Filtro IIR
Importante
O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.
A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).
- Consulte informações sobre projetos de machine learning em movimento de ML Studio (clássico) para Azure Machine Learning.
- Saiba mais sobre Azure Machine Learning.
A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.
Cria um filtro de resposta por impulso infinito para o processamento de sinal
Categoria: Transformação de Dados / Filtro
Nota
Aplica-se a: Machine Learning Studio (clássico) apenas
Módulos semelhantes de arrasto e queda estão disponíveis em Azure Machine Learning designer.
Visão geral do módulo
Este artigo descreve como usar o módulo de filtro IIR em Machine Learning Studio (clássico), para criar um filtro de resposta por impulso infinito (IIR).
Os filtros são uma ferramenta importante no processamento de sinais digitais e são usados para melhorar os resultados do reconhecimento de imagem ou voz. Em geral, um filtro é uma função de transferência que toma um sinal de entrada e cria um sinal de saída baseado nas características do filtro. Para obter informações mais gerais sobre o utilizador de filtros no processamento de sinais digitais, consulte Filter.
Um filtro IIR é um tipo particular de filtro; utilizações típicas de um filtro IIR seriam para simplificar dados cíclicos que incluem ruído aleatório sobre uma tendência crescente ou cada vez menor. O filtro IIR que você cretae com este módulo define um conjunto de constantes (ou coeficientes) que alteram o sinal que é passado. A palavra infinita no nome refere-se ao feedback entre as saídas e os valores da série.
Depois de ter definido um filtro que satisfaça as suas necessidades, pode aplicar o filtro aos dados ligando um conjunto de dados e o filtro ao módulo 'Aplicar Filtro '.
Dica
Um filtro é uma função de transferência que toma um sinal de entrada e cria um sinal de saída baseado nas características do filtro. Para obter informações mais gerais sobre o utilizador de filtros no processamento de sinais digitais, consulte Filter.
Depois de ter definido um filtro que satisfaça as suas necessidades, pode aplicar o filtro aos dados ligando um conjunto de dados e o filtro ao módulo 'Aplicar Filtro '.
Dica
É necessário filtrar dados de um conjunto de dados ou remover valores em falta? Utilize estes módulos em vez disso:
- Limpar dados em falta: Utilize este módulo para remover os valores em falta ou substituir os valores em falta por espaços reservados.
- Partição e Amostra: Utilize este módulo para dividir ou filtrar o conjunto de dados por critérios como uma gama de datas, um valor específico ou expressões regulares.
- Valores do clipe: Utilize este módulo para definir um intervalo e mantenha apenas os valores dentro desse intervalo.
Como configurar o filtro IIR
Adicione o módulo filtro IIR à sua experiência. Pode encontrar este módulo na categoria De Transformação de Dados, na categoria Filtro .
Para encomenda, digite um valor inteiro que defina o número de elementos ativos utilizados para afetar a resposta do filtro. A ordem do filtro representa o comprimento da janela do filtro.
Para um filtro IIR, a ordem mínima é 4.
Para o tipo filtro, escolha o algoritmo que é usado para calcular coeficientes de filtro. O tipo de filtro designa a função de transferência matemática que controla a resposta de frequência e a supressão de frequência. Machine Learning suporta este tipo de filtros comumente utilizados no processamento de sinais digitais:
Butterworth: Um filtro Butterworth também é chamado de filtro de magnitude máxima plana porque limita a resposta (alteração do sinal) na banda de passagem e na banda de paragem.
Chebyshev Tipo 1: Os filtros Chebyshev destinam-se a minimizar os erros entre as características idealizadas e as características reais do filtro ao longo da gama do filtro. Os filtros Chebyshev tipo 1 deixam mais ondulação na banda.
Chebyshev Tipo 2: Os filtros Chebyshev tipo 2 têm as mesmas características gerais que os filtros Chebyshev tipo 1, mas deixam mais ondulação na stopband.
Para o tipo filtro, selecione uma opção que defina como o filtro irá afetar os valores no sinal de entrada. Pode especificar que o filtro exclui valores acima ou abaixo de um ponto de corte, ou especificar que o filtro rejeita ou passa por valores numa gama de frequências especificada.
LowPass: Permite que valores de baixa frequência (abaixo do valor de corte) passem e atenuem outros valores.
HighPass: Permite que valores de alta frequência (acima do valor de corte) passem e atenuem outros valores.
Bandpass: Permite sinais na gama especificadas pelos valores de corte baixos e elevados para passar e atenuar outros valores.
BandStop: Permite que os sinais fora do intervalo especificados pelos valores de corte baixos e elevados passem e atenuam valores dentro do intervalo.
Especifique os valores de corte altos ou baixos, ou ambos, como um valor entre 0 e 1, representando uma frequência normalizada. Para o corte elevado, digite um valor que represente o limite de frequência superior. Para o corte baixo, digite um valor que represente o limite de frequência mais baixo.
Para Ripple, especifique a quantidade de ondulação a tolerar quando definir o seu filtro. Ripple refere-se a uma pequena variação que ocorre periodicamente. A ondulação é geralmente considerada um efeito indesejado, mas pode compensar a ondulação ajustando outros parâmetros do filtro, como o comprimento do filtro. Nem todos os filtros produzem ondulação.
Adicione o módulo 'Aplicar filtro ' à sua experiência e ligue o filtro que concebeu e o conjunto de dados contando os valores que pretende modificar.
Utilize o seletor de colunas para especificar quais as colunas do conjunto de dados às quais o filtro deve ser aplicado. Por predefinição, o módulo 'Filtro' Aplicar-se-á para todas as colunas numéricas selecionadas.
Executar a experiência para aplicar a transformação.
Nota
O módulo filtro IIR não oferece a opção de criar uma coluna indicadora. Os valores das colunas são sempre transformados no lugar.
Exemplos
Por exemplo, como os filtros são usados na aprendizagem automática, consulte esta experiência na Galeria Azure AI:
- Filtros: Esta experiência demonstra todos os tipos de filtro, utilizando um conjunto de dados de forma de onda projetado.
Notas Técnicas
Esta secção contém detalhes de implementação, dicas e respostas a perguntas frequentes.
Detalhes de implementação
Um filtro IIR devolve a alimentação para a frente e alimenta os coeficientes atrasados, que são representados através de uma função de transferência. Aqui está uma representação de exemplo:
Em que:
N: ordem de filtrobi: alimentar os coeficientes de filtro para a frenteai: alimentar os coeficientes de filtro para trásx[n]: o sinal de entraday[n]: o sinal de saída
Parâmetros do módulo
| Nome | Intervalo | Tipo | Predefinição | Description |
|---|---|---|---|---|
| Encomenda | [4;13] | Número inteiro | 5 | Especificar a ordem do filtro |
| Tipo de filtro | Qualquer | IIRFilterKind | Selecione o tipo de filtro IIR para criar | |
| Tipo de filtro | Qualquer | Tipo de Filtro | Selecione o tipo de banda de filtro | |
| Corte baixo | [Duplo. Epsilon;. 9999999] | Float | 0.3 | Desacordo o baixo valor de corte |
| Corte alto | [Duplo. Epsilon;. 9999999] | Float | 0.7 | Desacorda o valor de corte elevado |
| Ondulação | >=0.0 | Float | 0,5 | Especificar a quantidade de ondulação no filtro |
Saída
| Nome | Tipo | Description |
|---|---|---|
| Filtro | Interface IFilter | Implementação do filtro |
Exceções
| Exceção | Description |
|---|---|
| NotInRangeValue | A exceção ocorre se o parâmetro não estiver ao alcance. |
Para obter uma lista de erros específicos dos módulos Studio (clássicos), consulte Machine Learning Códigos de Erro.
Para obter uma lista de exceções da API, consulte Machine Learning CÓDIGOs de Erro da API REST.