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：

1.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；

2.抽取突變：去除靜態和緩慢變化的數據背景，強調瞬間變化；

3.簡單移動平均線：保留數據流最近的K個數據，取平均值；

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;

} ??

抽取突變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];
} ??

簡單移動平均線

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[i] = val;

sum += val;

}

}

private int nextIndex(int curIndex){

if(curIndex + 1 >= 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);

}

} ?

編輯：黃飛

?