FIR-szűrő
Fontos
A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.
2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.
- További információ a gépi tanulási projektek a ML Studióból a klasszikusból a Azure Machine Learning.
- További információ a Azure Machine Learning.
A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.
Véges válaszszűrőt hoz létre a jelfeldolgozáshoz
Kategória: Adatátalakítás /szűrő
Megjegyzés
A következőkre vonatkozik: Machine Learning Studio (klasszikus)
Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.
A modul áttekintése
Ez a cikk azt ismerteti, hogyan használható a Machine Learning Studio (klasszikus) FIR-szűrő modulja egy véges válaszokra (FIR) nevezett szűrő meghatározásához. Az FIR-szűrők számos alkalmazással vannak használva a jelfeldolgozásban, és leggyakrabban lineáris fázisú választ igénylő alkalmazásokban használatosak. Szűrőt alkalmazhat például az egészségügyben használt képekre a teljes kép élezéséhez, a zaj megszüntetéséhez vagy egy képobjektumra való összpontosításhoz.
Megjegyzés
A szűrő egy átviteli függvény, amely egy bemeneti jelet vesz fel, és kimeneti jelet hoz létre a szűrő jellemzői alapján. A digitális jelfeldolgozás szűrőivel kapcsolatos általánosabb információkért lásd: Szűrő.
Miután meghatározta a digitális jelfeldolgozási szűrőt, alkalmazhatja a szűrőt az adatokra egy adatkészlet és a szűrő a Szűrő alkalmazása modulhoz való csatlakoztatásával . A szűrőt a hasonló adatkészletekkel való újrahasználathoz is mentheti.
Tipp
Szűrni szeretné az adatokat egy adatkészletből, vagy el szeretné távolítani a hiányzó értékeket? Ehelyett használja ezeket a modulokat:
- Clean Missing Data (Hiányzó adatok törlése): Ebben a modulban eltávolíthatja a hiányzó értékeket, vagy lecserélheti a hiányzó értékeket helyőrzőkre.
- Partíció és minta: Ebben a modulban olyan feltételek alapján oszthatja el vagy szűrheti az adatkészletet, mint például egy dátumtartomány, egy adott érték vagy reguláris kifejezések.
- Clip Values (Vágóértékek): Ezzel a modullal tartományt állíthat be, és csak az adott tartományon belüli értékeket tarthatja meg.
A FIR-szűrő konfigurálása
Adja hozzá a FIR Filter (FIR-szűrő ) modult a kísérlethez. Ezt a modult az Adatátalakítás alatt, a Szűrő kategóriában találja .
Az Order (Rendelés) mezőbe írjon be egy egész számot, amely meghatározza a szűrő válaszát befolyásoló aktív elemek számát. A szűrő sorrendje a szűrőablak hosszát jelöli.
A FIR szűrő minimális sorrendje 4.
A Window (Ablak) mezőben válassza ki azokat az adatokat, amelyekre a szűrőt alkalmazni fogja. Machine Learning ablakolási függvények a véges válaszszűrőkben való használathoz a következő típusokat támogatják:
Hamming (hamming): Az általánosított hamming (hamming ) ablak egy súlyozott átlagolási típust biztosít, amelyet gyakran használnak képfeldolgozáshoz és számítógépes látáshoz.
Blackman: A Blackman-ablak zökkenőmentesen szalagos görbét alkalmaz a jelre. A Blackman ablak jobb leállítási sávszűkítést ad, mint a többi ablaktípus.
Téglalap alakú: A téglalap alakú ablak konzisztens értéket alkalmaz a megadott intervallumon belül, és máshol nem alkalmaz értéket. A legegyszerűbb téglalap alakú ablak az adatsorozatban található n értékeket nullákra cserélheti, így úgy jelenik meg, mintha a jel hirtelen be- és kikapcsol.
A téglalap alakú ablak más néven boxcar vagy Dihidlet ablak.
Triangular: A háromszögletes ablak lépésenként alkalmazza a szűrő együtthatókat. Az aktuális érték a háromszög csúcsán jelenik meg, majd a korábbi vagy a következő értékkel csökken.
Nincs: Egyes alkalmazásokban jobb, ha nem használ ablakokat. Ha például az elemz által elemzen vett jel már egy ablakot vagy egy adatlokot jelez, az ablak függvény alkalmazása ronthatja a jel és a zaj arányát.
A Szűrő típusa beállításnál válassza ki azt a lehetőséget, amely meghatározza a szűrő alkalmazását. Megadhatja, hogy a szűrő kizárja a célértékeket, módosítja az értékeket, elutasítja az értékeket, vagy továbbadhatja azokat.
Lowpass: A "low pass" azt jelenti, hogy a szűrő alacsonyabb értékeken halad át, és eltávolítja a magasabb értékeket. Ezzel például eltávolíthatja a nagy gyakoriságú zajt és adatcsúcsokat a jelből.
Ez a szűrőtípus simítást gyakorol az adatokra.
Highpass: A "magas áteresztés" azt jelenti, hogy a szűrő magasabb értékeken halad át, és eltávolítja az alacsonyabb értékeket. Ezzel eltávolíthatja az alacsony gyakoriságú adatokat, például a torzítást vagy az eltolást a jelből.
Ez a szűrőtípus megőrzi a hirtelen változásokat és a jelcsúcsokat.
Sávpass: A "Sáv-áttúdás" azt jelenti, hogy átadja a megadott értéksávot, és eltávolít más értékeket. Ezzel a szűrővel megőrizheti egy olyan jel adatait, amely a gyakorisági jellemzőkkel rendelkezik a highpass és a lowpass szűrők metszetében.
A Sávpass szűrők egy highpass és egy lowpass szűrő kombinálásával hetők létre. A highpass szűrő levágási gyakorisága az alacsonyabb, a lowpass szűrő pedig a magasabb leépítést jelöli.
Ez a szűrőtípus jó a torzítások eltávolításához és a jel simításhoz.
Sávok leállítása: A sávok leállítása azt jelenti, hogy blokkolja a megadott sigalokat. Ez azt jelenti, hogy eltávolítja az adatokat egy olyan jelről, amely az alacsony pass és a highpass szűrők által elutasított gyakorisági jellemzőkkel rendelkezik.
Ez a szűrőtípus jó a jel torzításának és a hirtelen változásoknak a megőrzésére.
A választott szűrő típusától függően be kell állítania egy vagy több leépítési értéket.
Az értékek felső és/vagy alacsonyabb küszöbértékét a Magas levágás és az Alacsony levágás lehetőséggel határozhatja meg. A két lehetőség egyike vagy mindkettő szükséges annak megadásához, hogy a rendszer mely értékeket utasítja el vagy adja át. A sávok felső vagysávpass szűrőjéhez magas és alacsony levágási értékeket is be kell állítani. Más szűrőtípusoknál, például a lowpass szűrőnél csak az alacsony levágási értéket kell beállítani.
Válassza a Skálázás lehetőséget, ha a skálázást együtthatókra kell alkalmazni; ellenkező esetben hagyja üresen.
Csatlakozás szűrőt a Szűrő alkalmazása szűrőre, és csatlakoztassa az adatkészletet.
Az oszlopválasztóval adhatja meg, hogy a szűrő mely oszlopokra legyen alkalmazva. Alapértelmezés szerint a Szűrő alkalmazása modul a szűrőt használja az összes kijelölt numerikus oszlopra.
Futtassa a kísérletet.
A rendszer nem végez számításokat, amíg nem csatlakoztat egy adatkészletet a Szűrő alkalmazása modulhoz, és nem futtatja a kísérletet. Ezen a ponton a rendszer alkalmazza a megadott átalakítást a kiválasztott numerikus oszlopokra.
Megjegyzés
Az FIR Filter (FIR-szűrő ) modul nem biztosít lehetőséget jelzőoszlop létrehozására. Az oszlopértékek mindig a helyén vannak átalakítva.
Példák
A szűrők gépi tanulásban való használatára vonatkozó példákért tekintse meg ezt a kísérletet a Azure AI Gallery:
- Szűrők: Ez a kísérlet az összes szűrőtípust bemutatja egy tervezett hullámforma adatkészlet használatával.
Technikai megjegyzések
Ez a szakasz az implementáció részleteit, tippeket és válaszokat tartalmazza a gyakori kérdésekre.
Megvalósítás részletei
Az FIR-szűrők a következő jellemzőkkel rendelkeznek:
- Az FIR-szűrők nem küldnek visszajelzést; Ez azt jelenti, hogy az előző szűrőkimeneteket használják.
- Az FIR-szűrők stabilabbak, mert a válasz mindig a 0-ra tér vissza.
- Az FIR-szűrőknek magasabb sorrendre van szükségük ahhoz, hogy ugyanazt a kijelölést érik el, mint a végtelen válasz (IIR) szűrők.
- A többi szűrőhöz hasonló, a FIR szűrő is egy adott leépítési gyakorisággal tervezhető meg, amely megőrzi vagy elutasítja a jelet alkotó gyakoriságokat.
Együtthatók kiszámítása a szűrőablakban
Az ablaktípus határozza meg a választóképesség (annak az áttűnéssávnak a szélessége, amelyben a gyakoriságok nem teljesen elfogadottak és nem utasíthatóak el) és a mellőzése (a visszautasítani kívánt gyakoriságok teljes enyhítése) közötti különbséget. A windowing függvény az ideális szűrőválaszra lesz alkalmazva, hogy a frequency választ nullára kényszerítse az ablakon kívül. Az együtthatók az ablakon belüli gyakorisági válasz mintavételezése alapján választhatók ki.
Az FIR Filter modul által visszaadott együtthatók száma megegyezik a szűrési sorrend plusz egy értékekkel. Az együtthatóértékeket a szűrőparaméterek és az ablakos módszer határozzák meg, és szimmetrikusak a lineáris fázisú válasz garantálása érdekében
Együtthatók skálázása
A FIR Filter (FIR-szűrő ) modul szűrő-együtthatókat ad vissza, vagyis a súlyok koppintással adja vissza a létrehozott szűrőt.
Az együtthatókat a szűrő határozza meg a megadott paraméterek (például a sorrend) alapján. Ha egyéni együtthatókat szeretne megadni, használja a Felhasználó által definiált szűrő modult .
Ha a Scale (Méretezés) értéke True (Igaz) lesz, a szűrő együtthatói normalizálva lesznek, így a szűrő válaszának mértéke a passband középponti gyakoriságánál 0 lesz. A normalizálás implementációja a Machine Learning Studio (klasszikus) ugyanaz, mint a MATLAB fir1 függvényében.
Az ablaktervezési módszerben általában egy ideális végtelen válaszreakciós (IIR) szűrőt tervezünk. A window függvény az időtartomány hullámformára lesz alkalmazva, és megszoroz a window függvény végtelen válaszát. Ennek eredménye az IIR-szűrő frequency válasza, amely a window függvény frequency válaszával van összefűzve. A FIR-szűrők esetén azonban a bemeneti és szűrő együtthatók (vagy koppintási súlyok) a szűrő alkalmazásakor össze vannak függesztve.
Selectivity and stop band attenuation
Az alábbi táblázat az n hosszúságú FIR-szűrő stopsáv-enyhítésével hasonlítja össze a kijelölést különböző ablakozási módszerekkel:
| Ablak típusa | Váltási régió | Minimális stopband-felügyelet |
|---|---|---|
| Téglalap alakú | 0,041n | 21 dB |
| Háromszög | 0,11n | 26 dB |
| Hann | 0,12n | 44 dB |
| Hamming (Hamming) | 0,23n | 53 dB |
| Blackman | 0,2n | 75 dB |
Modulparaméterek
| Name | Tartomány | Típus | Alapértelmezett | Description |
|---|---|---|---|---|
| Sorrend | >=4 | Egész szám | 5 | A szűrési sorrend megadása |
| Ablak | Bármelyik | WindowType (Ablaktípus) | Adja meg az alkalmazni kívánt ablak típusát | |
| Szűrő típusa | Bármelyik | FilterType (Szűrőtípus) | LowPass (Alacsonypass) | Válassza ki a létrehozni kívánt szűrő típusát |
| Alacsony leépítés | [double. Epsilon;. 9999999] | Float | 0.3 | Az alacsony leépítési gyakoriság beállítása |
| Magas leépítés | [double. Epsilon;. 9999999] | Float | 0.7 | A magas leépítési gyakoriság beállítása |
| Méretezés | Bármelyik | Logikai | Igaz | Ha igaz, a szűrő együtthatók normalizálva lesznek |
Kimenet
| Név | Típus | Description |
|---|---|---|
| Szűrő | IFilter interfész | Szűrő implementációja |
Kivételek
| Kivétel | Description |
|---|---|
| NotInRangeValue | Kivétel történik, ha a paraméter nem a tartományon belül van. |
A Studio (klasszikus) moduljaival kapcsolatos hibák listájáért tekintse meg a Machine Learning hibakódokat.
Az API-kivételek listájáért tekintse meg a Machine Learning REST API hibakódokat.