Dataa voi filtteröidä tekemällä sille konvoluution jollain tietyn muotoisella ikkunafunktiolla. Jos käytetään laatikon muotoista funktiota, saadaan perinteinen liukuva keskiarvo. Erilaista dataa varten voi jonkun muun muotoinen ikkuna toimia paremminkin.
Filtteröidyssä datassa on siis käppyrän piirtämiseen käytettävissä yhtä monta datapistettä kuin alkuperäisessäkin datassa, mutta niistä tulee siistimpi käppyrä. Vrt. että tuossa binnaamisessa datapisteiden määrä tippuu vain muutamaan pisteeseen.
Jos tuon datan saisi jossain numeromuodossa jonnekin näkyviin, voin näyttää esimerkkejä. Tosi mielenkiintoinen keissi. :)
IDL:ään näköjään löytyy useita vaihtoehtoja: SAVGOL, SMOOTH, TS_SMOOTH, boxcar ja NASA:n poly_smooth. Täytyy vähän tutkailla noita.
Tässä kuvaus tuosta NASAn funktiosta:
Reduce noise in 1-D data (e.g. time-series, spectrum) but retain
; dynamic range of variations in the data by applying a least squares
; smoothing polynomial filter,
;
; Also called the Savitzky-Golay smoothing filter, cf. Numerical
; Recipes (Press et al. 1992, Sec.14.8)
;
; The low-pass filter coefficients are computed by effectively
; least-squares fitting a polynomial in moving window,
; centered on each data point, so the new value will be the
; zero-th coefficient of the polynomial. Approximate first derivates
; of the data can be computed by using first degree coefficient of
; each polynomial, and so on. The filter coefficients for a specified
; polynomial degree and window width are computed independent of any
; data, and stored in a common block. The filter is then convolved
; with the data array to result in smoothed data with reduced noise,
; but retaining higher order variations (better than SMOOTH).
;
; This procedure became partially obsolete in IDL V5.4 with the
; introduction of the SAVGOL function, which computes the smoothing
; coefficients.
Aihe: Exoplaneetan pimennyshavainto (Luettu 10487 kertaa)