Сглаживание Савицкого–Голэя
Сглаживание Савицкого–Голэя — это метод цифровой фильтрации, который уменьшает шум в сигнале, сохраняя его основную форму, особенно такие важные особенности, как высота и ширина пиков. В отличие от простого скользящего среднего (прямоугольного фильтра), которое может сглаживать и искажать пики, метод Савицкого–Голэя работает путём аппроксимации последовательных подмножеств соседних точек данных полиномом низкой степени с использованием метода наименьших квадратов. Этот симулятор визуализирует базовый случай: зашумлённую косинусоиду, представляющую собой типичный осциллирующий сигнал, искажённый случайным шумом. Он сравнивает исходные данные с результатом фильтра Савицкого–Голэя с размером окна 7 точек и порядком полинома 2 (обозначается SG(7,2)), а также с 7-точечным скользящим средним. Основная математическая операция — дискретная свёртка, где каждая сглаженная точка y_smooth[i] вычисляется как линейная комбинация исходных точек в окне: y_smooth[i] = Σ c_n * y[i+n], где коэффициенты свёртки c_n получены из полиномиальной аппроксимации. Симулятор упрощает базовый вывод, представляя фильтр как готовый к использованию инструмент. Взаимодействуя с ним, студенты изучают, как свёртка работает как операция локального взвешивания, почему полиномиальная аппроксимация в окне превосходит простое усреднение для сохранения пиков, и как выбор размера окна и порядка полинома создаёт компромисс между снижением шума и точностью воспроизведения сигнала.
Для кого: Студенты старших курсов и аспиранты естественнонаучных и инженерных специальностей, изучающие обработку сигналов, анализ данных или экспериментальные методы, а также исследователи, которым необходимо понимать практические методы сглаживания.
Ключевые понятия
- Свёртка
- Сглаживание сигнала
- Скользящее среднее
- Аппроксимация методом наименьших квадратов
- Цифровой фильтр
- Подавление шума
- Полиномиальная регрессия
- Сохранение пиков
Как это работает
Полиномиальная локальная регрессия, повсеместно применяемая в экспериментальных спектрах и временных рядах — сглаживает без сильного смещения пиков, в отличие от широкого прямоугольного фильтра.
Часто задаваемые вопросы
- Почему фильтр Савицкого–Голэя лучше сохраняет пики, чем скользящее среднее?
- Скользящее среднее просто заменяет каждую точку средним значением её соседей, что сглаживает резкие особенности. Фильтр Савицкого–Голэя аппроксимирует точки в окне полиномом (например, параболой). Поскольку многие пики локально имеют параболическую форму, такая аппроксимация точнее воспроизводит форму исходного сигнала, сохраняя высоту и ширину пика, при этом усредняя шум.
- Что произойдёт, если выбрать порядок полинома равным или большим, чем размер окна?
- Задача становится некорректной. Для однозначного определения полинома порядка p требуется как минимум p+1 точка. Если в окне меньше точек или если порядок слишком высок, аппроксимация методом наименьших квадратов становится неустойчивой и может начать воспроизводить шум, что противоречит цели сглаживания. Как правило, порядок полинома значительно меньше размера окна.
- Применимо ли сглаживание Савицкого–Голэя только к косинусоидам или равномерно распределённым данным?
- Нет. Хотя для наглядности в симуляторе используется косинусоида, метод является универсальным для сглаживания любых зашумлённых данных. Критически важное требование — точки данных должны быть равномерно распределены по оси X (например, с постоянным временным интервалом). Коэффициенты свёртки зависят от этого равномерного шага.
- Как выбрать правильный размер окна и порядок полинома?
- Это компромисс. Большее окно сильнее подавляет шум, но может чрезмерно сгладить резкие особенности. Более высокий порядок полинома может следовать за более резкими изгибами, но при слишком высоком значении может начать воспроизводить шум. Начните с низкого порядка (2 или 3) и подберите размер окна так, чтобы он был достаточно широким, чтобы охватить самую узкую особенность, которую вы хотите сохранить. Обычно используется метод проб и ошибок на репрезентативных данных.
Ещё из «Визуализация математики»
Другие симуляторы в этой категории — или все 26.
Цепь Маркова (Погода)
Двухсостоянияя цепь Солнце/Дождь: матрица P, стационарное распределение π, эмпирическое и теоретическое.
Градиентный спуск (2D)
Линии уровня функции f(x,y) и траектория (x,y) ← (x,y) − η∇f; чаша или эллиптическая впадина.
Диаграмма Минковского
Световой конус и повёрнутые оси в 1+1 измерениях; γ от v.
Парадокс близнецов
Мировые линии «туда и обратно»; собственное время τ = T/γ против земного времени T.
Метод Монте-Карло для оценки π
Равномерные случайные точки в квадрате; оценка π по формуле 4·(точки в круге)/N.
Случайное блуждание
Шаги в 1D или 2D; траектория и текущее среднее ⟨r²⟩ для интуитивного понимания диффузии.