Filtr IIR

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).

• Přečtěte si informace o přesouvání projektů strojového učení z ML Studia (classic) na Azure Machine Learning.
• Přečtěte si další informace o Azure Machine Learning.

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

Vytvoří nekonečný filtr impulsní odezvy pro zpracování signálu.

Kategorie: Transformace dat / filtr

Poznámka

Platí jenom pro: Machine Learning Studio (jenom Classic)

Podobné moduly pro přetažení jsou k dispozici v návrháři Azure Machine Learning.

Přehled modulu

Tento článek popisuje, jak pomocí modulu filtru IIR v Machine Learning Studiu (classic) vytvořit nekonečný filtr IIR (impulsní odpověď).

Filtry jsou důležitým nástrojem při zpracování digitálního signálu a slouží ke zlepšení výsledků rozpoznávání obrazu nebo hlasu. Obecně platí, že filtr je přenosová funkce, která přijímá vstupní signál a vytváří výstupní signál na základě charakteristik filtru. Obecné informace o uživateli filtrů při zpracování digitálních signálů naleznete v tématu Filtr.

Filtr IIR je určitý typ filtru; typickým použitím filtru IIR by bylo zjednodušení cyklických dat, která zahrnují náhodný šum při stále rostoucím nebo klesajícím trendu. Filtr IIR, který vyfiltrujete pomocí tohoto modulu, definuje sadu konstant (nebo koeficientů), které mění signál, který prochází. Slovo nekonečné v názvu odkazuje na zpětnou vazbu mezi výstupy a hodnotami řad.

Jakmile definujete filtr, který vyhovuje vašim potřebám, můžete filtr použít na data připojením datové sady a filtru k modulu Použít filtr.

Tip

Filtr je přenosová funkce, která přijímá vstupní signál a vytváří výstupní signál na základě charakteristik filtru. Obecné informace o uživateli filtrů při zpracování digitálních signálů naleznete v tématu Filtr.

Jakmile definujete filtr, který vyhovuje vašim potřebám, můžete filtr použít na data připojením datové sady a filtru k modulu Použít filtr.

Tip

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

• Vyčištění chybějících dat: Pomocí tohoto modulu odeberte chybějící hodnoty nebo nahraďte chybějící hodnoty zástupnými symboly.
• Oddíl a ukázka: Tento modul použijte k rozdělení nebo filtrování datové sady podle kritérií, jako je rozsah kalendářních dat, konkrétní hodnota nebo regulární výrazy.
• Hodnoty klipů: Tento modul slouží k nastavení rozsahu a zachování pouze hodnot v daném rozsahu.

Konfigurace filtru IIR

1. Přidejte do experimentu modul Filtr IIR . Tento modul najdete v části Transformace dat v kategorii Filtr .

2. Jako pořadí zadejte celočíselnou hodnotu, která definuje počet aktivních prvků použitých k ovlivnění odpovědi filtru. Pořadí filtru představuje délku okna filtru.

   Pro filtr IIR je minimální pořadí 4.

3. Pro typ filtru zvolte algoritmus, který se používá k výpočtu koeficientů filtru. Druh filtru určuje matematickou funkci přenosu, která řídí frekvenci odezvy a potlačení četnosti. Machine Learning podporuje tyto druhy filtrů běžně používaných při zpracování digitálních signálů:

   Butterworth: Filtr Butterworth se také označuje jako maximálně plochý filtr velikosti , protože omezuje odezvu (změna signálu) v passbandu a zarážce.

   Chebyshev Type 1: Filtry Chebyshev jsou určeny k minimalizaci chyb mezi idealizovanými a skutečnými charakteristikami filtru v rozsahu filtru. Typ 1 Chebyshev filtry nechat více ripple v passbandu.

   Chebyshev Typ 2: Typ 2 Chebyshev filtry mají stejné obecné charakteristiky jako Filtry Typu 1 Chebyshev, ale ponechají více ripple v zarážce.

4. Jako typ filtru vyberte možnost, která definuje, jak bude filtr mít vliv na hodnoty ve vstupním signálu. Můžete určit, že filtr vyloučí hodnoty nad nebo pod mezní bod, nebo určíte, že filtr buď odmítne nebo předá hodnoty v zadaném rozsahu četnosti.

   LowPass: Umožňuje předávat hodnoty s nízkou frekvencí (pod hodnotou odtoku) a ztlumit další hodnoty.

   HighPass: Umožňuje předávat hodnoty s vysokou frekvencí (nad hodnotou mezní hodnoty) a ztlumit další hodnoty.

   Bandpass: Umožňuje signály v rozsahu určeném nízkým a vysokým mezním hodnotami předat a snížit ostatní hodnoty.

   BandStop: Umožňuje signály mimo rozsah určený nízkými a vysokými mezními hodnotami předávat a ztlumit hodnoty v rozsahu.

5. Zadejte hodnoty s vysokou nebo nízkou mezní hodnotou nebo obojí jako hodnotu mezi 0 a 1, která představuje normalizovanou frekvenci. Do pole Vysoký řez zadejte hodnotu, která představuje horní hranici četnosti. V případě nízkého odtoku zadejte hodnotu, která představuje dolní hranici frekvence.

6. Pro Ripple zadejte množství ripple , které se má tolerovat, když definujete filtr. Ripple odkazuje na malou variaci, která se pravidelně vyskytuje. Ripple je obvykle považován za nežádoucí účinek, ale můžete kompenzovat ripple úpravou dalších parametrů filtru, jako je například délka filtru. Ne všechny filtry vytvářejí ripple.

7. Přidejte do experimentu modul Použít filtr a připojte filtr, který jste navrhli, a datová sada obsahuje hodnoty, které chcete upravit.

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

8. Spuštěním experimentu použijte transformaci.

Poznámka

Modul Filtr IIR neposkytuje možnost vytvořit sloupec indikátoru. Hodnoty sloupců se vždy transformují.

Příklady

Příklady použití filtrů ve strojovém učení najdete v tomto experimentu v galerii Azure AI:

• Filtry: Tento experiment demonstruje všechny typy filtrů pomocí vytvořené datové sady waveformu.

Technické poznámky

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

Podrobnosti o implementaci

Filtr IIR vrací dopředu informační kanál a posun zpětné koeficienty, které jsou reprezentovány pomocí přenosové funkce. Tady je příklad reprezentace:

Kde:

• N: pořadí filtru

• bi: koeficienty filtru dopředu informačního kanálu

• ai: Sesoučinitele zpětného filtru

• x[n]: vstupní signál

• y[n]: výstupní signál

Parametry modulu

Name	Rozsah	Typ	Výchozí	Description
Objednávka	[4;13]	Integer	5	Určení pořadí filtru
Druh filtru	Všechny	IIRFilterKind		Vyberte typ filtru IIR, který chcete vytvořit.
Typ filtru	Všechny	Filtertype		Vyberte typ pásu filtru.
Nízká výstřižek	[double. Epsilon;. 9999999]	Float	0.3	Nastavení nízké hodnoty řezu
Vysoká výstřižek	[double. Epsilon;. 9999999]	Float	0.7	Nastavení vysoké hodnoty přímé hodnoty
Zvlnění	>=0,0	Float	0,5	Zadejte množství z ripple ve filtru.

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 Studio (Classic) najdete v tématu Machine Learning kódy chyb.

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

Viz také

Filtr
Použít filtr
Seznam modulů A-Z