示意图
[0044] 图3为本发明基于线性系统数据滤波方法的原理示意图
[0045] 图4所示为使用本发明的滤波方法进行滤波后的波形和使用卡尔曼滤波进行滤波 后的波形对比图
【具体实施方式】
[0046] 下面结合附图，对本发明的【具体实施方式】作进一步的详细说明。
[0047]需要说明的是，本发明采用的数字滤波方法以基于微分思想为理论基础的。在数 学中，微分是对函数的局部变化的一种线性描述，微分也可以近似地描述当函数自变量的 变化量取值作足够小时，函数的值是怎样改变的。根据微分的性质，当一个可以进行微分的 函数其自变量的变化量取得足够小的时候，在这段变化的范围内可以认为因变量是线性变 化的。
[0048]本领域技术人员清楚，在对传感器进行滤波的时候，自变量就是处理器对传感器 数据的采样间隔时间，因变量就是传感器的输出数据。通常传感器是用来测量环境变量的， 由于环境变量变化的比较慢，也就是它的变化曲线是比较平滑的，所以其所构成的变化函 数肯定是可微的，即曲线变化的比较平滑；因此，在该曲线上取一段非常小的变化区间，那 么就可以近似认为该段曲线是直线，也就是说该段曲线是线性变化的。
[0049] 请参阅图1，图1为本发明基于线性系统数据滤波装置的方框示意图。如图所示，该 线性系统数据滤波装置是基于实测值和估计值的最优值计算，其包括检测线性系统测量值 的传感器和数据滤波模块;该数据滤波模块包括存储单元、处理单元、参数初始化单元和输 出单元。存储单元所存储的参数包括相邻两次得到两个最优值变量P0和P1、两个最优值变 量P0和P1两点构成的直线的斜率K、估计值P_E、测量值P_N、估计值P_E和测量值P_N的差值 ΛΡ、对比值R和传感器的采集时间间隔T等参数。
[0050] 请参阅图2,图2为本发明基于实测值和估计值的最优值计算的线性系统数据滤波 方法的流程方框示意图。如图所示，本发明的基于实测值和估计值的最优值计算的线性系 统数字滤波方法，包括以下几个步骤：
[0051] 步骤S1:分析和判断系统类型是否是线性系统以及系统内的噪声类型
[0052] 以上叙述表明，该滤波方法适用于线性系统，因此，首先要确定进行滤波的系统的 属性，只有线性系统才可以用该方法。线性系统的特性比较简单，线性系统需满足线性的特 性。
[0053] 也就是说，状态变量和输出变量对于所有可能的输入变量和初始状态都满足叠加 原理的系统，叠加原理是指：
[0054] 如果系统相应于任意两种输入和初始状态(ul(t)，X〇l)和(u2(t)，x02)时的状态 和输出分另ll为(χ?⑴，yl⑴）和(x2(t)，y2(t));
[0055] 当输入和初始状态为：
[0056] (Clul(t)+C2u2(t),Clx01+C2x02)
[0057] 系统的状态和输出必为：
[0058] (Clxl(t)+C2x2(t),Clyl(t)+C2y2(t))
[0059] 其中：X表示状态，y表示输出，u表示输入，Cl和C2为任意实数。
[0060] 本领域技术人员清楚，一个由线性元部件所组成的系统必是线性系统。但是，相反 的命题在某些情况下可能不成立。线性系统的状态变量(或输入变量)与输出变量间的因果 关系可用一组线性微分方程或差分方程来描述，这种方程称为系统的数学模型。作为叠加 性质的直接结果，线性系统的一个重要性质是系统的响应可以分解为两个部分:零输入响 应和零状态响应。前者指由非零初始状态所引起的响应;后者则指由输入引起的响应。两者 可分别计算。这一性质可以用来判断是否是线性系统。如果系统符合线性系统的特征，则可 以判断为线性系统，则可以用本发明的滤波方法进行滤波。
[0061] 接着，还需进一步判断该线性系统内的噪声类型，该方法适用于滤除或减小线性 系统内的白噪声，同时该白噪声要服从高斯分布，它的功率谱密度是均匀分布的。该方法适 用于滤除或减小线性系统内的白噪声。
[0062] 步骤S2:初始化测量系统相关变量以及计算数据变化率
[0063] 在本发明实施例中，在对线性系统进行数字滤波前，需先对两个最优值变量P0和 P1、两个最优值变量P0和P1两点构成的直线的变化率K、估计值P_E、测量值P_N、估计值P_E 和测量值P_N的差值ΛΡ、对比值R和传感器的采集时间间隔T等参数进行初始化。
[0064] 两个最优值变量P0和P1初始化：
[0065] 第一次测量时将P0、P1都置为0,这时候开启传感器进行数据的采集，将采集的时 间间隔T设置为lms到10ms之间，将前两组采集到的数据依次存入最优值变量P0和P1，有了 这两组数据就可以计算出这两组数据的变化率K，在以时间为X轴，传感器输出数据为Y轴构 成的坐标系（如图3所示）中，最优值变量P0和P1两点构成的直线的斜率即为两组数据的变 化率K 〇
[0066] 假设，采样间隔为t，两个最优值变量Ρ0和Ρ1构成的直线的斜率为k，则该直线的斜 率为： Γ ? , (PO-Pl)
[0067] k = ^ (1)
[0068] 由于采样间隔非常小，从该数据的变化率也可以看出数据的变化趋势。当系统不 是处于初始阶段的时候，最优值变量P0和P1里面保存的是前面计算得出的最优值，变化率 计算方法和以上步骤相同。
[0069] 步骤S3:通过步骤S2的变化率K去估算下一个传感器测量数据的大小并采集当前 传感器数据。
[0070] 由步骤S2得到一个数据k，它代表了前两次最优值的变化趋势。根据微积分的性 质，当函数自变量的变化量取足够小的时候，在这段变化的范围内可以认为因变量是线性 变化的，所以，可以大致认为传感器下一个采集到的数据对比前两次数据的变化的斜率是 一样的，也就是说这个估计值在前两个数据构成的直线的延长线上，但这个估计值不是 100%可靠的。
[0071 ]如图3所示，设置两个变量P_E和P_N;其中，P_E用来保存得到的估计值，P_N代表传 感器测得的当前的数据值。
[0072] 根据上面的分析，可以得到估计值的大小的计算式为： Γ ? (PO-Pl) CP E-PO) /0v
[0073] ~~= ~- (2)
[0074]计算得到估计值：
[0075] ρ_Ε = 2*Ρ0-Ρ1 (3)
[0076] 同时，将传感器测量得到的当前数据值保存到存储单元的P_N中。
[0077]步骤S4:比较得到估计值P_E和测量值P_N的可信程度。
[0078] 通过以上步骤，得到了一个估计值P_E和一个测量值P_N，最后的最优计算值就是 通过这两个数据得到的。
[0079] 现在要分析两个数据到底哪一个更加可靠，估计的数据虽然按照之前的数据的变 化规律计算得到的，但是准确性存在一定的问题，无法准确体现一个微小的变化值，设置估 计值P_E和测量值P_N的差值为ΛΡ，同时，设定一个对比值R。
[0080] 当估计值和测量值的差值ΛΡ比R小时，估计值P_E和测量值P_N比较接近，测量值 跟预期的情况比较接近，出现噪声的可能性比没有噪声的可能性小，这时候认为测量值P_N 比估计值P_E更加可靠，而且估计值P_E和测量值P_N的差值ΛΡ越小，认为测量值P_N的可靠 性更高，且可靠程度随差值ΛΡ呈线性变化。
[0081] 当估计值和测量值的差值ΛΡ为零时，估计值P_E和测量值P_N同样可靠，可靠程度 相同。
[0082] 当估计值和测量值的差值ΛΡ比R大时，估计值P_E和测量值P_N差距比较大，这时 候可以认为测量值发生了比较大的突变，这样的情况基本可以认为数据里掺杂了很多噪 声，这时候可以确定更加应该去相信估计值。且估计值P_E和测量值P_N的差值ΛΡ越大，认 为估计值更加可靠，且可靠程度随差值ΛΡ呈线性变化。
[0083]