IIR-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.

• A gépi tanulási projekteknek a (klasszikus) ML Studióból a Azure Machine Learning való áthelyezésére vonatkozó információk.
• További információ a Azure Machine Learning.

A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.

Végtelen impulzus válaszszűrőt hoz létre a jelfeldolgozáshoz

Kategória: Adatátalakítás /Szűrő

Megjegyzés

Csak a következőre vonatkozik: Machine Learning Studio (klasszikus)

Hasonló húzási modulok érhetők el Azure Machine Learning tervezőben.

A modul áttekintése

Ez a cikk azt ismerteti, hogyan használható az IIR-szűrőmodul a Machine Learning Studióban (klasszikus) végtelen impulzusválasz-szűrő (IIR) létrehozására.

A szűrők a digitális jelfeldolgozás fontos eszközei, és a kép- vagy hangfelismerés eredményeinek javítására szolgálnak. A szűrő általában egy olyan átviteli függvény, amely egy bemeneti jelet vesz fel, és a szűrő jellemzői alapján kimeneti jelet hoz létre. A digitális jelfeldolgozás szűrőinek felhasználójára vonatkozó általános információkért lásd a Szűrő című témakört.

Az IIR-szűrő egy adott szűrőtípus; az IIR-szűrők jellemző használata a véletlenszerű zajt tartalmazó ciklikus adatok egyszerűsítése egy folyamatosan növekvő vagy csökkenő trenden keresztül. Az ezzel a modullal létrehozott IIR-szűrő állandók (vagy együtthatók) készletét határozza meg, amelyek módosítják az átadott jelet. A névben a végtelen szó a kimenetek és az adatsorértékek közötti visszajelzésre utal.

Miután meghatározta az igényeinek megfelelő szűrőt, alkalmazhatja a szűrőt az adatokra úgy, hogy csatlakoztat egy adathalmazt és a szűrőt a Szűrő alkalmazása modulhoz.

Tipp

A szűrő olyan átviteli függvény, amely bemeneti jelet vesz fel, és a szűrő jellemzői alapján kimeneti jelet hoz létre. A digitális jelfeldolgozás szűrőinek felhasználójára vonatkozó általános információkért lásd a Szűrő című témakört.

Miután meghatározta az igényeinek megfelelő szűrőt, alkalmazhatja a szűrőt az adatokra úgy, hogy csatlakoztat egy adathalmazt és a szűrőt a Szűrő alkalmazása modulhoz.

Tipp

Szűrnie kell egy adatkészlet adatait, vagy el kell távolítania a hiányzó értékeket? Használja inkább ezeket a modulokat:

• Hiányzó adatok törlése: Ezzel a modullal eltávolíthatja a hiányzó értékeket, vagy helyőrzőkre cserélheti a hiányzó értékeket.
• Particionálás és minta: Ezzel a modullal oszthatja el vagy szűrheti az adathalmazt olyan feltételek szerint, mint a dátumtartomány, egy adott érték vagy reguláris kifejezés.
• Értékek kivágása: Ezzel a modullal tartományt állíthat be, és csak a tartományon belüli értékeket tarthatja meg.

IIR-szűrő konfigurálása

1. Adja hozzá az IIR-szűrő modult a kísérlethez. Ezt a modult a Szűrő kategóriában, az Adatátalakítás területen találja.

2. A Order függvényhez írjon be egy egész számot, amely meghatározza a szűrő válaszát befolyásoló aktív elemek számát. A szűrő sorrendje a szűrőablak hosszát jelöli.

   IIR-szűrő esetén a minimális sorrend 4.

3. A Szűrő típushoz válassza ki a szűrő együtthatóinak kiszámításához használt algoritmust. A szűrőtípus a frekvenciaválaszt és a gyakoriságelnyomást szabályozó matematikai átviteli függvényt jelöli ki. Machine Learning támogatja a digitális jelfeldolgozásban gyakran használt szűrőket:

   Butterworth: A Butterworth szűrő is nevezik maximálisan lapos nagyságrendű szűrő , mert korlátozza a választ (változás jel) a passband és a stopband.

   Chebyshev Type 1: Chebyshev szűrők célja, hogy minimalizálja a hibákat az idealizált és a tényleges szűrő jellemzői között a tartományban a szűrő. Type 1 Chebyshev szűrők hagyja több hullámos a passband.

   Chebyshev Type 2: Type 2 Chebyshev szűrők ugyanazokkal az általános jellemzőkkel rendelkeznek, mint az 1. típusú Chebyshev szűrők, de több hullámos marad a stopband.

4. Szűrőtípus esetén válasszon egy beállítást, amely meghatározza, hogy a szűrő hogyan befolyásolja a bemeneti jel értékeit. Megadhatja, hogy a szűrő kizárja a végpont feletti vagy alatti értékeket, vagy megadhatja, hogy a szűrő elutasítsa vagy áthaladjon egy megadott frekvenciatartomány értékein.

   LowPass: Lehetővé teszi az alacsony frekvenciájú értékek (a levágási érték alatti) átadását és más értékek csillapítását.

   HighPass: Lehetővé teszi a nagy gyakoriságú értékek (a vágási érték felett) átadását és más értékek csillapítását.

   Sávostű: Lehetővé teszi, hogy az alacsony és magas levágási értékek által megadott tartományban lévő jelek más értékeket is áthaladjanak és csillapítsanak.

   BandStop: Lehetővé teszi, hogy az alacsony és magas levágási értékek által megadott tartományon kívüli jelek áthaladjanak a tartományon belüli értékeken, és nehezítsék azokat.

5. Adja meg a magas vagy alacsony levágási értékeket, vagy mindkettőt 0 és 1 közötti értékként, amely normalizált gyakoriságot jelöl. Magas levágás esetén írjon be egy értéket, amely a felső frekvenciahatárt jelöli. Alacsony levágás esetén írjon be egy értéket, amely az alacsonyabb gyakoriság határát jelöli.

6. A Ripple esetében adja meg a szűrő definiálásakor elviselhető ripple mennyiségét. A Ripple egy kis, rendszeres időközönként előforduló változatra utal. A ripple általában nemkívánatos hatásnak számít, de más szűrőparaméterek, például a szűrő hosszának módosításával kompenzálhatja a ripple-t. Nem minden szűrő hoz létre hullámos.

7. Adja hozzá a Szűrő alkalmazása modult a kísérlethez, és csatlakoztassa a tervezett szűrőt, és az adatkészlet tartalmazza a módosítani kívánt értékeket.

   Az oszlopválasztóval megadhatja, hogy az adathalmaz mely oszlopaira alkalmazza a szűrőt. Alapértelmezés szerint a Szűrő alkalmazása modul az összes kijelölt numerikus oszlophoz használja a szűrőt.

8. Futtassa a kísérletet az átalakítás alkalmazásához.

Megjegyzés

Az IIR-szűrő modul nem biztosít lehetőséget mutatóoszlop létrehozására. Az oszlopértékek mindig helyben lesznek átalakítva.

Példák

Példák a szűrők gépi tanulásban való felhasználására az Azure AI-katalógusban található kísérletben:

• Szűrők: Ez a kísérlet az összes szűrőtípust bemutatja egy megtervezett hullámforma-adatkészlet használatával.

Technikai megjegyzések

Ez a szakasz implementálási részleteket, tippeket és válaszokat tartalmaz a gyakori kérdésekre.

Megvalósítás részletei

Az IIR-szűrők előre- és visszatöltési együtthatókat adnak vissza, amelyeket egy átviteli függvény jelöl. Íme egy példa a reprezentációra:

Ahol:

• N: szűrési sorrend

• bi: előretolási szűrő együtthatói

• ai: takarmány visszamenőleges szűrési együtthatói

• x[n]: a bemeneti jel

• y[n]: a kimeneti jel

Modulparaméterek

Name	Tartomány	Típus	Alapértelmezett	Description
Sorrend	[4;13]	Egész szám	5	A szűrési sorrend megadása
Szűrő típusa	Bármelyik	IIRFilterKind		Válassza ki a létrehozni kívánt IIR-szűrőt
Szűrő típusa	Bármelyik	Szűrőtípus		A szűrősáv típusának kiválasztása
Alacsony leépítés	[dupla. Epsilon;. 9999999]	Float	0.3	Az alacsony levágás értékének beállítása
Magas leépítés	[dupla. Epsilon;. 9999999]	Float	0.7	A magas leépítési érték beállítása
Csobogás	>=0,0	Float	0,5	Adja meg a hullámos adatmennyiséget a szűrőben

Kimenet

Név	Típus	Description
Szűrő	IFilter-felület	Implementáció szűrése

Kivételek

Kivétel	Description
NotInRangeValue	Kivétel akkor fordul elő, ha a paraméter nincs a tartományban.

A Studio (klasszikus) modulokkal kapcsolatos hibák listáját Machine Learning hibakódok között találja.

Az API-kivételek listájáért lásd Machine Learning REST API hibakódjait.

Lásd még

Szűrő
Szűrő alkalmazása
A-Z modullista