针对ADXL345加速度计的软件滤波方法，以下是几种常用且易实现的方案：

1. 移动平均滤波（Moving Average）

   • 原理：取最近N次采样值的平均值，平滑短期波动。

   • 实现：

     window_size = 5  # 窗口大小（根据需求调整）
     buffer_x = []
     
     def moving_average(new_value, buffer):
      buffer.append(new_value)
      if len(buffer) > window_size:
          buffer.pop(0)
      return sum(buffer) / len(buffer)
     
     filtered_x = moving_average(adxl345_read_x(), buffer_x)

2. 低通滤波（Low-Pass Filter）

   • 原理：抑制高频噪声，保留低频信号。
   • 公式：filtered = α * new_value + (1-α) * prev_filtered
   • 参数：α（0.1~0.3，值越小滤波越强）
   • 代码：

     alpha = 0.2
     filtered_x = alpha * current_x + (1 - alpha) * filtered_x_prev

3. 卡尔曼滤波（Kalman Filter）

   • 原理：动态预测+测量修正，适合实时去噪。

   • 简化代码示例：

     class SimpleKalman:
      def __init__(self, process_noise=0.01, measurement_noise=0.1):
          self.Q = process_noise    # 过程噪声
          self.R = measurement_noise # 测量噪声
          self.P = 1.0              # 估计误差协方差
          self.X = 0.0              # 初始状态值
     
      def update(self, measurement):
          # 预测
          self.P += self.Q
          # 更新
          K = self.P / (self.P + self.R)
          self.X += K * (measurement - self.X)
          self.P *= (1 - K)
          return self.X
     
     kalman_x = SimpleKalman()
     filtered_x = kalman_x.update(adxl345_read_x())

4. 中值滤波（Median Filter）

   • 原理：取窗口内数据的中间值，有效消除脉冲干扰。

   • 实现：

     window_size = 5
     buffer = []
     
     def median_filter(new_val):
      buffer.append(new_val)
      if len(buffer) > window_size:
          buffer.pop(0)
      sorted_buf = sorted(buffer)
      return sorted_buf[len(sorted_buf)//2]

优化建议：

• 先启用ADXL345内置硬件滤波：通过BW_RATE寄存器设置输出速率（如≤100Hz）和低通带宽。
• 结合硬件滤波（如设置50Hz带宽）与软件滤波效果更佳。
• 实时性要求高的场景（如手势识别）选移动平均或低通滤波；动态追踪（如无人机姿态）推荐卡尔曼滤波。
• 滤波强度需平衡：过度滤波会导致信号延迟，建议通过实际数据测试调整参数。

根据具体场景选择方法，通常建议优先尝试低通滤波或卡尔曼滤波。