从数据集中删除噪声和周期组件,同时保留底层模式
平滑算法通常用于从数据集中去除周期性成分,同时保留长期趋势。例如,一个月采样一次的时间序列数据往往显示出季节性波动。一个12个月的移动平均过滤器将去除季节性成分,同时保留长期趋势。
或者,平滑算法可以用来生成用于探索性数据分析的描述性模型。当无法指定描述一组变量之间关系的参数模型时,经常使用这种技术。
信号或时间序列平滑技术用于信号处理、系统识别、统计学和计量经济学等一系列学科。
常用的平滑算法包括:
- 洛斯和黄土:使用局部回归模型的非参数平滑方法
- 内核平滑:光滑分布函数建模的非参数方法
- 平滑样条函数:曲线拟合的非参数方法
- 自回归移动平均(ARMA)滤波器:当数据显示串行自相关时使用的过滤器
- Hodrick-Prescott过滤器:滤波器用于通过提取季节成分来平滑计量经济时间序列
- Savitzky-Golay平滑滤波器:当信号有高频信息需要保留时使用的滤波器
- 巴特沃斯滤波器:信号处理中用来去除高频噪声的滤波器
有关平滑的更多信息,请参见统计和机器学习工具箱™,曲线拟合工具箱™,计量经济学工具箱™,系统辨识工具箱™,信号处理工具箱™.
例子和如何
-
线性预测和自回归建模(例子)
-
MATLAB中的卡尔曼滤波器设计(例子)
-
{{视频链接}} (视频)
软件参考
- 过滤器(matlab関数)
- フィルタ処理と平滑化(英語)(曲线拟合工具箱ドキュメンテション)
- 黄油(信号处理工具箱関数)
- 卡尔曼(控制系统工具箱関数)
- ksdensity(统计和机器学习工具箱関数)