关于AD采样值归一化

langling

记得资料归一化的公式是（当前值-最小值）/（最大值-最小值），我认为归一化是一种相对值的处理方式，把传感器值“归一”，用一个万用表比喻，归一的过程就好像每次用的时候把万用表重新归零，并校准。
拿电磁车来举例说明，假设不用归一化处理时，距离中线零偏差时，电感A的值是1000，偏离赛道20厘米时，电感A值是200.当赛道电源不准时，比如输出电流由100ma变成了120ma，这时，电感A在零偏差的值和偏离赛道20厘米时候的值都会变大，设分别变成了1200和240，这时，你设定的阈值会出问题了。比如，你设置在电感A值小于等于200的时候（偏差20cm）判定丢线，电流变大之后，偏差为20cm，A电感值为240，大于了200，这时本来该判丢线，却没法判丢线了，车辆路径就相应会变化了（当然，阈值判定的不一定是丢线，具体看个人算法）。如果用归一化处理，按上例的数据，当电流100ma时，偏差时，记录下电感A的“最大值”（这里不一定最大，不过把零偏差当做最大，具体不细说）为1000，把车移到偏差为20cm时，记录下“最小值”（跟最大同理，只是选个参考点）为200，这时，归一化公式算出值为0到1（即“归一”），偏差为零是，电感A归一值为1（（1000-200）/（1000-200）），偏差20cm时，电感A归一值为0（（200-200）/（1000-200）），这时，如同前例，你只需要设置阈值的归一值为0，则判定丢线，那么在赛道电源电流是120ma时，采用同样的处理，在偏差为20cm的时候，电感A归一值也为0（（240-240）/（1200-240）），即电源变化对你的阈值已经没有影响了（这是理想化情况，实际考虑其他各种因素，会有很微弱的影响）。这样的处理算法，其本质其实就是在每次车跑之前，重新快速校准偏差和电感值的对应关系。