平滑算法通常用于从保留长期趋势的同时从数据集中移除周期性组件。例如,每月一次采样的时间序列数据通常呈现出季节性波动。12个月的移动平均滤波器将删除季节性组件,同时保留长期趋势。
或者,平滑算法可用于生成用于探索数据分析的描述模型。当指定描述一组变量之间的关系的参数模型是不切实际的,通常使用此技术。
信号或时间序列平滑技术用于一系列学科,包括信号处理,系统识别,统计和计量学。
常见的平滑算法包括:
- 洛杉矶和黄土:使用本地回归模型的非参数平滑方法
- 内核平滑:建模平滑分布函数的非参数方法
- 平滑花键:曲线拟合的非参数方法
- 自回归移动平均(ARMA)过滤器:数据显示串行自相关时使用的过滤器
- HODRICK-PRESCOTT过滤器:过滤器通过提取季节性组件来平滑计量计量时间序列
- Savitzky-golay平滑过滤器:当信号具有应保留的高频信息时使用的过滤器
- Butterworth Filter:信号处理中使用的过滤器去除高频噪声
有关平滑的更多信息,请参阅统计和机器学习工具箱™那曲线配件工具箱™那OuthoMetrics Toolbox™那系统识别工具箱™, 和信号处理工具箱™。