# Группы из Твенте и Эйндховена изменили сглаживание Уиттакера–Хендерсона: шум в модельных данных ниже в 40 раз

- Опубликовано: 2026-11-16 13:59 UTC
- Раздел: Наука › Приборы и эксперименты
- Теги: сглаживание Уиттакера–Хендерсона, сглаживание зашумлённых данных, веса кросс-валидации, анализ спектральных пиков, дисперсия групповой задержки, брэгговский отражатель, фильтр Савицкого–Голея, Measurement Science and Technology, оценка производных, Университет Твенте
- Адрес: https://realtech.media/ru/news/rt-7a5c25fc699e3754bd3944ef_gruppy_iz_tvente/

**Нидерландские исследователи добавили к вековому методу локальные веса с кросс-валидацией. На синтетических данных брэгговского отражателя шум снизился более чем в 40 раз, тонкие детали сохранились.**

![Twente and Eindhoven teams modify Whittaker–Henderson smoothing, cutting noise over 40-fold in simulated data](https://realtech.media/media/2026/11/c887aac8a8ee13db.jpg)
*Jean-Pierre Dalbéra, Wikimedia Commons, CC BY 2.0*

Исследователи из технических университетов Твенте и Эйндховена модифицировали процедуру сглаживания Уиттакера–Хендерсона так, что она локально балансирует шум и спектральные особенности, говорится в статье в Measurement Science and Technology [1]. Метод проверен на синтетических зашумлённых данных, а не на физическом измерении.

Авторы решали задачу выделения из зашумлённых измерений таких особенностей, как спектральные пики (центр, ширина, высота), и производных. Большинство процедур сглаживания теряют эффективность, когда ширина особенностей в одном наборе данных сильно различается [1].

## Как работает взвешенный сглаживатель

Классическое сглаживание Уиттакера–Хендерсона уравновешивает гладкость результата и его близость к исходным данным с помощью одного параметра сглаживания. Слишком малое значение оставляет шум, слишком большое убирает особенности [1].

Модификация вводит настраиваемые веса для точек данных. Их оптимизируют кросс-валидацией, поэтому фильтр локально подстраивается под данные [1]. Поскольку используются погрешности измерений, возможен несложный анализ ошибок сглаженного результата, сообщили авторы [1].

Веса находят алгоритмом L-BFGS с ограниченной памятью. Для N = 1000 комплексных точек коэффициента отражения это занимает в среднем менее двух секунд на обычном компьютере, по данным статьи [1].

## Проверка на брэгговском отражателе

Для иллюстрации авторы по синтетическим зашумлённым фазовым данным получили чирп оптического импульса (дисперсию групповой задержки) для наноструктуры — оптического брэгговского отражателя. Сглаживатель восстанавливает дисперсию групповой задержки и снижает шум более чем в 40 раз, что выявляет детали, иначе скрытые шумом [1].

В сравнении, описанном в пересказе Nanowerk, несглаженные данные скрывали все особенности, кроме самых сильных. Фильтр Савицкого–Голея снизил шум и сделал заметными часть особенностей. Обычный сглаживатель Уиттакера–Хендерсона лучше сохранял быстро меняющиеся особенности, а взвешенный вариант с кросс-валидацией дал наибольшее подавление шума и наиболее точное воспроизведение дисперсии.

Авторы также предлагают общий подход к другим типичным задачам: сглаживание неравномерно дискретизированных данных, выявление и количественная оценка разрывов, включая изломы производных, сглаживание вблизи границ области данных и многомерное сглаживание [1]. Сейчас команда работает над повышением вычислительной эффективности метода для больших объёмов данных и приложений.

## Источники

1. [Measurement Science and Technology](https://doi.org/10.1088/1361-6501/ae804e)
2. [Nanowerk](https://www.nanowerk.com/nanotechnology-news3/newsid=70608.php)

---

Источник: RealTech, realtech.media — https://realtech.media/ru/news/rt-7a5c25fc699e3754bd3944ef_gruppy_iz_tvente/
