Filtre défini par l'utilisateur
Crée un filtre personnalisé de réponse à une impulsion finie ou infinie
Catégorie : Transformation de données / Filtre
Notes
S’applique à : Machine Learning Studio (classique) uniquement
Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.
Vue d’ensemble du module
Cet article explique comment utiliser le module Filtre défini par l’utilisateur dans Machine Learning Studio (classique), pour définir un filtre personnalisé à l’aide d’un filtre FIR (Fine Impulse Response) ou d’un filtre de réponse d’impulsion infinie (IIR) avec des coefficients que vous spécifiez.
Un filtre est une fonction de transfert qui prend un signal d’entrée et crée un signal de sortie en fonction des caractéristiques du filtre. Pour plus d’informations générales sur l’utilisateur des filtres dans le traitement du signal numérique, consultez Filtre. Ce module est particulièrement utile pour appliquer un ensemble de coefficients de filtre précédemment dérivés à vos données.
Une fois que vous avez défini un filtre répondant à vos besoins, vous pouvez appliquer le filtre aux données en connectant un jeu de données et le filtre au module Appliquer le filtre.
Conseil
Vous devez filtrer les données d’un jeu de données ou supprimer des valeurs manquantes ? Utilisez ces modules à la place :
- Nettoyer les données manquantes : utilisez ce module pour supprimer les valeurs manquantes ou remplacer les valeurs manquantes par des espaces réservés.
- Partition et exemple : utilisez ce module pour diviser ou filtrer votre jeu de données en fonction de critères tels qu’une plage de dates, une valeur spécifique ou des expressions régulières.
- Valeurs clip : utilisez ce module pour définir une plage et conserver uniquement les valeurs de cette plage.
Comment configurer le filtre User-Defined
Ajoutez le module Filtre défini par l’utilisateur à votre expérience dans Studio (classique). Vous trouverez ce module sous Transformation de données, dans la catégorie Filtre .
Dans le volet Propriétés , choisissez un type de filtre : filtre FIR ou FILTRE IIR.
Indiquez les coefficients à appliquer dans le filtre. Les conditions requises pour les coefficients diffèrent selon que vous choisissez un filtre FIR ou un filtre IIR.
Pour un filtre FIR, vous spécifiez un vecteur de coefficients prédictifs. La longueur du vecteur détermine l'ordre des filtres. Un filtre FIR est en fait une moyenne mobile. Les valeurs de configuration appliquent à une moyenne mobile pour filtrer une séquence de données.
Pour un filtre IIR, vous appliquez des coefficients personnalisés prédictifs et postdictifs. Consultez la section Exemples pour obtenir des conseils.
Connecter le filtre pour appliquer le filtre et connecter un jeu de données.
Utilisez le sélecteur de colonne pour spécifier les colonnes du jeu de données auquel le filtre doit être appliqué. Par défaut, le module Appliquer le filtre utilise le filtre pour toutes les colonnes numériques sélectionnées.
Exécutez l’expérience.
Les transformations spécifiées sont appliquées aux colonnes numériques sélectionnées uniquement lorsque vous exécutez l’expérience à l’aide du filtre Appliquer.
Exemples
Pour obtenir d’autres exemples de la façon dont les filtres sont utilisés dans le Machine Learning, consultez la galerie Azure AI :
- Filtres : illustre tous les types de filtres. L'exemple utilise un jeu de données conçu en forme d'onde pour illustrer plus aisément les effets des différents filtres.
Exemple de filtre FIR : moyenne mobile pondérée exponentielle
Pour une moyenne mobile pondérée de façon exponentielle, tous les coefficients sont inférieurs à 1, et leur somme est égale à un. Par conséquent, l'écart de la moyenne pondérée est toujours inférieur aux valeurs d'entrée.
Par exemple, pour qu'un filtre FIR se rapproche d'une moyenne mobile pondérée de façon exponentielle, vous devez normalement fournir une liste de coefficients séparés par des virgules pour la valeur du paramètre prédictif :
0.01818182, 0.03636364, 0.05454545, 0.07272727, 0.09090909, 0.10909091, 0.12727273, 0.14545455, 0.16363636, 0.18181818
Exemple de filtre FIR : moyenne mobile pondérée exponentielle (Interpolation Deslauriers-Dubuc)
Ce filtre FIR se rapproche d’une moyenne mobile pondérée triangulairement (WMA). Vous définissez les coefficients en fournissant une série de valeurs séparées par des virgules pour les paramètres de transfert d’alimentation, par exemple :
0.0625, 0.0625, 0.2500, 0.3750, 0.2500, 0.0625
Les valeurs utilisées dans ce filtre FIR personnalisé représentent un vecteur de coefficients de transfert d’alimentation obtenus à l’aide de la méthode Deslauriers-Dubuc de séquencement fini. Pour plus d’informations, consultez La sous-division Dubuc-Deslauriers pour les séquences finies et les ondes d’interpolation sur un intervalle.
Exemple de filtre IIR : filtre notch
Un bon exemple d’application pour un filtre IIR défini par l’utilisateur consiste à définir un filtre de notch, également appelé filtre de bandestop. Le filtre de notch souhaité atténue une bande de rejet -3dB, fb, centrée à une fréquence de notch, fnavec une fréquence d’échantillonnage, fs.
Dans ce cas, le filtre de notch numérique peut être représenté par la formule suivante :
Cette formule suppose :
À partir de cette formule, nous pouvons obtenir le coefficient de flux avant :
Les coefficients d’alimentation descendant sont les suivants :
Exemple de filtre IIR : filtre notch 2
L’exemple suivant montre un filtre de notch avec une fréquence de notch et une bande de fn =1250 Hz rejet de fb =100 Hz, avec la fréquence d’échantillonnage de fs=10 kHz.-3 dB
À l’aide de la formule suivante, vous obtenez a2 = 0.93906244 et a1 = 1.3711242:
À partir de là, vous pouvez obtenir les coefficients feed-forward (b) et feed-backward (a) suivants :
b= 1.9390624, -2.7422484, 1.9390624
a= 1, -1.3711242, 0.9390624
Paramètres du module
| Nom | Plage | Type | Default | Description |
|---|---|---|---|---|
| Type de filtre | n'importe laquelle | ImpulseResponse | Spécifiez le type de filtre à personnaliser | |
| Transférer | n'importe laquelle | String | "1.0" | Tapez une série de coefficients prédictifs |
| d’un plan | n'importe laquelle | String | "1.0" | Tapez une série de coefficients postdictifs |
Output
| Nom | Type | Description |
|---|---|---|
| Filtrer | Interface IFilter | Implémentation de filtre |
Exceptions
| Exception | Description |
|---|---|
| ParameterParsing | Une exception est levée quand un ou plusieurs paramètres n'ont pas pu être analysés, ou convertis à partir du type spécifié dans le type requis par la méthode cible. |
Pour obtenir la liste des erreurs spécifiques aux modules Studio (classique), consultez Machine Learning codes d’erreur.
Pour obtenir la liste des exceptions d’API, consultez Machine Learning codes d’erreur de l’API REST.