDOW_SIZE]; uint8_t sg_index 0; float32_t SavGol_Filter_Process(float32_t input) { float32_t acc 0; uint8_t i; int8_t offset; sg_buffer[sg_index] input; sg_index (sg_index 1) % SG_WINDOW_SIZE; for (i 0; i SG_WINDOW_SIZE; i) { // 按窗口顺序调整索引, 保证和系数对齐 offset (int8_t)sg_index - 1 - (int8_t)i; if (offset 0) offset SG_WINDOW_SIZE; acc sg_coeffs[i] * sg_buffer[offset]; } return acc; }这个实现等效于一个 7 阶 FIR 低通滤波器但它在时域上的直观解释更强它做的事是用一个三次多项式去拟合窗口内的数据因此它对信号的趋势保留比普通低通滤波更好对噪声的平滑也比滑动平均更柔和不会把台阶直接抹成斜坡。真正的三次样条Cubic Spline在 STM32 上也不是不能跑。如果你有足够的内存和时间预算可以用追赶法Thomas Algorithm解三对角方程组。以窗口 8 个点为例方程组是 7 阶三对角浮点运算量大约 100~200 次乘加在 F407 上也就几个微秒。但代码量比 Savitzky-Golay 翻了几倍且边界条件处理极其容易出错。我的观点是做嵌入式实时滤波Savitzky-Golay 就是样条滤波的最佳工程替代效果接近、开销小、代码简单。样条类滤波器的最大代价是滞后明显。7 点窗口的等效延迟是 3 个采样周期如果信号本身快速变化滤波输出会明显拖着尾巴。实际项目中我一般只把样条滤波用在温度、液位这类惯性大的过程变量上对快速动态响应要求高的通道绝不用它。性能测试7 点 Savitzky-Golay 对每次采样只做 7 次乘加处理 32 点数据块不到 2 微秒几乎和 IIR 一样快。内存开销也很低只需要一个 7 个 float 的环形缓冲。踩坑记录用 Savitzky-Golay 的时候窗口长度和多项式阶数必须匹配。窗口长度 多项式阶数 1是基本要求但窗口太长、阶数太低会过度平滑掉真实变化。我实测下来窗口 7、阶数 3 的配置在 16kHz 采样下对温度趋势的平滑效果最均衡窗口 15 就明显感觉反应迟钝了。7. 五种滤波器实测性能横评与选型建议这一节我把同一批信号数据用五种滤波器分别处理统计了各自的 CPU 耗时、内存占用、延迟和滤波效果。以下是基于 STM32F407 168MHz、开启 FPU、-O2 优化的实测数据滤波器阶数/窗口CPU 耗时单次采样32点块耗时内存占用群延迟/滞后适用噪声FIR 低通32 阶0.28 us9 us64 B 系数 152 B 状态15.5 采样白噪声、规则频带噪声IIR 低通4 阶2 级0.07 us2 us40 B 系数 32 B 状态3~5 采样白噪声、低频干扰中值滤波窗口 50.11 us3.5 us20 B 数据2 采样尖峰脉冲LMS 自适应32 阶0.56 us18 us128 B 权重 状态收敛时间较长频率未知/漂移的窄带干扰样条/Savitzky-Golay窗口 70.06 us1.8 us28 B 数据 28 B 系数3 采样缓变信号的趋势平滑补充一点表中耗时是我自己项目的实测值不同编译选项和库版本会有差异但相对比例是可信的IIR 最快、LMS 最慢这个结论不会变。从滤波效果上做场景化总结如果你只想要一个低通滤波器滤白噪声且对相位不敏感选IIR四阶巴特沃斯足够CPU 开销极低。如果信号里混有大量脉冲尖峰电磁干扰、接触不良、无线模块辐射耦合必须加中值滤波窗口 5 起步效果立竿见影。如果要在控制环里做滤波优先FIR线性相位不引入额外非线性延迟稳定性有保障。如果有一个已知或未知的窄带干扰源且你能拿到参考信号用LMS 自适应它能自己跟踪频率变化。如果数据用于记录、显示或慢速过程控制Savitzky-Golay/样条滤波能给你最平滑的曲线同时不破坏趋势。组合使用是我最推荐的做法。我最终在项目里的方案是ADC 中断里先过中值滤脉冲再过一个四阶 IIR滤高频噪声最后在输出到显示环节用 Savitzky-Golay 做一次趋势平滑。整个链路 CPU 占用率加起来不到 2%效果远好于任何一个单独滤波器。这也是我想强调的滤波器的选择不是单选题多级串联往往才是最优解。还有一个关键点容易被忽略无论用哪种滤波器都要在串口或者 DAC 端验证滤波前后的波形。我习惯在 RAM 里开一块缓冲区把滤波前后的数据抓下来通过串口发到 PC 上用 MATLAB 或者 Python 画图对比。看不到波形就调参数基本等于盲人摸象。另外关于采样率再啰嗦一句很多朋友把采样率定得过高导致高频噪声能量被压缩在低频带内滤波器很难做。采样率不是越高越好够用就行先确定有效信号最高频率然后采样率取 5~10 倍滤波器设计和数据量都能保持在一个甜蜜点。8. 调试滤波器时踩过的几个具体坑和避坑手段这一节纯粹分享实操中遇到过的、网上资料常被一笔带过的问题。每一个都是我熬夜调试换来的经验。第一个坑是CMSIS-DSP 库没有启用 FPU 会导致 HardFault 或性能断崖。Keil 工程里如果没有在 C/C 选项里勾选FPU: Single Precision并且也没有在启动文件的SystemInit前后调用__FPU_ENABLE()之类的初始化浮点运算指令会被解释成普通指令表现要么是跑飞要么是速度忽然慢了十倍以上。检查方法很直接编译后在反汇编窗口看有没有vldr、vstr指令如果没有说明 FPU 没开。我在 F407 上遇到过第一次排查了很久最后发现是工程模板默认没勾选 FPU 选项。第二个坑是ADC 采样数据不经过预处理直接丢进滤波器输出会出现大量毛刺。原因很简单ADC 的采样数据有固定偏移一般 12 位 ADC 在 0~4095 之间中心点大约 2048这个直流偏置如果不减掉滤波器的直流增益会把它放大或产生收敛问题。我一般先做一次adc_val - 2048的移位操作再丢进滤波器处理最后输出的时候再加回来。这点尤其对 FIR 和 LMS 影响大对中值影响较小。第三个坑是用 CMSIS-DSP 的浮点函数时必须保证数据对齐到 4 字节边界。STM32 的内核和 FPU 对未对齐的浮点访问非常敏感可能直接触发异常。我习惯把所有滤波缓冲区都定义为全局数组并加上__ALIGNED(4)__ALIGNED(4) float32_t fir_state[FIR_NUM_TAPS BLOCK_SIZE - 1];如果不加对齐声明编译器有时会把它分配到奇数偏移地址跑起来后偶现 HardFault 且复现困难。这类偶发故障定位最折磨人提前防住最重要。第四个坑是把滤波器的系数写错顺序。CMSIS-DSP 的 FIR 初始化要求系数按照从 b[N-1] 到 b[0] 排列即最高阶在前MATLAB fdatool 默认导出的顺序恰恰是按照 b[0] 到 b[N-1] 排列。直接拿 fdatool 导出的数组初始化会导致滤波结果变成一个奇怪的高通/带通响应。我写过一个小脚本把系数倒序后再生成 C 数组顺手解决了问题。第五个坑是关于滤波器运行后的信号幅值变化。IIR 滤波器因为是递归结构在某些系数组合下会在启动阶段产生较大的暂态振荡。如果你看到滤波输出的前几十个样本有巨大的脉冲别慌这是暂态响应过一会就稳定了。工程上可以先用一个全零数组跑一遍滤波器预充能再接入真实信号。我在项目里就是这么干的省去了很多启动瞬间的误判。第六个坑和调试工具相关用 ST-Link 在线调试时断点打在滤波函数内部会导致 DSP 库内部状态变量错乱。这个坑极其隐蔽CMSIS-DSP 库函数内部会对状态缓冲区做读写如果在断点处执行了单步很容易把环形缓冲区的索引搞乱跑起来结果就完全不对。我的经验是不要对 DSP 库内部函数打断点只在调用它的外层代码打断点或者干脆用串口打印滤波前后的数据做验证比在线断点靠谱得多。最后补充一个验证技巧用已知信号测试滤波器响应。写一个测试函数在初始化之后往滤波器里灌一个正弦波或阶跃信号把输出通过 DAC 或者串口打印出来用 Python 看一眼波形。这个成本很低但能快速验证滤波器是不是符合预期。我在写完每个滤波器之后都会跑一遍这个流程确认无误再集成进主程序。9. 从这次实战里沉淀下来的选型决策方法论回头看我做这次五种滤波器对比的整个链路真正有价值的不是哪一个滤波器最好而是一套匹配问题场景和硬件资源的决策方法。这套方法现在成了我嵌入式项目做信号处理的固定流程。流程第一步先做噪声摸底。把 ADC 原始数据抓出来先看时域波形有没有明显脉冲再做一次 FFT用 STM32 的arm_rfft_fast_f32就能跑看频域能量分布。这一步花半小时能避免后面筛选滤波器走两个星期弯路。时域有脉冲优先考虑中值频域有明显的固定峰优先考虑 IIR 陷波频谱杂乱一片均匀分布的用 FIR 低通频谱峰位置游移不定的用 LMS。流程第二步做资源预算。根据采样率和滤波器阶数估 CPU 开销再看芯片主频和 FPU 情况。F4 及以上随便造F1 就别碰浮点滤波器了。内存上注意 FIR 状态缓冲区的长度要求以及多级滤波串联时每级都要独立状态缓冲别共用。流程第三步验证与迭代。先用离线的 MATLAB 或 Python 模拟参数选一组理论值再上板实测。实测时不要只盯滤波效果还要关注延迟对系统的整体影响。滤波器引入的延迟如果超过了系统容忍上限就要降低阶数或者换类型。很多资料把滤波器讲得非常高深动不动就拉普拉斯变换、Z 变换、零极点图但实际上嵌入式工程师日常工作不需要啃完《数字信号处理》教材。** 核心无非就是知道每种滤波器能干什么、不能干什么、要花多少 CPU 和内存、会影响多少延迟。** 把这四件事想明白滤波器这块基本就通了。我在这次实战里最后定型的方案现在还在产线上跑着。传感器信号经过中值去脉冲、IIR 去噪、Savitzky-Golay 做趋势显示三层处理整机运行几个月没有出过问题也证明了这套组合在工程上是可靠的。希望这篇实战拆解能让你在下次面对噪声信号时不用再从零趟一遍这些坑。 STM32实战：五种数字滤波器选型与性能对比
说实话写这篇东西的起因挺直接的我手头一个基于 STM32F407 的采集项目前端信号里混着 50Hz 工频干扰、随机尖峰脉冲还有一堆测量白噪声后端又要做实时趋势判断。用硬件滤波改了三版 PCB电感电容换了十几颗始终压不下去那个随机毛刺。最后狠下心在固件里上 DSP 滤波一圈折腾下来把 FIR、IIR、中值、自适应 LMS 和样条平滑五种滤波器全试了一遍。这篇文章就是把这段实战经历完整拆开包括每一类滤波器的数学原理怎么落到 STM32 的 CMSIS-DSP 库里、代码怎么写、实测性能差多少、以及哪些网上不会明说的坑。无论你是刚接触 STM32 DSP 的初学者还是要在项目里选型滤波方案的工程师这篇都能帮你少走不少弯路。1. 五种滤波器选型前的几个必须想清楚的问题很多朋友一上来就急着抄代码结果抄完发现滤波效果一塌糊涂。这通常不是代码问题而是采样率和截止频率的关系根本没想清楚。在 STM32 上做数字滤波第一件事是确认你的 ADC 采样率。根据奈奎斯特采样定理采样率至少要是目标信号最高频率的两倍工程上一般留 3 到 5 倍余量。我常用的配置是用 TIM 定时器触发 ADC 连续采样采样率定在 16kHz目标有效信号频段在 0 到 2kHz 之间。这个配置下50Hz 工频干扰和 2kHz 以内的有效信号在频域上是可控的滤波器截止频率也有足够的设计空间。第二个想清楚的问题是你要滤掉的噪声是什么类型。这是五选一的决定性因素噪声类型频域特征时域特征推荐滤波器电源纹波/工频干扰固定频率窄带正弦波动IIR 陷波器传感器白噪声全频段均匀分布小幅高频抖动FIR 低通尖峰脉冲/静电干扰频谱极宽偶发大幅跳变中值滤波器周期性窄带噪声频率未知或漂移叠加正弦干扰自适应滤波器信号趋势平滑无明显频带特征曲线毛糙、台阶感样条滤波第三个问题是实时性要求。如果你的输出直接进 PID 控制环那滤波器的群延迟必须可控IIR 和 FIR 的相位特性差别会直接影响系统稳定性。如果只是做数据记录或趋势显示那中值和样条这类非线性滤波反而更合适。最后是 CPU 开销预算。STM32F407 主频 168MHz带 FPU 和 DSP 指令跑 CMSIS-DSP 库的浮点滤波其实很轻松。但如果你用的是 F103 这种不带 FPU 的芯片浮点滤波会消耗大量 CPU 时间这时候就要考虑定点 Q15 格式或者改用 IIR。我的习惯是先把 CPU 主频、采样率、滤波器阶数三个参数代入公式估算开销每秒钟的滤波计算量 采样率 × 滤波器每次处理所需乘法次数再换算成 CPU 占用率超过 30% 就得优化了。2. FIR 滤波器CMSIS-DSP 库的 arm_fir_f32 与资源开销真相FIR 全称有限脉冲响应滤波器它的输出只依赖当前和过去的输入样本不依赖过去的输出因此天然稳定、线性相位。公式很简单y[n] sum(b[k] * x[n-k])k 从 0 到 N-1N 就是滤波器阶数b[k] 是滤波器系数。FIR 设计滤波器的关键就是算出这组系数通常用 MATLAB 的 fdatool 或者 Python 的 scipy.signal.remez / firwin。我实际项目里用的是 32 阶低通 FIR采样 16kHz截止 2kHz过渡带 1kHz。用 fdatool 导出系数后在 STM32 上的代码非常简洁。CMSIS-DSP 库把 FIR 封装得相当好核心就两个函数初始化函数arm_fir_init_f32和处理函数arm_fir_f32。#include arm_math.h #include stm32f4xx.h #define FIR_NUM_TAPS 32 #define BLOCK_SIZE 32 #define TEST_LENGTH 512 float32_t fir_coeffs[FIR_NUM_TAPS] { /* 这里填入 fdatool 导出的 32 个系数注意按从高到低排列 */ }; float32_t fir_state[FIR_NUM_TAPS BLOCK_SIZE - 1]; // 状态缓冲区, 注意长度 float32_t fir_input[BLOCK_SIZE]; float32_t fir_output[BLOCK_SIZE]; arm_fir_instance_f32 S; void FIR_Init(void) { arm_fir_init_f32(S, FIR_NUM_TAPS, (float32_t *)fir_coeffs[0], fir_state[0], BLOCK_SIZE); } void FIR_Process(float32_t *src, float32_t *dst, uint32_t blockSize) { arm_fir_f32(S, src, dst, blockSize); }这里有一个网上教程基本不讲的细节fir_state数组长度并不是简单的FIR_NUM_TAPS而是FIR_NUM_TAPS BLOCK_SIZE - 1。这是 CMSIS-DSP 内部实现为了做块处理而设计的环形缓冲区长度不够会导致内存越界表现就是跑一段时间后系统莫名进入 HardFault。我第一次自己封装的时候在这个坑里蹲了整整一个下午。实际测量下来在 STM32F407 主频 168MHz、开启 FPU、编译优化等级 -O2 的条件下32 阶 FIR 处理一个 32 点数据块大约耗时 8~10 微秒。换算下来16kHz 采样率下每秒需要处理 16000 / 32 500 个数据块总耗时只有 4~5 毫秒CPU 占用率不到 1%。这个开销小得几乎可以忽略如果只在中断里做完全不影响主循环。FIR 的真正代价不在 CPU而在内存和延迟。32 阶 FIR 的群延迟是 (N-1)/2 15.5 个采样周期在 16kHz 下大约是 0.97ms这个延迟对大多数控制环是可接受的但如果你的系统对相位非常敏感比如音频信号处理就需要用 FFT 做线性相位补偿或者考虑 IIR 滤波。还有一点FIR 的系数数量直接决定滤波器的过渡带陡峭程度。想要更陡的过渡带就要更高阶数。阶数从 32 升到 64CPU 开销翻倍但频率响应改善明显。实际工程里 32 到 64 阶是 STM32F4 的舒适区超过 128 阶建议改用级联结构或者 IIR否则内存占用会变得尴尬。踩坑记录如果你用 fdatool 导出的系数直接跑输出信号幅值会整体偏小或者偏大这通常是系数没有归一化。fdatool 在导出时默认会做归一化但如果你用 MATLAB 脚本算完直接拷系数一定要检查系数之和是否为 1。低频信号通过 FIR 时增益就是系数之和理想低通滤波器应该为 1。3. IIR 滤波器巴特沃斯系数换算与级联式实现IIR 全称无限脉冲响应滤波器它的输出依赖过去的输出因此可以用远比 FIR 低的阶数实现同样的滤波效果。代价是相位非线性以及可能的不稳定性风险。IIR 的差分方程长这样y[n] b0x[n] b1x[n-1] b2x[n-2] - a1y[n-1] - a2*y[n-2]这也是为什么 IIR 通常写作二阶节Biquad的级联形式每一级只处理二阶多级串联达到更高阶数数值稳定性最好。我在项目里用的是一个四阶巴特沃斯低通 IIR截止频率 2kHz采样率 16kHz。设计过程推荐用 MATLAB 的 fdatool选择IIR 巴特沃斯、四阶、采样率 16000、截止频率 2000然后直接导出二阶节系数。系数到手后STM32 端用 CMSIS-DSP 的 Biquad 级联函数实现#include arm_math.h #define NUM_STAGES 2 // 四阶 IIR 2 个二阶节 float32_t iir_coeffs[5 * NUM_STAGES] { /* 从 fdatool 导出, 每个二阶节 5 个系数: b0, b1, b2, a1, a2 */ }; float32_t iir_state[4 * NUM_STAGES] {0}; arm_biquad_casd_df1_inst_f32 S; void IIR_Init(void) { arm_biquad_cascade_df1_init_f32(S, NUM_STAGES, iir_coeffs, iir_state); } void IIR_Process(float32_t *src, float32_t *dst, uint32_t blockSize) { arm_biquad_cascade_df1_f32(S, src, dst, blockSize); }代码比 FIR 还简单性能却好得多。实测四阶 IIR 处理 32 点数据块仅需 1.5~2.5 微秒CPU 占用率不到 FIR 的四分之一。这就是 IIR 最迷人的地方用极低的计算量换来了非常陡峭的阻带衰减。但这里必须说一个很多博客都不提的坑IIR 的系数对量化误差极其敏感。如果你把系数从 float32 截断成 float16 或者转成 Q15 定点格式滤波器特性会严重劣化甚至可能直接振荡发散。我试过一次把系数转成 Q15 定点在 F103 上跑输出波形直接变成了一条直线外加大幅自激。原因很简单巴特沃斯滤波器的极点非常靠近单位圆系数稍微偏差一点极点就跑到单位圆外面去了系统就变成不稳定的。所以我的建议是STM32F4 及以上直接用 float32 跑 IIR别折腾定点。F3 同支持 FPUF1 系没有 FPU 跑 float32 会消耗大量 CPU。如果实在要用 F103尽量选二阶 IIR 而非高阶或者改用 FIR 更稳妥。还有另一个坑是 IIR 的相位非线性。四阶巴特沃斯低通在截止频率附近的相位延迟可达 60~90 度如果你做的是闭环控制相当于在环路里引入了一个随频率变化的延时很可能导致系统不稳定。我的经验是控制环里尽量用 FIR 或者用滞后校正替代 IIR只有做数据采集、显示、通信前处理这种开环场景才放心用 IIR。50Hz 工频陷波是 IIR 的经典应用场景。陷波器本质上就是一个带阻滤波器我用 fdatool 设计了一个二阶陷波中心频率 50Hz、Q 值 30效果立竿见影。陷波器的群延迟很小对信号波形畸变的影响比低通滤波器小得多。需要注意的是陷波器的中心频率必须和实际工频严格一致电网频率在 49.8~50.2Hz 之间波动时固定频率陷波器会失效。这个时候要么实时测量工频频率调整系数要么改用自适应滤波器。4. 中值滤波器手写滑窗实现与脉冲噪声场景中值滤波不属于线性滤波器它是把一个滑动窗口内的样本排序后取中间值作为输出。它在时域上做的事情非常符合直觉把突然冒出来的大尖峰直接丢弃。传感器受电磁干扰偶尔跳变出一个离谱值平均值会把它拉偏但中值完全不受影响。这是我在实际项目中体会最深的一点。CMSIS-DSP 库没有中值滤波函数所以这部分代码只能自己写。我用的是一个窗口长度为 5 的滑动中值滤波窗口内的排序方法用的是插入排序。因为窗口极小只有 5 个元素插入排序的复杂度完全可以接受还不需要额外内存。#define MEDIAN_WINDOW_SIZE 5 float32_t median_buffer[MEDIAN_WINDOW_SIZE]; uint8_t median_index 0; void Median_Filter_Init(void) { memset(median_buffer, 0, sizeof(median_buffer)); median_index 0; } float32_t Median_Filter_Process(float32_t input) { float32_t temp[MEDIAN_WINDOW_SIZE]; uint8_t i, j; float32_t key; median_buffer[median_index] input; median_index (median_index 1) % MEDIAN_WINDOW_SIZE; memcpy(temp, median_buffer, sizeof(temp)); for (i 1; i MEDIAN_WINDOW_SIZE; i) { key temp[i]; j i; while (j 0 temp[j-1] key) { temp[j] temp[j-1]; j--; } temp[j] key; } return temp[MEDIAN_WINDOW_SIZE / 2]; }这个实现的正确性关键在环形缓冲每一轮新数据进来覆盖掉窗口里最旧的那个样本然后把整个窗口拷贝出来排序取中值。注意拷贝动作虽然有点费内存但对 STM32 来说5 个 float 也就是 20 字节完全无压力。窗口长度为 5 时能滤掉的尖峰脉冲宽度最大是 2 个采样周期窗口长度为 9 时能滤掉 4 个采样周期的宽脉冲。窗口越长滤波越狠但对真实信号的畸变也越大。我的经验是窗口长度最好不超过有效信号最小脉宽的 1/3。比如你关心的最小信号脉宽是 1ms采样率 16kHz对应 16 个采样点那窗口最多取 5取 9 就可能把短脉冲信号整个抹掉。性能方面窗口 5 的中值滤波对每次采样大约做 10~15 次比较在 STM32F407 上处理一个 32 点数据块约 3~4 微秒。虽然没有 FIR 那么快但比通用排序算法高效得多因为窗口极小且插入排序对近似有序序列有接近线性的表现。中值的最大优势在于对脉冲干扰鲁棒性极强但代价是没有频域选择性。如果你把中值滤波看成低通滤波用输出波形会有明显的台阶感尤其是信号本身比较光滑时中值滤波会在波形上留下阶梯状痕迹。实际使用中我常把中值和 IIR 串联使用先中值滤掉脉冲尖峰再 IIR 低通滤掉高频噪声效果比单一滤波器好一个量级。踩坑记录中值滤波的窗口会引入2 个采样周期的滞后虽然很小但在做传感器数据融合比如加速度计和陀螺仪时不同滤波器通道之间的滞后不同会导致姿态估计角度偏差。这种场景下要么所有通道统一用同样的滤波器要么只对非实时数据用中值。5. 自适应滤波器LMS 算法在噪声对消场景的真实效果自适应滤波和前四种的思路完全不同。它不需要事先知道噪声的具体频率或特性而是通过一个参考输入信号实时去学习噪声的特征然后从主信号中减去它。最简单的实现是 LMS最小均方算法。CMSIS-DSP 提供了现成的arm_lms_f32函数这也是全套例程里最容易被忽略却极其实用的模块。LMS 的核心更新公式是y[n] w[n] * x[n] 滤波输出x 为参考输入 e[n] d[n] - y[n] 误差d 为期望输入/主信号 w[n1] w[n] 2 * mu * e[n] * x[n] 权重更新翻译成人话就是算法通过不断调整滤波器权重让参考输入经过滤波后无限逼近主信号里的噪声分量然后一减就把噪声干掉了。我在项目里用自适应 LMS 做过一次非常有说服力的测试ADC 采样的传感器信号中混有一个频率缓慢漂移的窄带干扰来源是个变频电机。固定频率陷波器根本追不上频率漂移FIR 也没法窄带抑制。我用一个和主信号同步采集的参考通道布了一根靠近电机电缆的感应线圈把感应到的干扰信号作为 LMS 的参考输入主通道信号作为期望输入跑了一个 32 阶的 LMS 自适应滤波器。#include arm_math.h #define LMS_NUM_TAPS 32 #define BLOCK_SIZE 32 float32_t lms_coeffs[LMS_NUM_TAPS] {0}; float32_t lms_state[LMS_NUM_TAPS BLOCK_SIZE - 1] {0}; float32_t lms_input[BLOCK_SIZE]; // 参考输入噪声参考信号 float32_t lms_ref[BLOCK_SIZE]; // 期望输入主信号含噪声有效信号 float32_t lms_output[BLOCK_SIZE]; float32_t lms_error[BLOCK_SIZE]; arm_lms_instance_f32 S; // 步长因子, 必须根据信号能量调节 #define LMS_STEP_SIZE 0.01f void LMS_Init(void) { arm_lms_init_f32(S, LMS_NUM_TAPS, lms_coeffs, lms_state, LMS_STEP_SIZE, BLOCK_SIZE); } void LMS_Process(float32_t *noiseRef, float32_t *signalWithNoise, uint32_t blockSize) { // noiseRef: 参考噪声 // signalWithNoise: 含噪声的主信号 // 输出误差信号就是滤除噪声后的有效信号 arm_lms_f32(S, noiseRef, signalWithNoise, lms_output, lms_error, blockSize); }当时实测的效果让我有点惊讶干扰信号衰减了 20dB 以上而且即使干扰频率缓慢漂移自适应滤波器也能持续跟踪。这就是自适应相比固定滤波器的核心优势不需要知道噪声的确切频率只要有一个参考就行。但自适应滤波器不是万能的。有几个必须想清楚的前提参考输入必须和主信号中的噪声强相关同时不能包含有效信号成分。如果参考输入里混入了有效信号滤波器会尽力把有效信号也抵消掉导致输出端有效信号丢失。我第一次试验时参考线圈离信号源太近结果输出直接把有效信号也吃了一半。步长因子mu的取值至关重要。太大滤波器发散太小收敛速度慢跟不上频率漂移。我给的 0.01 是经过归一化处理的实际使用中要根据参考输入信号的功率自适应调整。CMSIS-DSP 库自带的arm_lms_norm_f32函数做了归一化鲁棒性更好推荐优先使用。LMS 的收敛需要一段时间对于瞬态噪声比如一个突然的干扰脉冲LMS 来不及反应。它更适合持续性的窄带干扰或周期性噪声。性能上32 阶 LMS 的计算量大约是 FIR 的两倍因为除了做滤波本身还要更新权重。实测处理 32 点数据块约 16~20 微秒CPU 占用率约 1.5%仍然在可接受范围内。但要注意LMS 的权重更新是逐个样本执行的如果块大小设置过大会明显增加收敛延迟一般 16 或 32 比较均衡。实际项目中用到自适应滤波的场景比大多数人想象的多声音降噪、心电图工频对消、振动信号中的旋转机械频率提取、电源纹波主动消除。前提是你能找到一路干净参考信号这本身就是很大的工程挑战。6. 样条滤波器无现成库时用三次样条平滑做信号趋势提取样条滤波在 STM32 社区讨论得最少因为官方 CMSIS-DSP 里根本没这函数。但它在一类场景下特别香你不关心信号的频域特征只想把曲线变得光滑同时尽量保留趋势形状。尤其是 ADC 采集的温度、压力这类缓变信号样条平滑的效果远胜低通滤波。样条滤波的原理是对最近 N 个采样点做三次样条插值或者平滑样条然后取当前时刻的平滑值作为输出。三次样条本质上是分段定义的立方多项式保证连接处一阶、二阶导数连续因此曲线光滑度极高。在 STM32 上做完整的三次样条插值理论上可行但要解三对角线性方程组实时性压力较大。我的做法是简化版本用滑动窗口内的一组基函数做加权组合本质上等价于一个 Savitzky-Golay 平滑滤波器但通过对窗口加权系数的设计来逼近样条的平滑效果。这种方法计算量小适合嵌入式环境。一个工程上很实用的实现是用滑动窗口内的三阶多项式拟合Savitzky-Golay然后用拟合值代替原始值。它的效果等同于一个对称 FIR 滤波器但系数不是从频域设计出来的而是从时域最小二乘拟合推导出来的。以窗口 7、多项式阶数 3 为例中心点的平滑系数是[-2, 3, 6, 7, 6, 3, -2] / 21。写成滤波器就是#define SG_WINDOW_SIZE 7 const float32_t sg_coeffs[7] { -2.0f / 21.0f, 3.0f / 21.0f, 6.0f / 21.0f, 7.0f / 21.0f, 6.0f / 21.0f, 3.0f / 21.0f, -2.0f / 21.0f }; float32_t sg_buffer[SG_WINDOW_SIZE]; uint8_t sg_index 0; float32_t SavGol_Filter_Process(float32_t input) { float32_t acc 0; uint8_t i; int8_t offset; sg_buffer[sg_index] input; sg_index (sg_index 1) % SG_WINDOW_SIZE; for (i 0; i SG_WINDOW_SIZE; i) { // 按窗口顺序调整索引, 保证和系数对齐 offset (int8_t)sg_index - 1 - (int8_t)i; if (offset 0) offset SG_WINDOW_SIZE; acc sg_coeffs[i] * sg_buffer[offset]; } return acc; }这个实现等效于一个 7 阶 FIR 低通滤波器但它在时域上的直观解释更强它做的事是用一个三次多项式去拟合窗口内的数据因此它对信号的趋势保留比普通低通滤波更好对噪声的平滑也比滑动平均更柔和不会把台阶直接抹成斜坡。真正的三次样条Cubic Spline在 STM32 上也不是不能跑。如果你有足够的内存和时间预算可以用追赶法Thomas Algorithm解三对角方程组。以窗口 8 个点为例方程组是 7 阶三对角浮点运算量大约 100~200 次乘加在 F407 上也就几个微秒。但代码量比 Savitzky-Golay 翻了几倍且边界条件处理极其容易出错。我的观点是做嵌入式实时滤波Savitzky-Golay 就是样条滤波的最佳工程替代效果接近、开销小、代码简单。样条类滤波器的最大代价是滞后明显。7 点窗口的等效延迟是 3 个采样周期如果信号本身快速变化滤波输出会明显拖着尾巴。实际项目中我一般只把样条滤波用在温度、液位这类惯性大的过程变量上对快速动态响应要求高的通道绝不用它。性能测试7 点 Savitzky-Golay 对每次采样只做 7 次乘加处理 32 点数据块不到 2 微秒几乎和 IIR 一样快。内存开销也很低只需要一个 7 个 float 的环形缓冲。踩坑记录用 Savitzky-Golay 的时候窗口长度和多项式阶数必须匹配。窗口长度 多项式阶数 1是基本要求但窗口太长、阶数太低会过度平滑掉真实变化。我实测下来窗口 7、阶数 3 的配置在 16kHz 采样下对温度趋势的平滑效果最均衡窗口 15 就明显感觉反应迟钝了。7. 五种滤波器实测性能横评与选型建议这一节我把同一批信号数据用五种滤波器分别处理统计了各自的 CPU 耗时、内存占用、延迟和滤波效果。以下是基于 STM32F407 168MHz、开启 FPU、-O2 优化的实测数据滤波器阶数/窗口CPU 耗时单次采样32点块耗时内存占用群延迟/滞后适用噪声FIR 低通32 阶0.28 us9 us64 B 系数 152 B 状态15.5 采样白噪声、规则频带噪声IIR 低通4 阶2 级0.07 us2 us40 B 系数 32 B 状态3~5 采样白噪声、低频干扰中值滤波窗口 50.11 us3.5 us20 B 数据2 采样尖峰脉冲LMS 自适应32 阶0.56 us18 us128 B 权重 状态收敛时间较长频率未知/漂移的窄带干扰样条/Savitzky-Golay窗口 70.06 us1.8 us28 B 数据 28 B 系数3 采样缓变信号的趋势平滑补充一点表中耗时是我自己项目的实测值不同编译选项和库版本会有差异但相对比例是可信的IIR 最快、LMS 最慢这个结论不会变。从滤波效果上做场景化总结如果你只想要一个低通滤波器滤白噪声且对相位不敏感选IIR四阶巴特沃斯足够CPU 开销极低。如果信号里混有大量脉冲尖峰电磁干扰、接触不良、无线模块辐射耦合必须加中值滤波窗口 5 起步效果立竿见影。如果要在控制环里做滤波优先FIR线性相位不引入额外非线性延迟稳定性有保障。如果有一个已知或未知的窄带干扰源且你能拿到参考信号用LMS 自适应它能自己跟踪频率变化。如果数据用于记录、显示或慢速过程控制Savitzky-Golay/样条滤波能给你最平滑的曲线同时不破坏趋势。组合使用是我最推荐的做法。我最终在项目里的方案是ADC 中断里先过中值滤脉冲再过一个四阶 IIR滤高频噪声最后在输出到显示环节用 Savitzky-Golay 做一次趋势平滑。整个链路 CPU 占用率加起来不到 2%效果远好于任何一个单独滤波器。这也是我想强调的滤波器的选择不是单选题多级串联往往才是最优解。还有一个关键点容易被忽略无论用哪种滤波器都要在串口或者 DAC 端验证滤波前后的波形。我习惯在 RAM 里开一块缓冲区把滤波前后的数据抓下来通过串口发到 PC 上用 MATLAB 或者 Python 画图对比。看不到波形就调参数基本等于盲人摸象。另外关于采样率再啰嗦一句很多朋友把采样率定得过高导致高频噪声能量被压缩在低频带内滤波器很难做。采样率不是越高越好够用就行先确定有效信号最高频率然后采样率取 5~10 倍滤波器设计和数据量都能保持在一个甜蜜点。8. 调试滤波器时踩过的几个具体坑和避坑手段这一节纯粹分享实操中遇到过的、网上资料常被一笔带过的问题。每一个都是我熬夜调试换来的经验。第一个坑是CMSIS-DSP 库没有启用 FPU 会导致 HardFault 或性能断崖。Keil 工程里如果没有在 C/C 选项里勾选FPU: Single Precision并且也没有在启动文件的SystemInit前后调用__FPU_ENABLE()之类的初始化浮点运算指令会被解释成普通指令表现要么是跑飞要么是速度忽然慢了十倍以上。检查方法很直接编译后在反汇编窗口看有没有vldr、vstr指令如果没有说明 FPU 没开。我在 F407 上遇到过第一次排查了很久最后发现是工程模板默认没勾选 FPU 选项。第二个坑是ADC 采样数据不经过预处理直接丢进滤波器输出会出现大量毛刺。原因很简单ADC 的采样数据有固定偏移一般 12 位 ADC 在 0~4095 之间中心点大约 2048这个直流偏置如果不减掉滤波器的直流增益会把它放大或产生收敛问题。我一般先做一次adc_val - 2048的移位操作再丢进滤波器处理最后输出的时候再加回来。这点尤其对 FIR 和 LMS 影响大对中值影响较小。第三个坑是用 CMSIS-DSP 的浮点函数时必须保证数据对齐到 4 字节边界。STM32 的内核和 FPU 对未对齐的浮点访问非常敏感可能直接触发异常。我习惯把所有滤波缓冲区都定义为全局数组并加上__ALIGNED(4)__ALIGNED(4) float32_t fir_state[FIR_NUM_TAPS BLOCK_SIZE - 1];如果不加对齐声明编译器有时会把它分配到奇数偏移地址跑起来后偶现 HardFault 且复现困难。这类偶发故障定位最折磨人提前防住最重要。第四个坑是把滤波器的系数写错顺序。CMSIS-DSP 的 FIR 初始化要求系数按照从 b[N-1] 到 b[0] 排列即最高阶在前MATLAB fdatool 默认导出的顺序恰恰是按照 b[0] 到 b[N-1] 排列。直接拿 fdatool 导出的数组初始化会导致滤波结果变成一个奇怪的高通/带通响应。我写过一个小脚本把系数倒序后再生成 C 数组顺手解决了问题。第五个坑是关于滤波器运行后的信号幅值变化。IIR 滤波器因为是递归结构在某些系数组合下会在启动阶段产生较大的暂态振荡。如果你看到滤波输出的前几十个样本有巨大的脉冲别慌这是暂态响应过一会就稳定了。工程上可以先用一个全零数组跑一遍滤波器预充能再接入真实信号。我在项目里就是这么干的省去了很多启动瞬间的误判。第六个坑和调试工具相关用 ST-Link 在线调试时断点打在滤波函数内部会导致 DSP 库内部状态变量错乱。这个坑极其隐蔽CMSIS-DSP 库函数内部会对状态缓冲区做读写如果在断点处执行了单步很容易把环形缓冲区的索引搞乱跑起来结果就完全不对。我的经验是不要对 DSP 库内部函数打断点只在调用它的外层代码打断点或者干脆用串口打印滤波前后的数据做验证比在线断点靠谱得多。最后补充一个验证技巧用已知信号测试滤波器响应。写一个测试函数在初始化之后往滤波器里灌一个正弦波或阶跃信号把输出通过 DAC 或者串口打印出来用 Python 看一眼波形。这个成本很低但能快速验证滤波器是不是符合预期。我在写完每个滤波器之后都会跑一遍这个流程确认无误再集成进主程序。9. 从这次实战里沉淀下来的选型决策方法论回头看我做这次五种滤波器对比的整个链路真正有价值的不是哪一个滤波器最好而是一套匹配问题场景和硬件资源的决策方法。这套方法现在成了我嵌入式项目做信号处理的固定流程。流程第一步先做噪声摸底。把 ADC 原始数据抓出来先看时域波形有没有明显脉冲再做一次 FFT用 STM32 的arm_rfft_fast_f32就能跑看频域能量分布。这一步花半小时能避免后面筛选滤波器走两个星期弯路。时域有脉冲优先考虑中值频域有明显的固定峰优先考虑 IIR 陷波频谱杂乱一片均匀分布的用 FIR 低通频谱峰位置游移不定的用 LMS。流程第二步做资源预算。根据采样率和滤波器阶数估 CPU 开销再看芯片主频和 FPU 情况。F4 及以上随便造F1 就别碰浮点滤波器了。内存上注意 FIR 状态缓冲区的长度要求以及多级滤波串联时每级都要独立状态缓冲别共用。流程第三步验证与迭代。先用离线的 MATLAB 或 Python 模拟参数选一组理论值再上板实测。实测时不要只盯滤波效果还要关注延迟对系统的整体影响。滤波器引入的延迟如果超过了系统容忍上限就要降低阶数或者换类型。很多资料把滤波器讲得非常高深动不动就拉普拉斯变换、Z 变换、零极点图但实际上嵌入式工程师日常工作不需要啃完《数字信号处理》教材。** 核心无非就是知道每种滤波器能干什么、不能干什么、要花多少 CPU 和内存、会影响多少延迟。** 把这四件事想明白滤波器这块基本就通了。我在这次实战里最后定型的方案现在还在产线上跑着。传感器信号经过中值去脉冲、IIR 去噪、Savitzky-Golay 做趋势显示三层处理整机运行几个月没有出过问题也证明了这套组合在工程上是可靠的。希望这篇实战拆解能让你在下次面对噪声信号时不用再从零趟一遍这些坑。