Filtr IIR

Ważne

Obsługa programu Machine Learning Studio (wersja klasyczna) zakończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Learning przed tym terminem.

Od 1 grudnia 2021 r. nie będzie można tworzyć nowych zasobów programu Machine Learning Studio (wersja klasyczna). Do 31 sierpnia 2024 r. można będzie nadal korzystać z istniejących zasobów programu Machine Learning Studio (wersja klasyczna).

• Zobacz informacje dotyczące przenoszenia projektów uczenia maszynowego z programu ML Studio (klasycznego) do Azure Machine Learning.
• Dowiedz się więcej o Azure Machine Learning.

Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.

Tworzy nieskończony filtr odpowiedzi impulsu na potrzeby przetwarzania sygnałów

Kategoria: Przekształcanie/filtrowanie danych

Uwaga

Dotyczy: tylko Machine Learning Studio (wersja klasyczna)

Podobne moduły przeciągania i upuszczania są dostępne w projektancie Azure Machine Learning.

Omówienie modułu

W tym artykule opisano sposób użycia modułu filtru IIR w programie Machine Learning Studio (wersja klasyczna), aby utworzyć nieskończony filtr odpowiedzi impulsowej (IIR).

Filtry są ważnym narzędziem do przetwarzania sygnałów cyfrowych i służą do ulepszania wyników rozpoznawania obrazu lub głosu. Ogólnie rzecz biorąc, filtr jest funkcją transferu, która pobiera sygnał wejściowy i tworzy sygnał wyjściowy na podstawie cech filtru. Aby uzyskać więcej ogólnych informacji na temat użytkownika filtrów w przetwarzaniu sygnału cyfrowego, zobacz Filter (Filtr).

Filtr IIR jest określonym typem filtru; typowym zastosowaniem filtru IIR byłoby uproszczenie danych cyklicznych, które obejmują losowy szum w stale rosnącym lub malejącym trendzie. Filtr IIR cretae za pomocą tego modułu definiuje zestaw stałych (lub współczynników), które zmieniają sygnał przekazywany. Słowo nieskończone w nazwie odnosi się do opinii między danymi wyjściowymi a wartościami serii.

Po zdefiniowaniu filtru spełniającego twoje potrzeby można zastosować filtr do danych, łącząc zestaw danych i filtr z modułem Zastosuj filtr .

Porada

Filtr to funkcja transferu, która pobiera sygnał wejściowy i tworzy sygnał wyjściowy na podstawie cech filtru. Aby uzyskać więcej ogólnych informacji na temat użytkownika filtrów w przetwarzaniu sygnału cyfrowego, zobacz Filter (Filtr).

Po zdefiniowaniu filtru spełniającego twoje potrzeby można zastosować filtr do danych, łącząc zestaw danych i filtr z modułem Zastosuj filtr .

Porada

Musisz filtrować dane z zestawu danych lub usuwać brakujące wartości? Zamiast tego użyj następujących modułów:

• Wyczyść brakujące dane: użyj tego modułu, aby usunąć brakujące wartości lub zastąpić brakujące wartości symbolami zastępczymi.
• Partycja i przykład: użyj tego modułu, aby podzielić lub filtrować zestaw danych według kryteriów, takich jak zakres dat, określona wartość lub wyrażenia regularne.
• Wartości klipu: użyj tego modułu, aby ustawić zakres i zachować tylko wartości w tym zakresie.

Jak skonfigurować filtr IIR

1. Dodaj moduł Filtr IIR do eksperymentu. Ten moduł można znaleźć w obszarze Przekształcanie danych w kategorii Filtr .

2. W polu Order (Kolejność) wpisz wartość całkowitą, która definiuje liczbę aktywnych elementów używanych do wpływania na odpowiedź filtru. Kolejność filtru reprezentuje długość okna filtru.

   W przypadku filtru IIR minimalna kolejność to 4.

3. W polu Rodzaj filtru wybierz algorytm używany do obliczania współczynników filtru. Rodzaj filtru określa funkcję transferu matematycznego, która kontroluje odpowiedź częstotliwości i pomijanie częstotliwości. Machine Learning obsługuje te rodzaje filtrów powszechnie używanych w przetwarzaniu sygnałów cyfrowych:

   Butterworth: Filtr Butterworth jest również nazywany maksymalnie płaskim filtrem wielkości , ponieważ ogranicza odpowiedź (zmiana sygnału) w pasmie dostępu i opaski stop.

   Chebyszew Typ 1: Filtry Chebyszewa mają na celu zminimalizowanie błędów między idealizowanym a rzeczywistymi cechami filtru w zakresie filtru. Typ 1 filtry Chebyszew pozostawiają więcej fal w pasmie.

   Chebyszew Typ 2: Typ 2 filtry Chebyszew mają takie same ogólne cechy jak filtry typu 1 Chebyszew, ale pozostawiają więcej fal w pasmie stopband.

4. W polu Typ filtru wybierz opcję, która definiuje sposób, w jaki filtr wpłynie na wartości w sygnałie wejściowym. Można określić, że wartości wykluczania filtru powyżej lub poniżej punktu odcięcia albo określają, czy filtr odrzuca lub przekazuje wartości w określonym zakresie częstotliwości.

   LowPass: umożliwia przekazywanie innych wartości o niskiej częstotliwości (poniżej wartości odciętej).

   HighPass: umożliwia przekazywanie innych wartości o wysokiej częstotliwości (powyżej wartości odciętej).

   Bandpass: zezwala na sygnały w zakresie określonym przez niskie i wysokie wartości odcięcia do przekazania i zduplikowania innych wartości.

   BandStop: zezwala na sygnały poza zakresem określonym przez wartości niskich i wysokich odcięć, aby przekazywać i attenuates wartości w zakresie.

5. Określ wartości o wysokiej lub niskiej wartości odciętej albo obie wartości jako wartość z zakresu od 0 do 1 reprezentującą znormalizowaną częstotliwość. W obszarze Wysoki odcięcie wpisz wartość reprezentującą górną granicę częstotliwości. W polu Niski odcięcie wpisz wartość reprezentującą granicę niższej częstotliwości.

6. W polu Ripple określ ilość fal do tolerowania podczas definiowania filtru. Fala odnosi się do małej odmiany, która występuje okresowo. Fala jest zwykle uważana za niepożądany efekt, ale można zrekompensować falowanie poprzez dostosowanie innych parametrów filtru, takich jak długość filtru. Nie wszystkie filtry generują falę.

7. Dodaj moduł Zastosuj filtr do eksperymentu i połącz zaprojektowany filtr, a zestaw danych zawiera wartości, które chcesz zmodyfikować.

   Użyj selektora kolumn, aby określić kolumny zestawu danych, do których ma zostać zastosowany filtr. Domyślnie moduł Zastosuj filtr użyje filtru dla wszystkich wybranych kolumn liczbowych.

8. Uruchom eksperyment, aby zastosować przekształcenie.

Uwaga

Moduł filtru IIR nie udostępnia opcji utworzenia kolumny wskaźnika. Wartości kolumn są zawsze przekształcane.

Przykłady

Przykłady użycia filtrów w uczeniu maszynowym można znaleźć w tym eksperymencie w galerii sztucznej inteligencji platformy Azure:

• Filtry: ten eksperyment demonstruje wszystkie typy filtrów przy użyciu zaprojektowanego zestawu danych kształtów falowych.

Uwagi techniczne

Ta sekcja zawiera szczegóły implementacji, porady i odpowiedzi na często zadawane pytania.

Szczegóły implementacji

Filtr IIR zwraca współczynniki przekazywania do przodu i przekazywania do tyłu, które są reprezentowane przez funkcję transferu. Oto przykładowa reprezentacja:

Gdzie:

• N: kolejność filtru

• bi: współczynniki filtru przekazywania do przodu

• ai: współczynniki filtru do tyłu

• x[n]: sygnał wejściowy

• y[n]: sygnał wyjściowy

Parametry modułu

Nazwa	Zakres	Typ	Domyślny	Opis
Zamówienie	[4;13]	Liczba całkowita	5	Określanie kolejności filtrowania
Rodzaj filtru	Dowolne	IIRFilterKind		Wybierz rodzaj filtru IIR do utworzenia
Typ filtru	Dowolne	Filtertype		Wybierz typ przedziału filtru
Niski odcięcie	[dwukrotnie. Epsilon;. 9999999]	Float	0.3	Ustawianie niskiej wartości odcięcia
Wysoki odcięcie	[dwukrotnie. Epsilon;. 9999999]	Float	0.7	Ustawianie wysokiej wartości odcięcia
Marszczyć	>=0.0	Float	0,5	Określanie ilości tętnień w filtrze

Dane wyjściowe

Nazwa	Typ	Opis
Filtr	IFilter, interfejs	Implementacja filtru

Wyjątki

Wyjątek	Opis
NotInRangeValue	Wyjątek występuje, jeśli parametr nie znajduje się w zakresie.

Aby uzyskać listę błędów specyficznych dla modułów programu Studio (klasycznych), zobacz Machine Learning Kody błędów.

Aby uzyskać listę wyjątków interfejsu API, zobacz Machine Learning kody błędów interfejsu API REST.

Zobacz też

Filtr
Zastosuj filtr
Lista modułów A-Z