标签VNC

    卡尔曼滤波（Kalman filtering）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。
    数据滤波是去除噪声还原真实数据的一种数据处理技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。（百度百科）

    实际应用中，我们陀螺仪实验的时候，会发现获取的数值抖动太大，不够平滑；这样的数值在应用时会导致很多问题，因此需要通过一定的算法将数值转换的更平滑。如下采集数据：

105.87231557, 108.0076993, 85.64052734, 84.23328308, 124.71488794, 102.91086635, 96.6229862, 93.07739765, 98.52594135, 111.79610743, 94.78393208, 105.27301268, 87.23224952, 89.71036819, 117.43724425, 64.70525616, 75.48832499, 91.99249324, 105.44355624, 84.93538347

    上面的数据是获取的陀螺仪Roll方向20次样本数据，可见数值波动很大，如84都124，89到117等。下面我们将尝试卡尔曼算法，实现数值降噪滤波。

代码示例：

#!/usr/bin/env python

#coding:utf-8



'''

from JiuJiang

树莓酱的操作实例

https:://www.suhmeijiang.com

'''

import matplotlib.pyplot as plt



#滤波类

class kalman_filter:

    def __init__(self,Q,R):

        self.Q = Q

        self.R = R



        self.P_k_k1 = 1

        self.Kg = 0

        self.P_k1_k1 = 1

        self.x_k_k1 = 0

        self.ADC_OLD_Value = 0

        self.Z_k = 0

        self.kalman_adc_old=0



    def kalman(self,ADC_Value):



        self.Z_k = ADC_Value



        if (abs(self.kalman_adc_old-ADC_Value)>=60):

            self.x_k1_k1= ADC_Value*0.382 + self.kalman_adc_old*0.618

        else:

            self.x_k1_k1 = self.kalman_adc_old;



        self.x_k_k1 = self.x_k1_k1

        self.P_k_k1 = self.P_k1_k1 + self.Q

        self.Kg = self.P_k_k1/(self.P_k_k1 + self.R)



        kalman_adc = self.x_k_k1 + self.Kg * (self.Z_k - self.kalman_adc_old)

        self.P_k1_k1 = (1 - self.Kg)*self.P_k_k1

        self.P_k_k1 = self.P_k1_k1



        self.kalman_adc_old = kalman_adc



        return kalman_adc



if __name__ == '__main__':

    kalman_filter =  kalman_filter(0.001,0.1)



    #陀螺仪测试数据

    test_array = [105.87231557, 108.0076993, 85.64052734, 84.23328308, 124.71488794, 102.91086635, 96.6229862, 93.07739765, 98.52594135, 111.79610743, 94.78393208, 105.27301268, 87.23224952, 89.71036819, 117.43724425, 64.70525616, 75.48832499, 91.99249324, 105.44355624, 84.93538347, 105.87231557, 108.0076993, 85.64052734, 84.23328308, 124.71488794, 102.91086635, 96.6229862, 93.07739765, 98.52594135, 111.79610743, 94.78393208, 105.27301268, 87.23224952, 89.71036819, 117.43724425, 64.70525616, 75.48832499, 91.99249324, 105.44355624, 84.93538347]



    print(test_array)

    n = len(test_array)



    #卡尔曼过滤

    new_array=[]

    for i in range(n):

        new_array.append(int(kalman_filter.kalman(test_array[i])))



    #滤波后数据

    print(new_array)



    #图形生成展示

    plt.plot(new_array)

    plt.plot(test_array)

    plt.show()

效果如图：

    上图可见，我们通过vnc进入可视化桌面，然后命令行执行程序文件，左侧是输出的数据；右侧是图表化滤波数据和原值数据，蓝色是滤波后数据，黄色是原值数据。可见，滤波后数据变的平滑很多。

    算法部分来源于大神文章：https://blog.csdn.net/moge19/article/details/82531119

    图形化展示部分，使用的是matplotlib，Python的2D绘图库；系统默认是没有安装的，需要自己安装，由于默认安装的matplotlib版本执行一直有问题，所以安装时指定了版本：

pip install matplotlib==2.0.2

    安装后执行如果报问题：Couldn't find foreign struct converter for 'cairo.Context'，那么执行如下命令：

 sudo apt-get install python-gi-cairo

其他滤波算法，还没尝试，如果有兴趣可以试一下：十种滤波算法的Python实现。

VNC是一款远程桌面软件（Virtual Network Console），学名虚拟网络控制台；树莓派安装这个软件，目的是通过该软件直接桌面化访问和操作，省去了命令行操作带来的烦恼；当然也可以通过树莓派外接鼠标、键盘和显示器实现，只是成本会高一些。

#下载VNC软件，这边我们通过官网下载：VNC官网，见下图根据自己的系统选择下载；

#下载后安装，安装成功后打开软件，然后右键选择 New connection，出现新加配置页面，其中VNC server添加我们配置好的树莓派静态IP地址；Name填写我们容易区分的别名即可；然后点击OK；
双击安装后的图标，如果出现报错 “cannot currently show the desktop”，可能意味着默认分辨率需要调整，当前VNC不支持默认分辨率；可如下修改：

命令行下执行：sudo raspi-config，效果见下图，然后选择选项7 Advanced Options（高级选项）

回车确认后见下图，选择A5 Resolution （分辨率）

然后继续回车，可见下图多个分辨率列表，选择其中 1280x720 分辨率然后回车选择；

确认完之后记得最后选择 <Finish> ，完成设置。