IIR 필터
중요
Machine Learning Studio(클래식)에 대한 지원은 2024년 8월 31일에 종료됩니다. 해당 날짜까지 Azure Machine Learning으로 전환하는 것이 좋습니다.
2021년 12월 1일부터 새로운 Machine Learning Studio(클래식) 리소스를 만들 수 없습니다. 2024년 8월 31일까지는 기존 Machine Learning Studio(클래식) 리소스를 계속 사용할 수 있습니다.
- ML Studio(클래식)에서 Azure Machine Learning으로 기계 학습 프로젝트 이동에 대한 정보를 참조하세요.
- Azure Machine Learning에 대한 자세한 정보.
ML Studio(클래식) 설명서는 사용 중지되며 나중에 업데이트되지 않을 수 있습니다.
신호 처리에 사용할 무한 임펄스 응답 필터 만들기
범주: 데이터 변환/필터
모듈 개요
이 문서에서는 Machine Learning Studio(클래식)에서 IIR 필터 모듈을 사용하여 IIR(무한 임펄스 응답) 필터를 만드는 방법을 설명합니다.
필터는 디지털 신호 처리에서 중요한 도구이며 이미지 또는 음성 인식의 결과를 개선하는 데 사용됩니다. 일반적으로 필터는 입력 신호를 받아 필터 특성에 따라 출력 신호를 만드는 전송 함수입니다. 디지털 신호 처리에서 필터 사용자에 대한 자세한 내용은 필터를 참조 하세요.
IIR 필터는 특정 유형의 필터입니다. IIR 필터의 일반적인 용도는 꾸준히 증가하거나 감소하는 추세에 대한 임의 노이즈를 포함하는 순환 데이터를 단순화하는 것입니다. 이 모듈을 사용하여 만드는 IIR 필터는 전달되는 신호를 변경하는 상수(또는 계수) 집합을 정의합니다. 이름에서 무한이라는 단어는 출력과 계열 값 사이의 피드백을 의미합니다.
요구 사항을 충족하는 필터를 정의한 후에는 데이터 세트와 필터를 필터 적용 모듈에 연결하여 데이터에 필터를 적용 할 수 있습니다.
팁
필터는 입력 신호를 받아 필터 특성에 따라 출력 신호를 만드는 전송 함수입니다. 디지털 신호 처리에서 필터 사용자에 대한 자세한 내용은 필터를 참조 하세요.
요구 사항을 충족하는 필터를 정의한 후에는 데이터 세트와 필터를 필터 적용 모듈에 연결하여 데이터에 필터를 적용 할 수 있습니다.
팁
데이터 세트에서 데이터를 필터링하거나 누락된 값을 제거해야 합니까? 대신 다음 모듈을 사용합니다.
- 누락된 데이터 정리: 이 모듈을 사용하여 누락된 값을 제거하거나 누락된 값을 자리 표시자로 바꿀 수 있습니다.
- 파티션 및 샘플: 이 모듈을 사용하여 날짜 범위, 특정 값 또는 정규식과 같은 기준으로 데이터 세트를 나누거나 필터링합니다.
- 클립 값: 이 모듈을 사용하여 범위를 설정하고 해당 범위 내의 값만 유지합니다.
IIR 필터를 구성하는 방법
실험에 IIR 필터 모듈을 추가합니다. 이 모듈은 필터 범주의 데이터 변환 아래에서 찾을 수 있습니다.
Order의 경우 필터의 응답에 영향을 주는 데 사용되는 활성 요소의 수를 정의하는 정수 값을 입력합니다. 필터의 순서 는 필터 창의 길이를 나타냅니다.
IIR 필터의 경우 최소 순서는 4입니다.
필터 종류에 대해 필터 계수를 계산하는 데 사용되는 알고리즘을 선택합니다. 필터 종류는 빈도 응답 및 빈도 억제를 제어하는 수학 전송 함수를 지정합니다. Machine Learning 디지털 신호 처리에 일반적으로 사용되는 이러한 종류의 필터를 지원합니다.
버터워스: 버터워스 필터는 패스밴드와 스톱밴드의 응답(신호 변경)을 제한하기 때문에 최대로 평평한 크기 필터 라고도 합니다.
Chebyshev 유형 1: Chebyshev 필터는 필터 범위에 대해 이상화된 필터 특성과 실제 필터 특성 간의 오류를 최소화하기 위한 것입니다. 형식 1 Chebyshev 필터는 패스밴드에 더 많은 잔물결을 남깁니다.
Chebyshev 유형 2: 형식 2 Chebyshev 필터는 Type 1 Chebyshev 필터와 동일한 일반적인 특성을 갖지만 중지 밴드에 더 많은 파급을 남깁니다.
필터 형식의 경우 필터가 입력 신호의 값에 미치는 영향을 정의하는 옵션을 선택합니다. 필터가 구분점 위 또는 아래 값을 제외되도록 지정하거나 필터가 지정된 빈도 범위의 값을 거부하거나 전달되도록 지정할 수 있습니다.
LowPass: 낮은 빈도 값(컷오프 값 아래)을 전달하고 다른 값을 감쇠할 수 있습니다.
HighPass: 높은 빈도 값(컷오프 값 위)을 전달하고 다른 값을 감쇠할 수 있습니다.
Bandpass: 낮은 값과 높은 구분 값으로 지정된 범위의 신호가 다른 값을 전달하고 감쇠할 수 있습니다.
BandStop: 낮음 및 높은 컷오프 값으로 지정된 범위를 벗어난 신호가 범위 내의 값을 전달하고 감쇠할 수 있도록 허용합니다.
정규화된 빈도를 나타내는 0에서 1 사이의 값으로 높거나 낮은 구분 값 또는 둘 다를 지정합니다. 높은 구분선의 경우 상위 빈도 경계를 나타내는 값을 입력합니다. 낮은 구분선의 경우 낮은 빈도 경계를 나타내는 값을 입력합니다.
Ripple의 경우 필터를 정의할 때 허용할 잔물결의 양을 지정합니다. 리플은 주기적으로 발생하는 작은 변형을 나타냅니다. 리플은 일반적으로 원치 않는 효과로 간주되지만 필터 길이와 같은 다른 필터 매개 변수를 조정하여 리플을 보정할 수 있습니다. 모든 필터가 잔물결을 생성하는 것은 아닙니다.
필터 적용 모듈을 실험에 추가하고, 디자인한 필터를 연결하고, 데이터 세트에 수정할 값이 포함되어 있습니다.
열 선택기를 사용하여 필터를 적용할 데이터 세트의 열을 지정합니다. 기본적으로 필터 적용 모듈은 선택한 모든 숫자 열에 대해 필터를 사용합니다.
실험을 실행하여 변환을 적용합니다.
참고
IIR 필터 모듈은 표시기 열을 만드는 옵션을 제공하지 않습니다. 열 값은 항상 제자리에서 변환됩니다.
예
기계 학습에서 필터를 사용하는 방법에 대한 예제는 Azure AI 갤러리에서 이 실험을 참조하세요.
- 필터: 이 실험에서는 엔지니어링된 파형 데이터 세트를 사용하여 모든 필터 형식을 보여 줍니다.
기술 참고 사항
이 섹션에는 구현 정보, 팁, 질문과 대답이 포함되어 있습니다.
구현 세부 정보
IIR 필터는 전달 함수를 통해 표시되는 피드 정방향 및 피드 역방향 계수가 반환됩니다. 예제 표현은 다음과 같습니다.
위치:
N: 필터 순서bi: 피드 전달 필터 계수ai: 이전 필터 계수 공급x[n]: 입력 신호y[n]: 출력 신호
모듈 매개 변수
| Name | 범위 | Type | 기본값 | Description |
|---|---|---|---|---|
| 순서 | [4;13] | 정수 | 5 | 필터 순서를 지정합니다. |
| 필터 종류 | 모두 | IIRFilterKind | 만들려는 IIR 필터의 종류를 선택합니다. | |
| 필터 형식 | 모두 | FilterType | 필터 대역 형식을 선택합니다. | |
| 하위 차단 | [double.Epsilon;.9999999] | Float | 0.3 | 하위 차단 값을 설정합니다. |
| 상위 차단 | [double.Epsilon;.9999999] | Float | 0.7 | 상위 차단 값을 설정합니다. |
| 잔물결 | >=0.0 | Float | 0.5 | 필터에서 잔물결의 양을 지정합니다. |
출력
| Name | Type | Description |
|---|---|---|
| Assert | IFilter 인터페이스 | 필터 구현입니다. |
예외
| 예외 | 설명 |
|---|---|
| NotInRangeValue | 매개 변수가 범위 내에 있지 않으면 예외가 발생합니다. |
Studio(클래식) 모듈과 관련된 오류 목록은 Machine Learning 오류 코드를 참조하세요.
API 예외 목록은 MACHINE LEARNING REST API 오류 코드를 참조하세요.