Catatan
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba masuk atau mengubah direktori.
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba mengubah direktori.
Penting
Dukungan untuk Studio Azure Machine Learning (klasik) akan berakhir pada 31 Agustus 2024. Sebaiknya Anda transisi ke Azure Machine Learning sebelum tanggal tersebut.
Mulai 1 Desember 2021, Anda tidak akan dapat membuat sumber daya Studio Azure Machine Learning (klasik) baru. Hingga 31 Agustus 2024, Anda dapat terus menggunakan sumber daya Pembelajaran Mesin Studio (klasik) yang ada.
- Lihat informasi tentang memindahkan proyek pembelajaran mesin dari ML Studio (klasik) ke Azure Machine Learning.
- Mer informasjon tentang Azure Machine Learning.
ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.
Membuat filter respons impuls terbatas untuk pemrosesan sinyal
Kategori: Transformasi / Filter Data
Catatan
Berlaku untuk: Pembelajaran Mesin Studio (klasik) saja
Modul drag-and-drop serupa tersedia di Azure Machine Learning desainer.
Ringkasan Modul
Artikel ini menjelaskan cara menggunakan modul Filter FIR di Pembelajaran Mesin Studio (klasik), untuk menentukan jenis filter yang disebut filter respons impuls terbatas (FIR). Filter FIR memiliki banyak aplikasi dalam pemrosesan sinyal, dan paling sering digunakan dalam aplikasi yang memerlukan respons fase linier. Misalnya, filter dapat diterapkan pada gambar yang digunakan dalam perawatan kesehatan untuk mempertajam keseluruhan gambar, menghilangkan noise, atau fokus pada objek yang dicitrakan.
Catatan
Filter adalah fungsi transfer yang mengambil sinyal input dan menciptakan sinyal output berdasarkan karakteristik filter. Untuk informasi lebih umum tentang pengguna filter dalam pemrosesan sinyal digital, lihat Filter.
Setelah Anda menentukan filter pemrosesan sinyal digital, Anda dapat menerapkan filter ke data dengan menghubungkan himpunan data dan filter ke modul Terapkan Filter . Anda juga dapat menyimpan filter untuk digunakan kembali dengan himpunan data serupa.
Tip
Perlu memfilter data dari himpunan data atau menghapus nilai yang hilang? Gunakan modul-modul ini sebagai gantinya:
- Bersihkan Data yang Hilang: Gunakan modul ini untuk menghapus nilai yang hilang atau mengganti nilai yang hilang dengan placeholder.
- Partisi dan Sampel: Gunakan modul ini untuk membagi atau memfilter himpunan data Anda berdasarkan kriteria seperti rentang tanggal, nilai tertentu, atau ekspresi reguler.
- Nilai Klip: Gunakan modul ini untuk mengatur rentang dan hanya menyimpan nilai dalam rentang tersebut.
Cara mengkonfigurasi Filter FIR
Tambahkan modul Filter FIR ke eksperimen Anda. Anda dapat menemukan modul ini di bawah Transformasi Data, dalam kategori Filter .
Untuk Order, ketik nilai integer yang menentukan jumlah elemen aktif yang digunakan untuk memengaruhi respons filter. Urutan filter mewakili panjang jendela filter.
Untuk filter FIR, urutan minimum adalah 4.
Untuk Jendela, pilih bentuk data tempat filter akan diterapkan. Pembelajaran Mesin mendukung jenis fungsi windowing berikut untuk digunakan dalam filter respons impuls terbatas:
Hamming: Jendela Hamming umum menyediakan jenis rata-rata tertimbang, yang biasa digunakan dalam pemrosesan gambar dan visi komputer.
Blackman: Jendela Blackman menerapkan fungsi kurva yang meruncing dengan lancar ke sinyal. Jendela Blackman memiliki peletenan stopband yang lebih baik daripada jenis jendela lainnya.
Persegi panjang: Jendela persegi panjang menerapkan nilai konsisten dalam interval yang ditentukan dan tidak menerapkan nilai di tempat lain. Jendela persegi panjang yang paling sederhana mungkin menggantikan nilai n dalam urutan data dengan nol, yang membuatnya tampak seolah-olah sinyal tiba-tiba menyala dan mati.
Jendela persegi panjang juga dikenal sebagai jendela boxcar atau Dirichlet.
Segitiga: Jendela segitiga menerapkan koefisien filter secara langkah-bijaksana. Nilai saat ini muncul di puncak segitiga, dan kemudian menurun dengan nilai sebelumnya atau mengikuti.
Tidak ada: Dalam beberapa aplikasi lebih baik tidak menggunakan fungsi windowing apa pun. Misalnya, jika sinyal yang Anda analisis sudah mewakili jendela atau ledakan, menerapkan fungsi jendela dapat memperburuk rasio sinyal-ke-kebisingan.
Untuk Jenis filter, pilih opsi yang menentukan cara filter diterapkan. Anda dapat menentukan bahwa filter mengecualikan nilai target, mengubah nilai, menolak nilai, atau meneruskannya.
Lowpass: "Low pass" berarti filter melewati nilai yang lebih rendah, dan menghapus nilai yang lebih tinggi. Misalnya, Anda dapat menggunakan ini untuk menghilangkan noise frekuensi tinggi dan puncak data dari sinyal.
Jenis filter ini memiliki efek smoothing pada data.
Highpass: "High pass" berarti filter melewati nilai yang lebih tinggi, dan menghapus nilai yang lebih rendah. Anda dapat menggunakan ini untuk menghapus data frekuensi rendah, seperti bias atau offset, dari sinyal.
Jenis filter ini mempertahankan perubahan mendadak dan puncak dalam sinyal.
Bandpass: "Band pass" berarti bahwa ia melewati thorugh band nilai yang ditentukan, dan menghapus yang lain. Anda dapat menggunakan filter ini untuk menjaga data dari sinyal dengan karakteristik frekuensi di persimpangan antara highpass dan lowpass filter.
Filter bandpass dibuat dengan menggabungkan highpass dan filter lowpass. Frekuensi cutoff filter highpass mewakili cutoff yang lebih rendah, dan frekuensi filter lowpass mewakili cutoff yang lebih tinggi.
Jenis filter ini bagus untuk menghilangkan bias dan menghaluskan sinyal.
Bandstop: "Band stop" berarti bahwa ia memblokir sigals tertentu. Dengan kata lain, ia menghapus data dari sinyal dengan karakteristik frekuensi yang ditolak oleh pass rendah dan filter highpass.
Jenis filter ini bagus untuk menjaga bias sinyal dan perubahan mendadak.
Bergantung pada jenis filter yang Anda pilih, Anda harus menetapkan satu atau beberapa nilai cutoff.
Gunakan opsi cutoff tinggi dan cutoff rendah untuk menentukan ambang atas dan / atau ambang batas yang lebih rendah untuk nilai. Salah satu atau kedua opsi ini diperlukan untuk menentukan nilai mana yang ditolak atau diteruskan. Filter bandstop atau bandpass mengharuskan Anda mengatur nilai cutoff tinggi dan rendah. Jenis filter lainnya, seperti filter lowpass , mengharuskan Anda mengatur hanya nilai cutoff rendah.
Pilih opsi Skala jika penskalaan harus diterapkan pada koefisien; jika tidak, biarkan kosong.
Koneksi filter untuk Menerapkan Filter, dan menghubungkan himpunan data.
Gunakan pemilih kolom untuk menentukan kolom mana filter harus diterapkan. Secara default, modul Terapkan Filter akan menggunakan filter untuk semua kolom numerik yang dipilih.
Jalankan eksperimen.
Tidak ada perhitungan yang dilakukan sampai Anda menghubungkan himpunan data ke modul Terapkan Filter dan menjalankan eksperimen. Pada saat itu, transformasi yang ditentukan diterapkan ke kolom numerik yang dipilih.
Catatan
Modul Filter FIR tidak menyediakan opsi untuk membuat kolom indikator. Nilai kolom selalu diubah di tempat.
Contoh
Untuk contoh bagaimana filter digunakan dalam pembelajaran mesin, lihat eksperimen ini di Galeri AI Azure:
- Filter: Eksperimen ini menunjukkan semua jenis filter, menggunakan himpunan data bentuk gelombang yang direkayasa.
Catatan teknis
Bagian ini berisi detail implementasi, tips, dan jawaban atas pertanyaan yang sering diajukan.
Detail implementasi
Filter FIR memiliki karakteristik berikut:
- Filter FIR tidak memiliki umpan balik; artinya, mereka menggunakan output filter sebelumnya.
- Filter FIR lebih stabil, karena respons impuls akan selalu kembali ke 0.
- Filter FIR memerlukan urutan yang lebih tinggi untuk mencapai selektivitas yang sama dengan filter infinite impulse response (IIR).
- Seperti filter lainnya, filter FIR dapat dirancang dengan frekuensi cutoff tertentu yang mempertahankan atau menolak frekuensi yang menyusun sinyal.
Menghitung koefisien melalui jendela filter
Jenis jendela menentukan trade-off antara selektivitas (lebar pita transisi di mana frekuensi tidak sepenuhnya diterima atau ditolak) dan penindasan (pelebaran total frekuensi yang akan ditolak). Fungsi windowing diterapkan pada respons filter ideal untuk memaksa respons frekuensi ke nol di luar jendela. Koefisien dipilih dengan mengambil sampel respons frekuensi di dalam jendela.
Jumlah koefisien yang dikembalikan oleh modul Filter FIR sama dengan urutan filter ditambah satu. Nilai koefisien ditentukan oleh parameter filter dan dengan metode windowing, dan simetris untuk menjamin respons fase linier
Penskalaan koefisien
Modul Filter FIR mengembalikan koefisien filter, atau mengetuk bobot, untuk filter yang dibuat.
Koefisien ditentukan oleh filter, berdasarkan parameter yang Anda masukkan (seperti urutan). Jika Anda ingin menentukan koefisien kustom, gunakan modul Filter yang Ditentukan Pengguna .
Ketika Skala diatur ke True, koefisien filter akan dinormalisasi, sehingga respons besar filter pada frekuensi tengah passband adalah 0. Penerapan normalisasi di Pembelajaran Mesin Studio (klasik) sama dengan pada fungsi fir1 di MATLAB.
Biasanya, dalam metode desain jendela, Anda merancang filter respons impuls tak terbatas (IIR) yang ideal. Fungsi jendela diterapkan ke bentuk gelombang dalam domain waktu, dan mengalikan respons impuls tak terbatas dengan fungsi jendela. Hal ini mengakibatkan respons frekuensi filter IIR yang berbelit-belit dengan respons frekuensi fungsi jendela. Namun, dalam kasus filter FIR, koefisien input dan filter (atau bobot ketuk) berbelit-belit saat menerapkan filter.
Selektivitas dan peletenan stop band
Tabel berikut membandingkan selektivitas dengan peletenan stop band untuk filter FIR dengan panjang n dengan menggunakan metode windowing yang berbeda:
Tipe Jendela | Wilayah Transisi | Peletenan Stopband Minimum |
---|---|---|
Persegi panjang | 0.041n | 21 dB |
Segitiga | 0.11n | 26 dB |
Hann | 0.12n | 44 dB |
Hamming | 0.23n | 53 dB |
Blackman | 0.2n | 75 dB |
Parameter modul
Nama | Rentang | Jenis | Default | Deskripsi |
---|---|---|---|---|
Pesanan | >=4 | Bilangan bulat | 5 | Tentukan urutan filter |
Jendela | Semua | Tipe Jendela | Tentukan jenis jendela yang akan diterapkan | |
Jenis filter | Semua | FilterType | LowPass | Pilih jenis filter yang akan dibuat |
Cutoff rendah | [ganda. Epsilon;. 9999999] | Mengambang | 0.3 | Atur frekuensi cutoff rendah |
Cutoff tinggi | [ganda. Epsilon;. 9999999] | Mengambang | 0.7 | Atur frekuensi cutoff yang tinggi |
Skala | Apa pun | Boolean | True | Jika benar, koefisien filter akan dinormalisasi |
Output
Nama | Jenis | Deskripsi |
---|---|---|
Filter | Antarmuka IFilter | Implementasi filter |
Pengecualian
Pengecualian | Deskripsi |
---|---|
NotInRangeValue | Pengecualian terjadi jika parameter tidak dalam jangkauan. |
Untuk daftar kesalahan khusus untuk modul Studio (klasik), lihat Pembelajaran Mesin Kode kesalahan.
Untuk daftar pengecualian API, lihat Pembelajaran Mesin Kode Kesalahan REST API.