Filtro FIR
Importante
O suporte para o Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. É recomendável fazer a transição para o Azure Machine Learning até essa data.
A partir de 1º de dezembro de 2021, você não poderá criar recursos do Machine Learning Studio (clássico). Até 31 de agosto de 2024, você pode continuar usando os recursos existentes do Machine Learning Studio (clássico).
- Confira informações sobre como mover projetos de machine learning do ML Studio (clássico) para o Azure Machine Learning.
- Saiba mais sobre o Azure Machine Learning.
A documentação do ML Studio (clássico) está sendo desativada e pode não ser atualizada no futuro.
Criar um filtro de resposta impulso finito para processamento de sinais
Categoria: transformação/filtro de dados
Observação
aplica-se a: somente Machine Learning Studio (clássico)
Módulos semelhantes do tipo "arrastar e soltar" estão disponíveis no designer do Azure Machine Learning.
Visão geral do módulo
este artigo descreve como usar o módulo filtro FIR no Machine Learning Studio (clássico), para definir um tipo de filtro chamado de filtro de resposta de impulso finito (FIR). Os filtros FIR têm vários aplicativos em processamento de sinais e são mais comumente usados em aplicativos que requerem resposta de fase linear. Por exemplo, um filtro pode ser aplicado a imagens usadas na área de saúde para ajustar a imagem geral, eliminar o ruído ou se concentrar em um objeto de imagem.
Observação
Um filtro é uma função de transferência que usa um sinal de entrada e cria um sinal de saída com base nas características do filtro. Para obter mais informações gerais sobre o usuário de filtros no processamento de sinal digital, consulte Filter.
Depois de ter definido um filtro de processamento de sinal digital, você pode aplicar o filtro aos dados conectando um DataSet e o filtro ao módulo aplicar filtro . Você também pode salvar o filtro para reutilização com conjuntos de valores semelhantes.
Dica
Precisa filtrar dados de um DataSet ou remover valores ausentes? Em vez disso, use esses módulos:
- Limpar dados ausentes: Use este módulo para remover valores ausentes ou substituir valores ausentes por espaços reservados.
- Partição e exemplo: Use este módulo para dividir ou filtrar seu conjunto de informações por critérios, como um intervalo de datas, um valor específico ou expressões regulares.
- Valores de clipe: Use este módulo para definir um intervalo e manter apenas os valores dentro desse intervalo.
Como configurar o filtro FIR
Adicione o módulo de filtro fir ao seu experimento. Você pode encontrar esse módulo em transformação de dados, na categoria filtro .
Para Order, digite um valor inteiro que define o número de elementos ativos usados para afetar a resposta do filtro. A ordem do filtro representa o comprimento da janela de filtro.
Para um filtro FIR, a ordem mínima é 4.
Para janela, selecione a forma dos dados aos quais o filtro será aplicado. o Machine Learning dá suporte aos seguintes tipos de funções de janela para uso em filtros de resposta de impulso finito:
Hamming: a janela generalizada Hamming fornece um tipo de média ponderada, que é comumente usado no processamento de imagens e na visão do computador.
Blackman: uma janela Blackman aplica uma função de curva uniformemente cônico ao sinal. A janela Blackman tem melhor atenuação rejeita-banda que outros tipos de janela.
Retangular: uma janela retangular aplica um valor consistente dentro do intervalo especificado e não aplica nenhum valor em outro lugar. A janela retangular mais simples pode substituir n valores em uma sequência de dados com zeros, fazendo-a aparecer mesmo que o sinal ative ou desative repentinamente.
Uma janela retangular é também conhecida como uma janela de Dirichlet ou Vagão de carga.
Triangular: uma janela triangular aplica coeficientes de filtro de uma maneira passo a passo. O valor atual é exibido no pico do triângulo e, em seguida, ele diminui com valores acima ou abaixo.
Nenhum: em alguns aplicativos, é preferível não usar nenhuma função de janela. Por exemplo, se o sinal que você está analisando já representa algum tipo de janela ou intermitência, a aplicação de uma função de janela poderia diminuir a taxa de sinal com ruído.
Para tipo de filtro, selecione uma opção que define como o filtro é aplicado. Você pode especificar se o filtro exclui os valores de destino, altera os valores, rejeita os valores ou os passa.
Lowpass: "baixa Pass" significa que o filtro passa pelos valores mais baixos e remove os valores mais altos. Por exemplo, você pode usar isso para remover o ruído de alta frequência e os picos de dados de um sinal.
Esse tipo de filtro tem um efeito de atenuação nos dados.
Highpass: "alta passagem" significa que o filtro passa por valores mais altos e remove valores mais baixos. Você pode usar isso para remover dados de baixa frequência, como uma tendência ou deslocamento, de um sinal.
Esse tipo de filtro preserva as alterações repentinas e os picos em um sinal.
Bandpass: "faixa de medida" significa que ela passa para da banda especificada de valores e remove outras. Você pode usar esse filtro para preservar os dados de um sinal com características de frequência na interseção entre os filtros highpass e lowpass.
Os filtros bandpass são criados pela combinação de um filtro highpass e um filtro lowpass. A frequência de corte do filtro highpass representa o corte inferior e a frequência do filtro lowpass representa o corte superior.
Esse tipo de filtro é bom na remoção de uma tendência e na suavização de um sinal.
Rejeita-banda: "faixa de interrupção" significa que ele bloqueia o sigals especificado. Em outras palavras, ele remove dados de um sinal com características de frequência que são rejeitadas pelos filtros de baixa passagem e highpass.
Esse tipo de filtro é bom na preservação da tendência de sinal e em alterações repentinas.
Dependendo do tipo de filtro escolhido, você deve definir um ou mais valores de corte.
Use as opções de corte alto e corte baixo para definir um limite superior e/ou inferior para valores. Uma ou ambas as opções são necessárias para especificar quais valores são rejeitados ou passados. Um filtro rejeita-banda ou bandpass requer que você defina valores de corte alto e baixo. Outros tipos de filtro, como o filtro lowpass , exigem que você defina apenas o valor de corte baixo.
Selecione a opção dimensionar se o dimensionamento deve ser aplicado a coeficientes; caso contrário, deixe em branco.
Conexão o filtro para aplicar o filtroe conectar um conjunto de uma.
Use o seletor de coluna para especificar a quais colunas o filtro deve ser aplicado. Por padrão, o módulo aplicar filtro usará o filtro para todas as colunas numéricas selecionadas.
Execute o experimento.
Nenhum cálculo é executado até que você conecte um conjunto de um DataSet ao módulo aplicar filtro e execute o experimento. Nesse ponto, a transformação especificada é aplicada às colunas numéricas selecionadas.
Observação
O módulo filtro fir não fornece a opção de criar uma coluna de indicador. Os valores de coluna sempre são transformados no lugar.
Exemplos
Para obter exemplos de como os filtros são usados no aprendizado de máquina, consulte este experimento no Galeria de ia do Azure:
- Filtros: este experimento demonstra todos os tipos de filtro, usando um conjunto de uma forma de onda de engenharia.
Observações técnicas
Esta seção contém detalhes de implementação, dicas e respostas para perguntas frequentes.
Detalhes de implementação
Os filtros FIR têm as seguintes características:
- Os filtros FIR não têm feedback; ou seja, eles utilizam as saídas de filtro anteriores.
- Os filtros FIR são mais estáveis, pois a resposta ao impulso sempre será retornada para 0.
- Os filtros FIR exigem uma ordem mais alta para alcançar a mesma seletividade dos filtros de resposta ao impulso de duração infinita (IIR).
- Como outros filtros, o filtro FIR pode ser criado com uma frequência de corte específica que preserva ou rejeita frequências que compõem o sinal.
Calculando coeficientes na janela de filtro
O tipo de janela determina a compensação entre a seletividade (largura de banda de transição na qual frequências são não totalmente aceitas ou rejeitadas) e supressão (a atenuação total de frequências a serem rejeitadas). A função de janela é aplicada à resposta si filtro ideal para forçar a resposta de frequência para zero fora da janela. Os coeficientes são selecionados por amostragem da resposta de frequência dentro da janela.
O número de coeficientes retornado pelo módulo filtro FIR é igual à ordem do filtro mais um. Os valores de coeficiente são determinados pelos parâmetros de filtro e pelo método de janelas e são simétricos para garantir uma resposta de fase linear
Dimensionamento de coeficientes
O módulo de filtro fir retorna coeficientes de filtro ou um toque de pesos para o filtro criado.
Os coeficientes são determinados pelo filtro com base nos parâmetros inseridos, tais como a ordem. Se você quiser especificar coeficientes personalizados, use o módulo Filtro Definido pelo Usuário.
Quando Scale for definido como True, os coeficientes de filtro serão normalizados, de modo que a resposta de magnitude do filtro na frequência central da faixa de passagem seja 0. A implementação da normalização no Machine Learning Studio (clássico) é a mesma da função fir1 no MATLAB.
Normalmente, no método de criação de janela, você cria um filtro de resposta de impulso infinito (IIR) ideal. A função de janela é aplicada à forma de onda do domínio de tempo e multiplica a resposta de impulso infinito pela função de janela. Isso resulta na resposta da frequência do filtro IIR sendo envolvida pela resposta de frequência da função janela. No entanto, no caso de filtros FIR, os coeficientes de entrada e filtro (ou pesos de toque) são congressáveis ao aplicar o filtro.
Seletividade e atenuação de banda de parada
A tabela a seguir compara a seletividade com atenuação de banda de parada para um filtro FIR com o comprimento n usando métodos de janelas diferentes:
| Tipo de janela | Região de transição | Atenuação de banda de parada mínima |
|---|---|---|
| Retangular | 0,041 n | 21 dB |
| Triangle | 0,11 n | 26 dB |
| Hann | 0,12 n | 44 dB |
| Hamming | 0,23 n | 53 dB |
| Blackman | 0,2 n | 75 dB |
Parâmetros do módulo
| Nome | Intervalo | Type | Padrão | Descrição |
|---|---|---|---|---|
| Ordem | >=4 | Integer | 5 | Especifique a ordem do filtro |
| Janela | Qualquer | WindowType | Especifique o tipo de janela a ser aplicado | |
| Tipo de filtro | Qualquer | FilterType | LowPass | Selecione o tipo de filtro a ser criado |
| Corte baixo | [double.Epsilon;.9999999] | Float | 0.3 | Defina a frequência de corte baixo |
| Corte alto | [double.Epsilon;.9999999] | Float | 0,7 | Defina a frequência de corte alto |
| Escala | Qualquer | Booliano | verdadeiro | Se for true, os coeficientes de filtro serão normalizados |
Saída
| Nome | Tipo | DESCRIÇÃO |
|---|---|---|
| Filtrar | Interface IFilter | Implementação do filtro |
Exceções
| Exceção | Descrição |
|---|---|
| NotInRangeValue | Ocorrerá uma exceção se o parâmetro não estiver no intervalo. |
Para ver uma lista de erros específicos dos módulos do Studio (clássico), consulte Machine Learning Códigos de erro.
Para ver uma lista de exceções de API, consulte Machine Learning códigos de erro da API REST.