时域上的滤波有很多常用的算法，这里总结一下。

噪声幅度大

  • 限幅滤波法
  • 中值滤波法

噪声频率与信号频率有明显差异

  • 高频噪声（俗称毛刺）
  • 算术平均
  • 消抖滤波法
  • 加权滑动平均
  • 一阶滞后滤波法
  • 巴特沃斯/FIP低通滤波器
  • 低频噪声
  • 巴特沃斯/FIP高通滤波器

噪声频率与信号频带重叠

  • 信号和噪声的统计特性先验已知
  • 维纳滤波（参数是固定的，适合于平稳随机信号。）
  • 卡尔曼滤波（参数是时变的，适合于非平稳随机信号。）
  • 特性未知
  • 自适应去噪 (simplified,Nomalized) LMS / RLS （在维纳滤波理论上运用速下降法后的优化延伸）。RLS的收敛速率要快一些，非平稳信号的适应性也高一些。
  • 小波去噪
  • 经验模态分解EMD（解决了小波基不好选取的问题）

复合算法

  • 中位值平均滤波法
  • 限幅平均滤波法
  • 限幅消抖滤波法

在这些方法中，用得最多的还是移动平均。但是移动平均有一个问题：计算大，内存大。（相对于资源有限的终端来说）。
这里有一个思路，是移动平均的变种，可以大大降低计算和内存占用。

初始化：C为信号序列，A为平滑后的序列，初始值=C1，S=A*N，N为滑动窗口的大小
S = S - A + C
A = S / N
就这么简单，三个变量（N可以是常数），只要 S 的量程足够，N可以任意调整。
可以看出，此算法是从队列平均值算法演变而来，因没有了队列，每次计算时不知道该丢弃的最老的一个采样值是多少，这里用了个替代的办法，丢弃上次计算出的平均值。
去掉了缓存维护，节省内存空间，同时也将运算量压缩到了最小，执行效率非常高。调试时容易修改采样数。

优化算法：
此算法的核心思想还是平均值滤波，虽然改进了运算量和内存占用，但同样继承了平均值滤波法 N 值较大时平滑度好，反应迟钝的特点。
为此，对算法引入 S7-200 系统滤波程序中死区的概念：采样值偏差在死区范围内时，进行滤波计算，采样值偏差在死区范围以外时直接使用采样值，达到快速反应的效果。（设置滤波门槛，保持数据敏感度）
再溶合限幅滤波法去掉偶然的干扰脉冲：采样值偏差在限幅范围内时，进行滤波计算，采样值偏差在限幅范围以外时直接丢弃，使用上次滤波输出值。显然，限幅值应该大于死区值。

Reference:
方法介绍与C语言版
方法介绍与C语言版2
以上两个链接代码仅供参考，可能有错误。
用于Arduino的C语言版
matlab实现