当前位置：首页 > news >正文

常见十大ADC滤波算法C程序实现(限幅滤波_中值滤波_加权递推滤波_滑动平均滤波_一阶滞后滤波等)

news 2026/7/14 17:54:52

💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文内容如下：🎁🎁🎁

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥第一部分——内容介绍

常见十大ADC滤波算法研究

摘要

模数转换器（ADC）作为模拟信号与数字信号转换的核心器件，广泛应用于工业控制、智能检测、医疗电子、物联网等各类电子系统中。在实际应用场景中，ADC采集的信号往往会受到电源纹波、电磁干扰、传感器自身噪声等多种因素的影响，导致采集数据出现波动、失真，进而影响后续信号处理的准确性和系统控制的可靠性。滤波算法作为抑制噪声、优化ADC采集数据的关键技术，通过对采集到的离散数据进行合理处理，能够有效剔除噪声干扰，还原真实信号特征。本文针对工业界和科研领域中最常用的十大ADC滤波算法，包括限幅滤波、中值滤波、加权递推滤波、滑动平均滤波、一阶滞后滤波等，系统阐述各算法的核心原理、工作机制、技术特性，分析不同算法的优势与局限性，并结合实际应用场景探讨各类算法的选型原则，为ADC数据采集系统的滤波设计提供理论参考和实践指导，助力提升电子系统的稳定性和数据处理精度。

关键词

ADC；滤波算法；噪声抑制；数据采集；信号处理

1 引言

随着电子技术的飞速发展，各类电子系统对信号采集的精度和稳定性要求不断提升，ADC作为信号转换的核心环节，其采集数据的质量直接决定了整个系统的性能。在实际工作环境中，ADC采集过程面临着复杂的干扰场景：电源系统的纹波干扰会导致采集数据出现周期性波动，电路板上的电磁串扰会产生高频噪声，传感器自身的热噪声和漂移会造成数据偏差，甚至外界环境中的机械振动、静电放电等因素，都可能导致ADC输出数据出现异常尖峰或持续波动。这些噪声干扰若不进行有效处理，会导致后续的数据分析、控制决策出现偏差，严重时可能引发系统故障，造成经济损失。

滤波技术作为解决ADC采集噪声问题的核心手段，分为硬件滤波和软件滤波两大类。硬件滤波通过电容、电感、电阻等无源器件或运算放大器等有源器件构成滤波电路，能够在信号采集前端抑制部分高频干扰，但存在设计复杂、成本较高、灵活性差等局限性，难以适应多场景、多噪声类型的抑制需求。软件滤波则基于软件编程实现，无需额外增加硬件成本，具有设计灵活、参数可调、适配性强等优势，能够根据不同的噪声类型和信号特征，选择合适的滤波算法实现噪声抑制，因此在各类ADC数据采集系统中得到了广泛应用。

目前，工业界和科研领域已形成多种成熟的ADC软件滤波算法，不同算法的工作原理、噪声抑制效果、实时性、资源占用等特性存在显著差异，适用于不同的应用场景。本文聚焦十大常见ADC滤波算法，系统梳理各算法的核心逻辑和技术特点，对比分析其优势与不足，探讨算法选型的关键因素，为相关领域的工程设计和科研工作提供参考，推动ADC数据采集系统性能的进一步提升。

2 ADC采集噪声特性分析

要实现高效的滤波处理，首先需明确ADC采集过程中噪声的来源和特性，为滤波算法的选择和设计提供依据。ADC采集的噪声主要来源于三个方面：一是传感器自身的噪声，包括热噪声、散粒噪声和1/f噪声，这类噪声通常表现为随机波动，会导致采集数据在真实值附近小范围起伏；二是系统干扰噪声，包括电源纹波、电磁干扰、接地不良等引发的噪声，其中电源纹波多为周期性噪声，电磁干扰多为高频脉冲噪声；三是采集链路噪声，包括信号传输过程中的衰减、失真，以及ADC自身量化误差带来的噪声，量化误差会导致模拟信号转换为数字信号时出现固定范围的偏差。

根据噪声的特性，可将其分为脉冲噪声、随机噪声和周期性噪声三类。脉冲噪声表现为突发的、幅度较大的异常值，持续时间短但影响显著，多由电磁干扰、静电放电等因素引发；随机噪声表现为无规则的波动，幅度较小但持续存在，符合一定的统计规律，如高斯分布，主要来源于传感器热噪声和ADC量化噪声；周期性噪声表现为固定频率的波动，幅度稳定，主要来源于电源纹波、工频干扰等。不同类型的噪声对ADC采集数据的影响不同，需要针对性地选择滤波算法，才能实现理想的噪声抑制效果。

滤波算法的核心作用，就是通过对ADC采集的离散数据进行筛选、平滑、修正等处理，剔除噪声成分，保留真实信号的特征。理想的滤波算法应具备噪声抑制能力强、信号失真小、实时性好、资源占用低等特点，但实际应用中，各类算法往往存在trade-off，如噪声抑制能力强的算法可能会导致信号滞后，实时性好的算法可能噪声抑制效果有限，因此需要结合具体应用场景进行权衡选择。

3 常见十大ADC滤波算法研究

3.1 限幅滤波算法

限幅滤波算法又称程序判断滤波法，是一种最简单、最基础的实时滤波算法，主要针对脉冲噪声的抑制。其核心工作机制是基于工程经验，设定一个合理的最大允许偏差值，该偏差值根据采集信号的特性和噪声情况确定，反映了相邻两次ADC采集数据的合理变化范围。在实际采集过程中，每次获取新的采集数据后，将其与上一次经过滤波处理后的有效数据进行对比，判断两者的偏差是否在设定的允许范围内。若偏差在允许范围内，则认为本次采集数据有效，将其作为本次滤波输出；若偏差超出允许范围，则认为本次采集数据受到脉冲噪声干扰，属于异常值，丢弃本次采集数据，以上一次的有效数据作为本次滤波输出。

限幅滤波算法的优势在于原理简单、计算量极小，无需占用过多的系统资源，实时性极强，能够快速剔除突发的脉冲噪声，避免异常值对后续处理的影响，适用于对实时性要求较高、脉冲噪声频发的场景，如变频器电流采集、工业现场的电压监测等。其局限性在于，允许偏差值的设定依赖于工程经验，若设定过小，可能会将真实的信号突变误判为噪声并丢弃，导致信号失真；若设定过大，则无法有效抑制脉冲噪声，滤波效果不佳。此外，该算法对周期性噪声和随机噪声的抑制能力较弱，无法解决这类噪声带来的数据波动问题。

3.2 中值滤波算法

中值滤波算法是一种基于排序统计的非线性滤波算法，主要用于抑制脉冲噪声和椒盐噪声，同时能够在一定程度上保留信号的边缘特征，避免信号过度平滑。其核心工作机制是对连续采集的若干个ADC数据样本进行排序处理，选取排序后位于中间位置的数据作为本次滤波的输出结果。通常情况下，采集样本的数量选取奇数，这样可以确保存在唯一的中间值，避免排序后出现平局的情况，样本数量的选择需根据噪声强度和信号变化速度确定，样本数量越多，噪声抑制效果越好，但实时性会相应下降。

中值滤波算法的优势在于，对脉冲噪声和椒盐噪声的抑制效果显著，能够有效剔除采集数据中的异常尖峰，同时相较于平均类滤波算法，其对信号边缘的保留效果更好，不会导致信号出现严重的模糊和滞后。该算法适用于信号变化较为缓慢、脉冲噪声较多的场景，如温度、液位、压力等缓变信号的采集，在PT100温度监测、电磁干扰下的开关量防抖等工业场景中应用广泛。其局限性在于，对于快速变化的信号，如流量、转速等，由于需要连续采集多个样本进行排序处理，会导致滤波输出出现滞后，无法及时跟踪信号的变化；此外，当采集样本中存在大量连续的异常值时，中值滤波的效果会明显下降。

3.3 算术平均滤波算法

算术平均滤波算法是一种最常用的线性滤波算法，主要用于抑制随机噪声，其核心工作机制是对连续采集的若干个ADC数据样本进行算术平均运算，将计算得到的平均值作为本次滤波的输出结果。该算法的核心思想是利用随机噪声的统计特性，即随机噪声的正负波动具有对称性，通过多个样本的平均运算，相互抵消噪声带来的偏差，从而还原真实信号的平均值。采集样本的数量N是该算法的关键参数，N值越大，噪声抑制效果越好，但数据处理的滞后性越明显，同时系统的内存占用也会增加；N值越小，实时性越好，但噪声抑制效果会减弱。

算术平均滤波算法的优势在于原理简单、计算便捷，对随机噪声的抑制效果较好，适用于噪声平稳、信号变化缓慢且无明显脉冲干扰的场景，如车间环境温湿度监测、静态液位采集等。其局限性在于，对脉冲噪声的抑制能力较弱，若采集样本中存在异常的脉冲值，会显著影响平均值的计算结果，导致滤波输出出现偏差；同时，由于需要存储多个采集样本，会占用一定的系统内存，对于资源有限的嵌入式系统而言，存在一定的局限性；此外，该算法会导致信号出现一定的滞后，不适用于对实时性要求较高、信号变化较快的场景。

3.4 滑动平均滤波算法

滑动平均滤波算法又称递推平均滤波算法，是对算术平均滤波算法的改进和优化，主要解决了算术平均滤波算法中数据滞后和内存占用的问题，同时保留了对随机噪声的抑制能力。其核心工作机制是设定一个固定长度的滑动窗口，将连续采集的ADC数据样本依次存入窗口中，当窗口被填满后，每采集一个新的数据样本，就将窗口中最古老的数据样本丢弃，然后对窗口内的所有数据样本进行算术平均运算，将平均值作为本次滤波的输出结果。滑动窗口的长度即为采集样本的数量，其选择原则与算术平均滤波算法一致，需在噪声抑制效果和实时性之间进行权衡。

滑动平均滤波算法的优势在于，相较于算术平均滤波算法，其数据更新更及时，滞后性有所改善，同时无需存储所有的历史数据，仅需维护一个固定长度的滑动窗口，内存占用相对较小。该算法对周期性干扰和随机噪声均有一定的抑制效果，平滑度较高，适用于高频振荡的系统和连续采集的场景，如流量累计、风压闭环控制等。其局限性在于，对脉冲噪声的抑制能力仍然较弱，窗口内若存在脉冲异常值，会影响滤波输出的准确性；此外，滑动窗口的长度选择仍然依赖于工程经验，窗口长度过大，会导致信号滞后明显，窗口长度过小，噪声抑制效果不佳。

3.5 中位值平均滤波算法

中位值平均滤波算法又称防脉冲干扰平均滤波算法，是将中值滤波算法和算术平均滤波算法相结合的复合滤波算法，兼顾了两种算法的优势，既能抑制脉冲噪声，又能抑制随机噪声。其核心工作机制是，首先连续采集若干个ADC数据样本，对这些样本进行排序处理，剔除排序后的最大值和最小值，然后对剩余的样本进行算术平均运算，将计算得到的平均值作为本次滤波的输出结果。该算法通过剔除最大值和最小值，有效避免了脉冲噪声对平均结果的影响，同时通过平均运算，抵消随机噪声带来的偏差，实现了更好的噪声抑制效果。

中位值平均滤波算法的优势在于，融合了中值滤波和算术平均滤波的优点，对脉冲噪声和随机噪声均有较好的抑制效果，能够有效消除脉冲干扰引起的采样值偏差，同时保证滤波输出的平滑性。该算法适用于高频振荡与偶然脉冲并存的场景，如泵出口压力监测、振动监测前端等工业场景。其局限性在于，数据处理步骤较多，计算量相较于单一滤波算法有所增加，实时性略差；同时，需要存储多个采集样本，占用一定的系统内存，不适用于对实时性要求极高、系统资源有限的场景；此外，样本数量的选择需要结合实际噪声情况进行优化，否则会影响滤波效果。

3.6 限幅平均滤波算法

限幅平均滤波算法是将限幅滤波算法和滑动平均滤波算法相结合的复合滤波算法，主要用于解决脉冲噪声和随机噪声并存的场景，兼顾了实时性和噪声抑制效果。其核心工作机制是，首先对每次采集到的ADC数据样本进行限幅处理，判断本次采集数据与上一次有效数据的偏差是否在设定的允许范围内，若偏差超出范围，则丢弃本次数据，用上一次有效数据替代；若偏差在允许范围内，则将本次数据存入滑动窗口，然后对窗口内的所有数据进行算术平均运算，得到本次滤波的输出结果。该算法通过限幅处理先剔除突发的脉冲噪声，再通过滑动平均处理抑制随机噪声，实现了双重噪声抑制。

限幅平均滤波算法的优势在于，融合了限幅滤波和滑动平均滤波的优点，既能快速剔除脉冲噪声，又能有效抑制随机噪声和周期性噪声，滤波效果稳定，适用于大多数ADC数据采集场景，尤其是工业现场中4-20mA模拟量回路的预处理。其局限性在于，参数设置较为复杂，需要同时设定限幅偏差值和滑动窗口长度，两者的设置均依赖于工程经验，若参数设置不当，会影响滤波效果；同时，滑动窗口的存在会导致信号出现一定的滞后，不适用于信号变化极快的场景；此外，数据处理步骤较多，对系统的计算能力有一定要求。

3.7 一阶滞后滤波算法

一阶滞后滤波算法又称指数加权移动平均滤波算法，是一种基于惯性原理的线性滤波算法，主要用于抑制高频噪声，同时能够在一定程度上平衡信号平滑性和响应速度。其核心工作机制是，将本次ADC采集的数据与上一次滤波输出的结果进行加权融合，得到本次滤波的输出结果，其中本次采集数据的权重和上一次滤波结果的权重之和为1。通过调整权重系数，可以实现噪声抑制效果和信号响应速度的平衡，权重系数越大，本次采集数据的影响越大，信号响应速度越快，但噪声抑制效果越弱；权重系数越小，上一次滤波结果的影响越大，信号平滑性越好，但响应速度越慢。

一阶滞后滤波算法的优势在于，内存占用极小，仅需存储上一次的滤波输出结果，无需存储大量历史数据，计算量较小，实时性较好；对高频周期性噪声的抑制效果显著，适用于波动频率较高的场景。该算法在工业控制中应用广泛，如油箱油位监测、阀门开度反馈、烘箱温控等缓变信号的采集与处理。其局限性在于，存在一定的相位滞后，权重系数的设置依赖于工程经验，若设置不当，会导致信号滞后严重或噪声抑制效果不佳；同时，无法有效抑制频率高于采样频率一半的干扰信号，对脉冲噪声的抑制能力也较弱。

3.8 加权递推平均滤波算法

加权递推平均滤波算法是对滑动平均滤波算法的改进，主要解决了滑动平均滤波算法中所有样本权重相同、无法兼顾信号响应速度和平滑性的问题。其核心工作机制是，设定一个固定长度的滑动窗口，对窗口内的每个ADC数据样本赋予不同的权重，通常情况下，越接近当前时刻的样本，权重越大，越早期的样本，权重越小，然后对窗口内的样本进行加权平均运算，得到本次滤波的输出结果。通过赋予不同的权重，使得当前时刻的信号变化能够更快地反映在滤波输出中，同时通过加权平均，抑制随机噪声的影响。

加权递推平均滤波算法的优势在于，相较于滑动平均滤波算法，其信号响应速度更快，能够更好地跟踪信号的变化趋势，同时保留了对随机噪声的抑制能力，适用于有较大纯滞后时间常数、采样周期较短的系统，如生产线速度给定、张力控制等场景。其局限性在于，权重系数的设置较为复杂，需要结合信号特性和噪声情况进行优化，若权重设置不当，会导致滤波输出出现波动或滞后；同时，需要存储窗口内的所有样本并进行加权计算，计算量和内存占用均高于滑动平均滤波算法；此外，对脉冲噪声的抑制能力仍然有限，需要结合其他滤波算法使用。

3.9 消抖滤波算法

消抖滤波算法主要用于抑制信号的抖动现象，尤其是针对开关量信号和缓变模拟信号的抖动，其核心工作机制是通过设置一个滤波计数器，对ADC采集的数据进行连续判断。每次采集到新的数据后，将其与当前的有效滤波输出进行对比，若两者一致，则将计数器清零；若两者不一致，则将计数器加1，当计数器的值达到设定的上限时，认为信号发生了真实变化，将本次采集数据作为新的有效输出，并将计数器清零；若计数器未达到上限，则维持当前的有效输出不变。计数器的上限值根据信号抖动的持续时间确定，上限值越大，消抖效果越好，但信号响应速度越慢。

消抖滤波算法的优势在于，能够有效抑制信号的抖动现象，避免在临界值附近出现控制器反复开关、显示器数值抖动等问题，适用于变化缓慢的被测参数和开关量信号，如按钮、接近开关、液位开关等设备的信号采集，在设备启停、限位保护、故障报警等场景中应用广泛。其局限性在于，对快速变化的信号不适用于，计数器的存在会导致信号响应滞后，无法及时跟踪信号的快速变化；同时，该算法仅能抑制抖动，对脉冲噪声和随机噪声的抑制能力较弱，通常需要与其他滤波算法结合使用。

3.10 限幅消抖滤波算法

限幅消抖滤波算法是将限幅滤波算法和消抖滤波算法相结合的复合滤波算法，兼顾了脉冲噪声抑制和信号消抖的需求，适用于恶劣电磁环境下的信号采集。其核心工作机制是，首先对每次采集到的ADC数据进行限幅处理，剔除超出允许偏差范围的脉冲异常值，然后将经过限幅处理后的数据送入消抖计数器，进行消抖判断，当连续多次采集到的数据一致时，才将其作为有效输出，否则维持当前的有效输出不变。该算法通过限幅处理抑制脉冲噪声，通过消抖处理抑制信号抖动，实现了双重保护，提升了滤波输出的稳定性。

限幅消抖滤波算法的优势在于，对脉冲噪声和信号抖动均有较好的抑制效果，滤波输出稳定可靠，适用于恶劣电磁环境、关键保护信号的采集，如高压柜状态监测、危险气体报警等场景。其局限性在于，数据处理步骤较多，计算量和系统资源占用相对较大，实时性略差；参数设置较为复杂，需要同时设定限幅偏差值和消抖计数器上限，两者的设置均依赖于工程经验；此外，对于快速变化的信号，仍然存在响应滞后的问题。

4 十大ADC滤波算法对比与选型原则

4.1 算法特性对比

常见十大ADC滤波算法在噪声抑制能力、实时性、内存占用、信号滞后性、参数复杂度等方面存在显著差异，明确各类算法的特性对比，是实现合理选型的基础。限幅滤波、消抖滤波的实时性最好，计算量和内存占用最小，但噪声抑制范围较窄，仅能针对性抑制脉冲噪声或信号抖动；中值滤波、中位值平均滤波对脉冲噪声的抑制效果突出，但实时性一般，内存占用中等；算术平均滤波、滑动平均滤波对随机噪声的抑制效果较好，但存在一定的信号滞后，内存占用中等；一阶滞后滤波内存占用最小，对高频噪声抑制效果好，但存在相位滞后；加权递推平均滤波响应速度较快，但参数设置复杂；限幅平均滤波、限幅消抖滤波作为复合算法，噪声抑制范围广，但计算量和参数复杂度较高。

从信号失真角度来看，中值滤波、加权递推平均滤波对信号边缘和变化趋势的保留效果较好，不易出现信号模糊；而算术平均滤波、滑动平均滤波、一阶滞后滤波容易导致信号出现一定程度的平滑失真；限幅类滤波算法若参数设置不当，可能会导致信号突变被误判，出现失真。从适用噪声类型来看，限幅滤波、中值滤波、中位值平均滤波、限幅平均滤波、限幅消抖滤波主要针对脉冲噪声；算术平均滤波、滑动平均滤波、一阶滞后滤波、加权递推平均滤波主要针对随机噪声和周期性噪声；消抖滤波主要针对信号抖动。

4.2 算法选型原则

ADC滤波算法的选型，核心是结合实际应用场景，平衡噪声抑制效果、实时性、系统资源、信号失真等因素，遵循“按需选型、兼顾性能”的原则，具体可分为以下几个方面：

第一，根据噪声类型选型。若采集场景中主要存在脉冲噪声，如工业现场的电磁干扰、静电放电等，优先选择限幅滤波、中值滤波、中位值平均滤波；若主要存在随机噪声，如传感器热噪声、ADC量化噪声，优先选择算术平均滤波、滑动平均滤波、一阶滞后滤波；若存在信号抖动，如开关量信号、缓变信号的临界抖动，优先选择消抖滤波、限幅消抖滤波；若同时存在多种噪声，优先选择复合滤波算法，如限幅平均滤波、限幅消抖滤波、中位值平均滤波。

第二，根据信号特性选型。对于快速变化的信号，如转速、电流、电压等，优先选择实时性好、滞后性小的算法，如限幅滤波、加权递推平均滤波，避免使用滑动平均滤波、算术平均滤波等滞后性较强的算法；对于缓慢变化的信号，如温度、液位、压力等，可选择噪声抑制效果更好的算法，如中值滤波、一阶滞后滤波、中位值平均滤波，适当牺牲部分实时性以提升滤波效果；对于需要保留信号边缘特征的场景，优先选择中值滤波、加权递推平均滤波，避免使用平均类滤波算法。

第三，根据系统资源选型。对于资源有限的嵌入式系统，如51单片机、低端MCU，优先选择计算量小、内存占用低的算法，如限幅滤波、一阶滞后滤波、消抖滤波，避免使用滑动平均滤波、中位值平均滤波等需要存储多个样本的算法；对于资源充足的系统，如STM32、DSP等，可选择复合滤波算法或噪声抑制效果更好的算法，兼顾滤波效果和信号质量。

第四，根据工程需求选型。对于对控制精度要求高、噪声抑制需求严格的场景，如高精度测量仪器、医疗电子设备，可选择中位值平均滤波、加权递推平均滤波，或结合多种算法进行多级滤波；对于对实时性要求极高、控制响应快的场景，如电机控制、无人机姿态控制，优先选择限幅滤波、一阶滞后滤波等实时性好的算法；对于通用工业场景，可选择限幅平均滤波，其兼顾了噪声抑制效果和实时性，适配性较强。

5 结论与展望

5.1 结论

本文对常见十大ADC滤波算法（限幅滤波、中值滤波、算术平均滤波、滑动平均滤波、中位值平均滤波、限幅平均滤波、一阶滞后滤波、加权递推平均滤波、消抖滤波、限幅消抖滤波）进行了系统研究，阐述了各算法的核心原理、工作机制和技术特性，对比分析了各类算法的优势与局限性，并提出了基于噪声类型、信号特性、系统资源和工程需求的选型原则。研究表明，各类ADC滤波算法均有其适用场景，没有绝对最优的算法，只有最适合具体应用场景的算法：简单场景可选择限幅滤波、一阶滞后滤波等基础算法，兼顾实时性和资源占用；复杂噪声场景可选择中位值平均滤波、限幅消抖滤波等复合算法，提升噪声抑制效果；高精度场景可选择加权递推平均滤波等优化算法，平衡信号平滑性和响应速度。

ADC滤波算法作为提升数据采集质量的关键技术，其性能直接影响整个电子系统的稳定性和可靠性。在实际工程应用中，应结合具体的噪声环境、信号特征和系统资源，合理选择滤波算法，优化算法参数，必要时可采用多级滤波的方式，结合多种算法的优势，实现更好的噪声抑制效果，为后续的信号处理和控制决策提供可靠的数据支撑。

5.2 展望

随着电子技术、人工智能技术的不断发展，ADC滤波算法正朝着智能化、自适应化的方向发展。未来，一方面，可结合机器学习、深度学习等技术，开发自适应滤波算法，实现噪声类型的自动识别和滤波参数的自动优化，无需人工干预即可适应不同的噪声环境和信号特征，提升滤波算法的适配性和滤波效果；另一方面，可针对复杂场景，如多噪声叠加、高速信号采集等，开发新型复合滤波算法，融合传统滤波算法和智能算法的优势，在保证实时性的同时，进一步提升噪声抑制能力和信号保真度。

此外，随着ADC技术的不断进步，高采样率、高精度ADC的应用越来越广泛，对滤波算法的实时性和噪声抑制能力提出了更高的要求。未来的研究可聚焦于高效、低延迟的滤波算法设计，结合硬件加速技术，降低滤波算法的计算延迟，提升数据处理效率，满足高速、高精度ADC数据采集的需求。同时，可加强滤波算法在物联网、工业互联网、医疗电子等新兴领域的应用研究，针对不同领域的特殊需求，优化算法设计，推动相关领域技术的发展。

📚第二部分——运行结果

实验器材:
MiniSTM32F103开发板V3版本

实验目的:
学习STM32内部ADC的使用

硬件资源:
1,DS0(连接在PA8)
2,串口1(波特率:9600,PA9/PA10连接在板载USB转串口芯片CH340上面)
3,ALIENTEK 2.8/3.5/4.3/7寸TFTLCD模块(通过GPIO驱动,连接关系见lcd.h)
4,ADC(STM32内部ADC1,通道1,即:ADC1_CH1)

实验现象:
本实验通过STM32内部ADC1读取通道1（PA1）上面的电压，在LCD模块上面显示ADC转换值以及换算成电压后
的电压值。

注意事项:
1,4.3寸和7寸屏需要比较大电流,USB供电可能不足,请用外部电源供电(5V电源，接VOUT2即可).
2,本例程在LCD_Init函数里面(在ILI93xx.c),用到了printf,如果不初始化串口1,将导致液晶无法显示!!
3,LCD模块在开发板的LCD接口上面，必须靠右插
4,STM32F103RCT6的参考电压恒为VDDA（即3.3V）
5,ADC的最大输入电压是3.3V,请不要超过这个值.