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
Adja hozzá az IIR-szűrő modult a kísérlethez. Ezt a modult a Szűrő kategóriában, az Adatátalakítás területen találja.
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.
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.
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.
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.
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.
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.
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 sorrendbi
: előretolási szűrő együtthatóiai
: takarmány visszamenőleges szűrési együtthatóix[n]
: a bemeneti jely[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.