STM32单片机项目实战：传感器数据采集与处理实战

# 1. STM32单片机基础

STM32单片机是意法半导体公司推出的32位微控制器系列，广泛应用于工业控制、消费电子、医疗器械等领域。STM32单片机具有高性能、低功耗、丰富的外设资源等特点，是开发嵌入式系统的理想选择。

本章将介绍STM32单片机的基本架构、外设资源、编程语言和开发环境，为后续的传感器数据采集与处理实战奠定基础。

# 2. 传感器数据采集

### 2.1 传感器简介

传感器是将物理量、化学量或生物量转换成可用信号的器件或装置。在嵌入式系统中，传感器广泛用于采集环境或系统内部的信息，为后续的数据处理和控制提供基础。

#### 2.1.1 传感器类型

传感器按其检测的物理量或化学量可分为多种类型，常见的有：

- 温度传感器：检测温度变化。
- 光传感器：检测光强或光色。
- 加速度传感器：检测加速度或倾斜。
- 压力传感器：检测压力或力。
- 气体传感器：检测特定气体的浓度。

#### 2.1.2 传感器接口

传感器与微控制器通信需要通过特定的接口，常见的传感器接口包括：

- 模拟接口：将传感器输出的模拟信号直接连接到微控制器的ADC（模数转换器）输入端。
- 数字接口：将传感器输出的数字信号直接连接到微控制器的GPIO（通用输入/输出）端口。
- I2C接口：一种串行通信接口，允许多个传感器通过两根总线与微控制器通信。
- SPI接口：一种高速串行通信接口，允许多个传感器通过四根总线与微控制器通信。

### 2.2 STM32单片机传感器接口

STM32单片机集成了多种传感器接口，包括：

#### 2.2.1 ADC接口

ADC接口用于采集模拟信号，STM32单片机通常有多个ADC模块，每个模块包含多个ADC通道。ADC通道的输入端可以连接传感器输出的模拟信号，通过配置ADC模块的采样率、分辨率和触发方式，可以实现对传感器信号的采集。

#### 2.2.2 I2C接口

I2C接口是一种两线串行通信接口，STM32单片机通常有多个I2C模块。I2C模块的SCL（时钟线）和SDA（数据线）连接到传感器上的相应引脚，通过配置I2C模块的通信速率和从机地址，可以实现与传感器之间的通信。

#### 2.2.3 SPI接口

SPI接口是一种四线串行通信接口，STM32单片机通常有多个SPI模块。SPI模块的SCK（时钟线）、MOSI（主输出从机输入）、MISO（主输入从机输出）和SS（片选线）连接到传感器上的相应引脚，通过配置SPI模块的通信速率、数据格式和片选方式，可以实现与传感器之间的通信。

# 3. 传感器数据处理

**3.1 数据预处理**

数据预处理是传感器数据处理的关键步骤，旨在提高数据的质量和可靠性。主要包括数据滤波和数据校准两个方面。

**3.1.1 数据滤波**

数据滤波用于去除传感器数据中的噪声和干扰。常用的滤波方法有：

- **移动平均滤波：**计算数据点一定窗口内的平均值，平滑数据。
- **指数加权移动平均滤波：**赋予最近数据点更高的权重，响应更迅速。
- **卡尔曼滤波：**一种状态空间滤波器，结合传感器数据和系统模型，估计真实状态。

import numpy as np

# 移动平均滤波
def moving_average(data, window_size):
    return np.convolve(data, np.ones(window_size), 'valid') / window_size

# 指数加权移动平均滤波
def exponential_moving_average(data, alpha):
    return alpha * data + (1 - alpha) * exponential_moving_average(data, alpha)

# 卡尔曼滤波
class KalmanFilter:
    def __init__(self, A, B, H, Q, R):
        self.A = A  # 状态转移矩阵
        self.B = B  # 控制输入矩阵
        self.H = H  # 观测矩阵
        self.Q = Q  # 状态噪声协方差矩阵
        self.R = R  # 观测噪声协方差矩阵

    def predict(self, x, u):
        return self.A @ x + self.B @ u

    def update(self, y, x):
        K = self.H @ self.P @ np.linalg.inv(self.H @ self.P @ self.H.T + self.R)
        x = x + K @ (y - self.H @ x)
        self.P = (np.eye(self.P.shape[0]) - K @ self.H) @ self.P
        return x

**3.1.2 数据校准**

数据校准用于消除传感器数据中的系统误差。常用的校准方法有：

- **零点校准：**在已知零点时，将传感器输出调整为零。
- **多点校准：**在已知多个点时，拟合一条曲线，用于校正传感器输出。
- **自校准：**利用传感器自身的特性，通过算法自动校准。

# 零点校准
def zero_calibration(data):
    return data - np.mean(dat