Sdílet prostřednictvím

Filtr FIR

  • Článek

Důležité

Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Doporučujeme do tohoto data přejít na službu Azure Machine Learning.

Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).

Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.

Vytvoří konečný filtr odpovědí pro zpracování signálů.

Kategorie: Transformace a filtrování dat

Poznámka

Platí pro: Machine Learning Studio (classic)

Podobné moduly s přetahováním jsou k dispozici v Azure Machine Learning návrháři.

Přehled modulu

Tento článek popisuje, jak pomocí modulu filtru FIR v nástroji Machine Learning Studio (classic) definovat druh filtru nazývaný konečný filtr FIR (FIR). Filtry FIR mají mnoho aplikací při zpracování signálů a nejčastěji se používají v aplikacích, které vyžadují odpověď lineární fáze. Filtr se například může použít u obrázků používaných ve zdravotnictví k zostření celkového obrázku, eliminaci šumu nebo zaměření na objekt s obrázkem.

Poznámka

Filtr je funkce přenosu, která přebírá vstupní signál a vytváří výstupní signál na základě charakteristik filtru. Další obecné informace o uživateli filtrů při zpracování digitálního signálu najdete v tématu Filtr.

Po definování filtru pro zpracování digitálních signálů můžete filtr použít na data připojením datové sady a filtru k modulu Použít filtr. Můžete také uložit filtr pro opětovné použití s podobnými datovými sadami.

Tip

Potřebujete filtrovat data z datové sady nebo odebrat chybějící hodnoty? Místo toho použijte tyto moduly:

  • Vyčištění chybějících dat: V tomto modulu můžete odebrat chybějící hodnoty nebo nahradit chybějící hodnoty zástupnými symboly.
  • Oddíl a ukázka: Tento modul slouží k dělení nebo filtrování datové sady podle kritérií, jako je rozsah kalendářních dat, konkrétní hodnota nebo regulární výrazy.
  • Oříznutí hodnot: V tomto modulu můžete nastavit rozsah a zachovat pouze hodnoty v tomto rozsahu.

Jak nakonfigurovat filtr FIR

  1. Přidejte do experimentu modul FIR Filter . Tento modul najdete v kategorii Filtrv části Transformace dat.

  2. Do pole Order (Objednávka) zadejte celočíselnou hodnotu, která definuje počet aktivních prvků, které mají vliv na odpověď filtru. Pořadí filtru představuje délku okna filtru.

    Pro filtr FIR je minimální objednávka 4.

  3. V části Okno vyberte tvar dat, na která se filtr použije. Machine Learning podporuje následující typy funkcí pro okna pro použití v konečných filtrech odpovědí:

    Hamming: Zobecněné okno Hammingu poskytuje typ vážené průměrování, který se běžně používá při zpracování obrázků a počítačovém zpracování obrazu.

    Blackman: Okno Blackman aplikuje na signál plynule páskovou křivku. Okno Blackman má lepší přerušování pomocí stopbandu než jiné typy oken.

    Obdélníkové: Obdélníkové okno aplikuje v zadaném intervalu konzistentní hodnotu a jinde neuvede žádnou hodnotu. Nejjednodušší obdélníkové okno může nahradit n hodnot v sekvenci dat nulami, což z něj dělá, že se signál náhle zapne a vypne.

    Obdélníkové okno se také označuje jako boxcar nebo dirichlet.

    Trojúhelníkové: Trojúhelníkové okno používá koeficienty filtru způsobem, který je krokový. Aktuální hodnota se zobrazí ve špičce trojúhelníku a pak se odmítne s předchozími nebo následujícími hodnotami.

    Žádné: V některých aplikacích je vhodnější nepou3/4ít žádné funkce pro okna. Pokud například signál, který analyzujete, již představuje okno nebo shluk, může použití funkce okna zhoršit poměr signálu k šumu.

  4. Jako Typ filtru vyberte možnost, která definuje způsob použití filtru. Můžete určit, že filtr vyloučí cílové hodnoty, změní hodnoty, odmítne je nebo je předá.

    Lowpass: "Low pass" znamená, že filtr prochází nižšími hodnotami a odstraňuje vyšší hodnoty. Můžete ho například použít k odstranění vysokorychlostního šumu a špičce dat ze signálu.

    Tento typ filtru má na data vliv vyhlazování.

    Highpass: "Vysoká průchod" znamená, že filtr prochází vyššími hodnotami a odstraňuje nižší hodnoty. Tuto možnost můžete použít k odebrání dat s nízkou frekvencí, jako je předsudek nebo posun, ze signálu.

    Tento typ filtru zachovává náhlé změny a špičky v signálu.

    Bandpass: "Band pass" znamená, že projde zadanou pásmem hodnot a ostatní odebere. Tento filtr můžete použít k zachování dat ze signálu s vlastnostmi frekvence v průniku mezi filtry highpassu a lowpassu.

    Filtry bandpassu se vytvářejí kombinací filtru highpass a lowpass. Frekvence proříznutí filtru horního toku představuje nižší hladinu hladinu pásma a frekvence filtru dolního přijímka představuje vyšší hladinu.

    Tento typ filtru je dobrý při odebrání předsudků a vyhlazování signálu.

    Bandstop: "Band stop" znamená, že blokuje zadané sioly. Jinými slovy, odebere data ze signálu s vlastnostmi frekvence, které jsou odmítnuty filtry nízkého průchodu a vyššího průchodu.

    Tento typ filtru je dobrý při zachování předsudků signálů a náhlých změn.

  5. V závislosti na typu filtru, který jste zvolili, musíte nastavit jednu nebo více hodnot přímky.

    K definování horní a/nebo dolní prahové hodnoty pro hodnoty použijte možnosti hladinu vysokých a nízkých hodnot. K určení hodnot, které se zamítnou nebo předají, se vyžaduje jedna nebo obě tyto možnosti. Filtr pro nastavení pásma nebo pásma vyžaduje, aby byly nastaveny vysoké i nízké hodnoty přímky. Jiné typy filtrů, například filtr lowpass , vyžadují, aby byla nastavena pouze nízká hodnota hladinu.

  6. Pokud se má škálování použít na koeficienty, vyberte možnost Škálování. V opačném případě ponechte prázdné.

  7. Připojení filtr použijte filtr a připojte datovou sadu.

    Pomocí selektoru sloupců určete, na které sloupce se má filtr použít. Ve výchozím nastavení bude modul Použít filtr používat filtr pro všechny vybrané číselné sloupce.

  8. Spusťte experiment.

    Neprovádí se žádné výpočty, dokud nepřipojíte datovou sadu k modulu Použít filtr a spustíte experiment. V tomto okamžiku se zadaná transformace použije na vybrané číselné sloupce.

Poznámka

Modul FIR Filter neposkytuje možnost vytvořit sloupec indikátoru. Hodnoty sloupců se vždy transformují na místě.

Příklady

Příklady použití filtrů ve strojové učení najdete v tomto experimentu v Azure AI Gallery:

  • Filtry: Tento experiment ukazuje všechny typy filtrů pomocí datové sady s inženýrem waveform.

Technické poznámky

Tato část obsahuje podrobnosti o implementaci, tipy a odpovědi na nejčastější dotazy.

Podrobnosti o implementaci

Filtry FIR mají tyto vlastnosti:

  • Filtry POTVRZENÍ nemají zpětnou vazbu. To znamená, že používají předchozí výstupy filtru.
  • Filtry FIR jsou stabilnější, protože odpověď fire se vždy vrátí na hodnotu 0.
  • Filtry FIR vyžadují vyšší pořadí, aby se dosáhlo stejné selivity jako nekonečné filtry IIR (nekonečná odezva).
  • Stejně jako u jiných filtrů je možné filtr FIR navrhovat s konkrétní frekvencí významů, která zachová nebo odmítne frekvence, které tvoří signál.

Výpočet koeficientů v okně filtru

Typ okna určuje rozdíly mezi selektivitou (šířkou pásma přechodu, ve kterém frekvence nejsou plně přijaty ani odmítnuty) a potlačením (celkové ztrácení frekvencí, které se mají odmítnout). Funkce windowing se použije na ideální odezvu filtru, která vynutí odezvu frekvence na nulu mimo okno. Koeficienty se vy vybírá vzorkováním frekvence odezvy v rámci okna.

Počet koeficientů vrácených modulem filtru FIR se rovná pořadí filtru plus jeden. Hodnoty koeficientu jsou určeny parametry filtru a metodou oken a jsou symetrické, aby se zaručil odezva lineární fáze.

Škálování koeficientů

Modul FIR Filter vrátí pro vytvořený filtr koeficienty filtru nebo váhy klepnutím.

Koeficienty jsou určeny filtrem na základě parametrů, které zadáte (například pořadí). Pokud chcete zadat vlastní koeficienty, použijte modul Filtr definovaný uživatelem.

Pokud je Možnost škálování nastavená na hodnotu True, koeficienty filtru se normalizuje tak, aby rozsah odezvy filtru při středové frekvenci passbandu byl 0. Implementace normalizace v aplikaci Machine Learning Studio (classic) je stejná jako ve funkci fir1 v MATLABu.

V metodě návrhu okna obvykle navrhujte ideální nekonečnou odpověď (IIR). Funkce window se použije na vlnový tvar v časové doméně a vynásobí nekonečnou odezvu impulzu funkcí window. Výsledkem je, že frekvence odezvy filtru IIR se konvoluje s frekvencí odezvy funkce okna. V případě filtrů FIR se ale při použití filtru součiní vstupní a filtrovací koeficienty (neboli váhy klepnutí).

Selivity a přerušování pásma zastavení

Následující tabulka porovnává selektivitu s přerušováním pásma zastavení filtru FIR s délkou n pomocí různých metod oken:

Typ okna Přechodová oblast Minimální přerušování stopbandu
Obdélníkové 0.041n 21 dB
Trojúhelník 0.11n 26 dB
Hann 0.12n 44 dB
Hammingova 0.23n 53 dB
Blackman 0.2n 75 dB

Parametry modulu

Name Rozsah Typ Výchozí Description
Objednávka >=4 Integer 5 Určení pořadí filtrů
Okno Všechny Typ okna Určení typu okna, které se má použít
Typ filtru Všechny Filtertype LowPass Vyberte typ filtru, který chcete vytvořit.
Nízká hladinu hladinu hladinu [double. Epsilon;. 9999999] Float 0.3 Nastavení nízké frekvence hladinu hladinu hladinu
Vysoká přímka [double. Epsilon;. 9999999] Float 0.7 Nastavení vysoké frekvence cutoff
Měřítko Všechny Logická hodnota Ano Pokud je true, koeficienty filtru se normalizuje.

Výstup

Název Typ Description
Filtrovat IFilter – rozhraní Implementace filtru

Výjimky

Výjimka Description
NotInRangeValue K výjimce dochází, pokud parametr není v rozsahu.

Seznam chyb specifických pro moduly sady Studio (classic) najdete v Machine Learning kódy chyb.

Seznam výjimek rozhraní API najdete v tématu Machine Learning REST API kódy chyb.

Viz také

Filtr
Použít filtr
Seznam modulů A až Z