User-Defined szűrő
Egyéni véges vagy végtelen impulzus válaszszűrőt hoz létre
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 bemutatja, hogyan definiálhat egyéni szűrőt a Machine Learning Studio (klasszikus) felhasználó által definiált szűrőmoduljával véges impulzusválasz-szűrővel vagy végtelen impulzusválasz-szűrővel (IIR) az Ön által megadott együtthatókkal.
A szűrő olyan átviteli függvény, amely bemeneti jelet vesz fel, és a szűrő jellemzői alapján hoz létre kimeneti jelet. A digitális jelfeldolgozás szűrőinek felhasználójára vonatkozó általánosabb információkért lásd a Szűrőt. Ez a modul különösen akkor hasznos, ha korábban származtatott szűrő együtthatókat alkalmaz az adatokra.
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 az adatokat egy adathalmazból, 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.
- Partíció és minta: Ezzel a modullal oszthatja vagy szűrheti az adathalmazt olyan feltételek szerint, mint a dátumtartomány, egy adott érték vagy reguláris kifejezés.
- Értékek kivágása: Ezzel a modullal beállíthat egy tartományt, és csak az adott tartományban lévő értékeket tarthatja meg.
User-Defined szűrő konfigurálása
Adja hozzá a felhasználó által definiált szűrőmodult a kísérlethez a Studióban (klasszikus). Ezt a modult az Adatátalakítás területen, a Szűrő kategóriában találja.
A Tulajdonságok panelen válasszon egy szűrőtípust: FIR-szűrő vagy IIR-szűrő.
Adja meg a szűrőben alkalmazandó együtthatókat. Az együtthatók követelményei attól függően különböznek, hogy FIR-szűrőt vagy IIR-szűrőt választ.
A FIR-szűrőhöz a feed-forward együtthatók vektorát kell megadnia. A vektor hossza határozza meg a szűrő sorrendjét. A FIR-szűrő tulajdonképpen mozgóátlag, így a konfigurációs értékek mozgóátlagot alkalmaznak az adatütemezések szűréséhez.
IIR-szűrő esetén egyéni előre- és visszatöltési együtthatókat kell alkalmaznia. Tippekért tekintse meg a Példák szakaszt.
Csatlakozás szűrőt szűrő alkalmazásához, és csatlakoztassa az adathalmazt.
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.
A megadott átalakítások csak akkor lesznek alkalmazva a kijelölt numerikus oszlopokra, ha a kísérletet szűrő alkalmazásával futtatja.
Példák
A szűrők gépi tanulásban való használatáról az Azure AI-katalógusban talál további példákat:
- Szűrők: Az összes szűrőtípust bemutatja. A példa egy megtervezett hullámforma-adatkészletet használ a különböző szűrők hatásainak egyszerűbb szemléltetésére.
FIR-szűrő példa: Exponenciális súlyozott mozgóátlag
Exponenciálisan súlyozott mozgó átlag esetén minden együttható egynél kisebb, az együtthatók összege pedig egy. Ezért a súlyozott átlag varianciája mindig kisebb lesz, mint a bemeneti értékek.
Ha például egy FIR-szűrő exponenciálisan súlyozott mozgóátlagot (WMA) szeretne megközelíteni, akkor az együtthatók vesszővel elválasztott listáját kell megadnia a továbbítási paraméter értékéhez:
0.01818182, 0.03636364, 0.05454545, 0.07272727, 0.09090909, 0.10909091, 0.12727273, 0.14545455, 0.16363636, 0.18181818
FIR-szűrő példa: Exponenciális súlyozott mozgóátlag (Deslauriers-Dubuc interpoláció)
Ez a FIR-szűrő egy háromszögletű súlyozott mozgó átlagot (WMA) közelít. Az együtthatókat úgy határozhatja meg, hogy egy vesszővel tagolt értéksort ad meg a továbbítási paraméterekhez, például a következőkhöz:
0.0625, 0.0625, 0.2500, 0.3750, 0.2500, 0.0625
Az egyéni FIR-szűrőben használt értékek a véges szekvenálás Deslauriers-Dubuc módszerével kapott előretolási együtthatók vektorát jelölik. További információ: Dubuc-Deslauriers Subdivision for Finite Sequences and Interpolation Wavelets on an Interval.
Példa IIR-szűrőre: Notch-szűrő
Egy felhasználó által definiált IIR-szűrő alkalmazásának jó példája egy notch szűrő, más néven sávszűrő definiálása. A kívánt notch szűrő egy -3dB kilökődési sávot (fb) csillapít, amelynek középpontja egy notch gyakorisággal, fn
mintavételi gyakorisággal. fs
Ebben az esetben a digitális notch szűrőt a következő képlet jelölheti:
Ez a képlet a következőket feltételezi:
Ebből a képletből lekérhetjük a feed-forward együtthatót:
A visszatáplációs együtthatók a következők:
Példa IIR-szűrőre: Notch szűrő 2
Az alábbi példa egy notch szűrőt mutat be, amelynek a frekvenciája fn =1250 Hz
és -3 dB
a kilökődési sávja fb =100 Hz
a mintavételezési gyakorisága fs=10 kHz
.
A következő képletet használva a következő képletet a1 = 1.3711242
kapja:a2 = 0.93906244
Ebből a következő előretolási (b) és visszatöltési (a) együtthatókat kaphatja meg:
b= 1.9390624, -2.7422484, 1.9390624
a= 1, -1.3711242, 0.9390624
Modulparaméterek
Name | Tartomány | Típus | Alapértelmezett | Description |
---|---|---|---|---|
Szűrő típusa | bármelyik | ImpulseResponse | A testre szabandó szűrő típusának megadása | |
hozás | bármelyik | Sztring | "1.0" | Beírhatja a továbbítási együtthatók sorozatát |
küldés | bármelyik | Sztring | "1.0" | Beírhatja a visszatolási szűrő együtthatóinak sorozatát |
Kimenet
Név | Típus | Description |
---|---|---|
Szűrő | IFilter-felület | Implementáció szűrése |
Kivételek
Kivétel | Description |
---|---|
ParameterParsing | Kivétel történik, ha egy vagy több paraméter nem elemezhető vagy konvertálható a megadott típusból a célmetódus által megkövetelt típusba. |
A Studio (klasszikus) modulokkal kapcsolatos hibák listáját Machine Learning hibakódok között találja.
Az API-kivételek listájáért lásd Machine Learning REST API hibakódjait.