保持结构的平滑处理
全变分拟合正则化 (total variation fit regularization) 可用于滤除信号中的噪声，同时保留重要的跳变信号。
这个例子演说明了采用 Wolfram 语言函数的直接建模法，可通过 NArgMin 以自然方式实现全变分拟合正则化。
对于信号 
，可通过求出最小化 
的值 
来完成，其中 
是元素为 
的向量，λ 是用于在降噪和保持与信号 
的相近之间进行权衡的参数。
考虑 2008 年金融危机期间的道琼斯工业平均指数。从长远来看，有很多日常波动可被视为噪音。
信号是股票指数序列。
求 
时平滑过的指数。使用 Method->"Convex"，因为对于如此多的变量，其他方法即便成功也会非常的慢。
将平滑过的指数与实际指数相比较。
平滑过的指数显示了主要趋势，但丢失了一些重要特征。保留特征与平滑程度之间存在折衷，由 
决定。如果 
，不进行平滑处理，因此 
。 另一方面，如果 
接近 ∞，
将接近于一个恒定的信号。 绘制 
取不同值时“全变分 vs 与原始信号之间的偏差”的关系图，可从中看出达到最佳平衡的 
值。
在 
处曲线有一个明显的弯曲，表明这种情况下达成了合理的平衡。
取有些值时平滑过的指数看起来很有趣。
最小化也可以被视为用正则化进行最小二乘拟合。可以在 Fit 中使用新的 FitRegularization 选项来完成此操作。
