在信号处理、传感器数据处理等领域，除了卡尔曼滤波，还有很多常用的滤波算法，它们各有特点，适用于不同场景。下面用通俗易懂的方式介绍几种最常用的，并对比它们的区别和应用：
一、移动平均滤波（Moving Average Filter）
通俗理解：'取最近 N 个数据的平均值'，比如连续测 5 次温度，每次都用最近 3 次的平均作为结果，平滑波动。
核心原理：
- 假设噪声是'随机波动'（忽高忽低），通过平均抵消部分噪声（正噪声和负噪声互相抵消）。
- 公式：当前滤波值 = （第 1 次 + 第 2 次 + ... + 第 N 次）÷ N（N 是窗口大小，比如 3、5、10）。
特点：
- 优点：简单到能在单片机里用几行代码实现，计算量极小。
- 缺点：窗口越大，滞后越明显（比如温度突然升高，平均后反应变慢）；无法处理'持续偏移'的噪声（如传感器缓慢漂移）。
应用场景：
- 对实时性要求高、噪声是随机小波动的场景：
- 温湿度传感器数据平滑（如房间温度缓慢变化，偶尔跳变 1℃）；
- 心率监测（脉搏信号有小波动，取 5 次平均更稳定）。
二、指数移动平均滤波（Exponential Moving Average, EMA）
通俗理解：'给新数据更高的权重，老数据权重逐渐降低'，比如最近 1 次数据占 60%，上 1 次占 30%，再上 1 次占 10%，既平滑又减少滞后。
核心原理：
- 相比移动平均，不丢弃老数据，但老数据的影响随时间'指数级衰减'。
- 公式：当前滤波值 = 新数据 × 权重 + 上一次滤波值 ×(1 - 权重)（权重通常取 0.1-0.5）。
特点：
- 优点：比移动平均响应更快（滞后小），计算量同样很小（只需保存上一次结果）。
- 缺点：权重需要手动调（调不好会过滤不彻底或响应太慢）；仍无法处理大的突变噪声。
应用场景：
- 需要平衡'平滑性'和'响应速度'的场景：
- 股票价格曲线平滑（既过滤短期波动，又能及时反映趋势变化）；
- 无人机高度数据处理（气压计数据有小波动，需快速响应高度变化）。
三、中值滤波（Median Filter）
通俗理解：'取最近 N 个数据中的中间值'，比如测 5 次数据为 [2, 100, 3, 5, 4]，中间值是 4，直接排除掉 100 这种'跳变噪声'。
核心原理：
- 专门对付'脉冲噪声'（偶尔出现的极大 / 极小值，比如传感器突然被干扰），中间值能有效剔除异常值。
特点：
- 优点：对'突发大噪声'（如电压波动导致的传感器跳变）效果极好，计算简单。
- 缺点：对连续波动的噪声（如温度一直忽高忽低）效果不如平均滤波；窗口越大，滞后越明显。
应用场景：
- 传感器易受突发干扰的场景：
- 图像去噪（老照片中的'斑点'，取周围像素的中值可消除）；
- 工业传感器数据（如振动传感器偶尔因机械冲击出现异常值）。
四、巴特沃斯滤波（Butterworth Filter）
通俗理解：'只保留特定频率的信号，过滤其他频率的噪声'，比如声音信号中，只保留人说话的频率（300-3400Hz），过滤高频的电流杂音。
