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.

Сглаживание Савицкого–Голэя

Зашумлённый косинус и свёртка SG(7,2) — фильтр лучше сохраняет пики по сравнению с широким прямоугольным окном.

О модели

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.

Продолжите с близкими темами в этой категории — или все 85 в «Визуализация математики».

Вся категория →

НовоеШкольные

Метод наименьших квадратов

Запустить симулятор

Зашумленные линейные данные; подобранные угловой коэффициент и свободный член с остатками.

НовоеШкольные

Линейная регрессия: OLS, Ridge, Lasso и R²

Запустить симулятор

Точки на плоскости кликом и перетаскиванием; модель y = β₀ + β₁x: МНК, гребень (L₂ по наклону) или Lasso (L₁ по наклону). Сдвиг Δy у точки с max|x| имитирует выброс; сравнение SSE и R².

НовоеУниверситет / научные

Фильтр Калмана: 2D трекинг

Запустить симулятор

4-мерный constant-velocity трекер: шумные измерения (x,y), process noise ускорения Q, дисперсия измерений R и живой ≈2σ ковариационный эллипс.

НовоеУниверситет / научные

Kalman Filter (1-D)

Запустить симулятор

Recursive optimal estimation: noisy measurements, hidden truth, predict + update with Q and R; random-walk or constant-velocity model with ±2σ band and innovations.

ПопулярноеШкольные

Тригонометрическая окружность

Запустить симулятор

Единичная окружность с динамическими значениями sin, cos, tg при перемещении точки.

НовоеУниверситет / научные

Адаптивный LMS / NLMS (подавление шума)

Запустить симулятор

Первичный канал p = s + v, где v — неизвестная ФИЧ-цепь от опорного белого шума x[n]. L-отводный адаптивный FIR по LMS или NLMS: ошибка e = p − wᵀx стремится к полезному сигналу s; график скользящего MSE и ‖w − h‖.

Сглаживание Савицкого–Голэя

О модели

Как это работает

Часто задаваемые вопросы

Похожие симуляторы

Метод наименьших квадратов

Линейная регрессия: OLS, Ridge, Lasso и R²

Фильтр Калмана: 2D трекинг

Kalman Filter (1-D)

Тригонометрическая окружность

Адаптивный LMS / NLMS (подавление шума)

Сглаживание Савицкого–Голэя

О модели

Как это работает

Часто задаваемые вопросы