在傳感器使用中，我們常常需要對傳感器數(shù)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(shù)據，減小偶然數(shù)據突變的影響;

2.抽取突變：去除靜態(tài)和緩慢變化的數(shù)據背景，強調瞬間變化;

3.簡單移動平均線：保留數(shù)據流最近的K個數(shù)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(shù)據，程序實現(xiàn)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(xiàn)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(shù)據流中最近的K個數(shù)據，返回它們的平均值。k表示平均“窗口”的大小；

實現(xiàn)代碼如下：

public class MovingAverage{
private float circularBuffer[]; //保存?zhèn)鞲衅髯罱腒個數(shù)據
private float avg; //返回到傳感器平均值
private float sum; //數(shù)值中傳感器數(shù)據的和
private float circularIndex; //傳感器數(shù)據數(shù)組節(jié)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(shù)據
sum -= lastValue; //更新窗口中傳感器數(shù)據和
sum += x;
avg = sum / circularBuffer.length; //計算得傳感器平均值
circularIndex = nextIndex(circularIndex);
}
}