平滑算法通常用于从数据集中删除周期性成分，同时保留长期趋势。例如，每月抽样一次的时间序列数据经常显示季节波动。12个月移动平均滤波将去除季节成分，同时保持长期趋势。

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。当指定描述一组变量之间关系的参数模型不实际时，经常使用这种技术。

信号或时间序列平滑技术应用于一系列学科，包括信号处理、系统识别、统计学和计量经济学。

常用的平滑算法有:

• 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:建立平滑分布函数的非参数方法
• 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:当数据显示序列自相关时使用的过滤器
• Hodrick-Prescott过滤器:通过提取季节成分来平滑经济计量时间序列的滤波器
• 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:滤波器用于信号处理以去除高频噪声

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™。