在傳感器使用中，我們常常需要對傳感器數據進行各種整理，讓應用獲得更好的效果，以下介紹幾種常用的簡單處理方法：

加權平滑：平滑和均衡傳感器數據，減小偶然數據突變的影響。
抽取突變：去除靜態和緩慢變化的數據背景，強調瞬間變化。
簡單移動平均線：保留數據流最近的K個數據，取平均值。

下面，具體介紹一下這3種處理方法。

1、加權平滑

使用算法如下：

(新值) = (舊值)*(1 - a) + X * a其中a為設置的權值，X為最新數據，程序實現如下：

float ALPHA = 0.1f;
public void onSensorChanged(SensorEvent event){
x = event.values[0];
y = event.values[1];
z = event.values[2];
mLowPassX = lowPass(x,mLowPassX);
mLowPassY = lowPass(x,mLowPassY);
mLowPassZ = lowPass(x,mLowPassZ);
}
private float lowPass(float current,float last){
return last * (1.0f - ALPHA) + current * ALPHA;
}

2、抽取突變

此算法采用上面加權平滑的逆算法，實現代碼如下：

public void onSensorChanged(SensorEvent event){
final float ALPHA = 0.8;gravity[0] = ALPHA * gravity[0] + (1-ALPHA) * event.values[0];
gravity[1] = ALPHA * gravity[1] + (1-ALPHA) * event.values[1];
gravity[2] = ALPHA * gravity[2] + (1-ALPHA) * event.values[2];filteredValues[0] = event.values[0] - gravity[0];
filteredValues[1] = event.values[1] - gravity[1];
filteredValues[2] = event.values[2] - gravity[2];
}

3、簡單移動平均線

這個算法，保留傳感器數據流中最近的K個數據，返回它們的平均值。k表示平均“窗口”的大小，實現代碼如下：

public class MovingAverage{
private float circularBuffer[]; //保存傳感器最近的K個數據
private float avg; //返回到傳感器平均值
private float sum; //數值中傳感器數據的和
private float circularIndex; //傳感器數據數組節點位置
private int count;public MovingAverage(int k){
circularBuffer = new float[k];
count= 0;
circularIndex = 0;
avg = 0;
sum = 0;
}
public float getValue(){
return arg;
}
public long getCount(){
return count;
}
private void primeBuffer(float val){
for(int i=0;i= circularBuffer.length){
return 0;
}
return curIndex + 1;
}
public void pushValue(float x){
if(0 == count++){
primeBuffer(x);
}
float lastValue = circularBuffer[circularIndex];
circularBuffer[circularIndex] = x; //更新窗口中傳感器數據
sum -= lastValue; //更新窗口中傳感器數據和
sum += x;
avg = sum / circularBuffer.length; //計算得傳感器平均值
circularIndex = nextIndex(circularIndex);
}
};++i){>

來源：STM32嵌入式開發
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問題，請聯系小編進行處理