filtr User-Defined
Vytvoří vlastní konečný nebo nekonečný filtr odezvy impulsu.
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 Filtr definovaný uživatelem v nástroji Machine Learning Studio (classic) definovat vlastní filtr pomocí filtru konečné odezvy (FIR) nebo nekonečného filtru impulsní odpovědi (IIR) se zadanými koeficienty.
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. Tento modul je zvláště užitečný pro použití sady dříve odvozených koeficientů filtru na data.
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 User-Defined
Přidejte do experimentu modul Filtr definovaný uživatelem (Classic). Tento modul najdete v části Transformace dat v kategorii Filtr .
V podokně Vlastnosti zvolte typ filtru: filtr FIR nebo filtr IIR.
Zadejte koeficienty, které se mají použít ve filtru. Požadavky na koeficienty se liší v závislosti na tom, jestli zvolíte filtr FIR nebo filtr IIR.
Pro filtr FIR zadáte vektor koeficientů pro předávání. Délka vektoru určuje pořadí filtru. Filtr FIR je efektivně klouzavý průměr, takže hodnoty konfigurace používají klouzavý průměr pro filtrování posloupnosti dat.
Pro filtr IIR použijete vlastní koeficienty posunu dopředu a dozadu. Některé tipy najdete v části Příklady .
Připojení filtr použít filtr a připojit datovou sadu.
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.
Spusťte experiment.
Zadané transformace se použijí u vybraných číselných sloupců pouze při spuštění experimentu pomocí funkce Použít filtr.
Příklady
Další příklady použití filtrů ve strojovém učení najdete v galerii Azure AI:
- Filtry: Demonstruje všechny typy filtrů. V tomto příkladu se používá datová sada vlnových formátů k snadnější ilustraci efektů různých filtrů.
Příklad filtru FIR: Exponenciální vážený klouzavý průměr
U exponenciálně váženého klouzavého průměru jsou všechny koeficienty menší než jeden a součet všech koeficientů se rovná jednomu. Proto bude odchylka váženého průměru vždy menší než vstupní hodnoty.
Například pro filtr FIR pro přibližnou exponenciálně váženou klouzavý průměr (WMA) byste uvedli čárkami oddělený seznam koeficientů pro hodnotu parametru feed-forward:
0.01818182, 0.03636364, 0.05454545, 0.07272727, 0.09090909, 0.10909091, 0.12727273, 0.14545455, 0.16363636, 0.18181818
Příklad filtru FIR: Exponenciální vážený klouzavý průměr (deslauriers-Dubuc interpolace)
Tento filtr FIR přibližuje trojúhelníkově vážený klouzavý průměr (WMA). Koeficienty definujete zadáním řady hodnot oddělených čárkami pro parametry předávání, jako jsou tyto:
0.0625, 0.0625, 0.2500, 0.3750, 0.2500, 0.0625
Hodnoty použité v tomto vlastním filtru FIR představují vektor koeficientů odsazených odsazených pomocí metody Deslauriers-Dubuc konečného sekvencování. Další informace naleznete v tématu Dubuc-Deslauriers Subdivision for Finite Sequences and Interpolation Wavelets on an Interval.
Příklad filtru IIR: Filtr notch
Dobrým příkladem aplikace pro filtr IIR definovaný uživatelem je definovat filtr s nářezem, který se označuje také jako filtr pásem. Požadovaný zářez filtr ztlumí pásmo odmítnutí -3dB, fb, zacentrované na frekvenci zářezu , fns vzorkovací frekvencí, fs.
V tomto případě může být digitální filtr notch reprezentován následujícím vzorcem:
Tento vzorec předpokládá:
Z tohoto vzorce můžeme získat koeficient předávání:
Koeficienty zpětného podávání by byly následující:
Příklad filtru IIR: Filtr notch 2
Následující příklad ukazuje filtr zářezu s frekvencí zářezu fn =1250 Hz a pásmem -3 dBfb =100 Hzodmítnutí , s vzorkovací frekvencí fs=10 kHz.
Pomocí následujícího vzorce získáte a2 = 0.93906244 a a1 = 1.3711242:
Z toho můžete získat následující koeficienty posunu dopředu (b) a dozadu (a):
b= 1.9390624, -2.7422484, 1.9390624
a= 1, -1.3711242, 0.9390624
Parametry modulu
| Name | Rozsah | Typ | Výchozí | Description |
|---|---|---|---|---|
| Typ filtru | Libovolný | ImpulsResponse | Zadejte typ filtru, který chcete přizpůsobit. | |
| Forward | Libovolný | Řetězec | 1\.0 | Zadejte řadu koeficientů odsávacích součinitelů |
| dál | Libovolný | Řetězec | 1\.0 | Zadejte řadu koeficientů filtru zpětného podávání. |
Výstup
| Název | Typ | Description |
|---|---|---|
| Filtrovat | IFilter – rozhraní | Implementace filtru |
Výjimky
| Výjimka | Description |
|---|---|
| ParametrParsing | K výjimce dochází v případě, že jeden nebo více parametrů nelze analyzovat nebo převést ze zadaného typu na typ, který vyžaduje cílová metoda. |
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.