KÖKNAR filtresi

Önemli

Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.

1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

• makine öğrenimi projelerini ML Studio (klasik) konumundan Azure Machine Learning taşımaya yönelik bilgilerebakın.
• Azure Machine Learninghakkında daha fazla bilgi edinin.

ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.

Sinyal işleme için sınırlı bir ımpulo yanıt filtresi oluşturur

Kategori: veri dönüştürme/filtre

Not

uygulama hedefi: yalnızca Machine Learning Studio (klasik)

benzer sürükle ve bırak modülleri Azure Machine Learning tasarımcısındakullanılabilir.

Modüle genel bakış

bu makalede, sınırlı bir ımpuli yanıtı (fı) filtresi adlı bir filtre türü tanımlamak için Machine Learning Studio 'da (klasik) fır filtresi modülünün nasıl kullanılacağı açıklanır. FIR filtrelerinin sinyal işleme içinde birçok uygulaması vardır ve en yaygın olarak doğrusal aşama yanıtı gerektiren uygulamalarda kullanılır. Örneğin, bir filtre, genel görüntüyü keskinleştirmek, paraziti ortadan kaldırmak veya imaşlı bir nesneye odaklanmak için sağlık 'de kullanılan görüntülere uygulanabilir.

Not

Filtre, bir giriş sinyali alan ve filtre özelliklerine göre çıkış sinyali oluşturan bir aktarım işlevidir. Dijital sinyal işlemedeki filtrelerin kullanıcısı hakkında daha fazla genel bilgi için bkz. Filter.

Dijital bir sinyal işleme filtresi tanımladıktan sonra, bir veri kümesini ve filtreyi Uygula modülüne filtre uygulayarak veriye filtre uygulayabilirsiniz. Ayrıca, benzer veri kümeleriyle yeniden kullanmak için filtreyi kaydedebilirsiniz.

İpucu

Veri kümesindeki verileri filtrelemeniz veya eksik değerleri kaldırmak mı gerekiyor? Bunun yerine bu modülleri kullanın:

• Eksik verileri temizle: eksik değerleri kaldırmak veya eksik değerleri yer tutucuları ile değiştirmek için bu modülü kullanın.
• Bölüm ve örnek: bu modülü, veri kümenizi bir tarih aralığı, belirli bir değer veya normal ifadeler gibi ölçütlere göre bölmek veya filtrelemek için kullanın.
• Klip değerleri: bir Aralık ayarlamak ve yalnızca bu aralıktaki değerleri tutmak için bu modülü kullanın.

FIR filtresini yapılandırma

1. FIR filtre modülünü denemenize ekleyin. Bu modülü, veri dönüştürmealtında, filtre kategorisinde bulabilirsiniz.

2. Sıraiçin, filtrenin yanıtını etkilemek için kullanılan etkin öğe sayısını tanımlayan bir tamsayı değeri yazın. Filtrenin sırası , filtre penceresinin uzunluğunu temsil eder.

   Bir FI filtresi için en düşük sıralama 4 ' dir.

3. Pencereiçin, filtrenin uygulanacağı verilerin şeklini seçin. Machine Learning, sınırlı ımpulse yanıt filtrelerinde kullanılmak üzere aşağıdaki pencereleme işlevleri türlerini destekler:

   Hatim: Genelleştirilmiş karartma penceresi , görüntü işleme ve bilgisayar vizyonu içinde yaygın olarak kullanılan bir tür ağırlıklı ortalama sağlar.

   BlackICE: bir kara Man penceresi , sinyale düzgün şekilde çıplak bir eğri işlevi uygular. BlackICE penceresinde diğer pencere türlerine göre daha iyi bir durma bandı zayıflaması vardır.

   Dikdörtgen: dikdörtgen bir pencere , belirtilen Aralık içinde tutarlı bir değer uygular ve başka bir yere değer uygulamaz. En basit dikdörtgen pencere, bir veri dizisindeki n değerlerini sıfırlarla değiştirebilir, bu da sinyal aniden açık ve kapalı olsa da görünmesini sağlar.

   Dikdörtgen bir pencere, Boxcar veya Dirichlet penceresiolarak da bilinir.

   Üçgen: bir üçgen pencere, bir adım temelinde filtre katsayılarını uygular. Geçerli değer üçgenin en üstünde görünür ve ardından önceki veya aşağıdaki değerlerle reddederse.

   Hiçbiri: bazı uygulamalarda herhangi bir Pencereleme işlevini kullanmak tercih edilmez. Örneğin, analiz ettiğiniz sinyal bir pencere veya patlama gösteriyorsa, bir pencere işlevi uygulandığında, sinyal gürültü oranını ortadan kaldırma.

4. Filtre türüiçin, filtrenin nasıl uygulanacağını tanımlayan bir seçenek belirleyin. Filtrenin hedef değerlerini dışlanmasını, değerleri değiştirmesini, değerleri reddetmesini veya ' den geçebileceği belirtebilirsiniz.

   Lowpass: "alçak pass", filtrenin daha düşük değerler aracılığıyla geçtiği ve daha yüksek değerleri kaldıran anlamına gelir. Örneğin, bir sinyalden yüksek frekanslı gürültü ve veri yoğunluklarını kaldırmak için bunu kullanabilirsiniz.

   Bu filtre türünün veri üzerinde bir düzgünleştirme etkisi vardır.

   Highpass: "yüksek pass", filtrenin daha yüksek değerlerden geçtiği ve daha düşük değerleri kaldıran anlamına gelir. Bir sinyalden sapma veya sapma gibi düşük frekanslı verileri kaldırmak için bunu kullanabilirsiniz.

   Bu filtre türü, ani değişiklikleri ve en yüksek noktaları bir sinyalde korur.

   Bandpass: "bant geçişi", belirtilen değer bandına thorugh geçiren ve diğerlerini kaldıracağı anlamına gelir. Bu filtreyi, Highpass ve Lowpass filtreleri arasındaki kesişimin sıklık özelliklerine sahip bir sinyalden verileri korumak için kullanabilirsiniz.

   Bandpass filtreleri, bir Highpass ve Lowpass filtresi birleştirilerek oluşturulur. Highpass filtresi kesme sıklığı, alt kesme ve Lowpass filtre sıklığı, daha yüksek kesme değerini temsil eder.

   Bu filtre türü, bir farkı kaldırmak ve bir sinyali düzleştirmede iyidir.

   Bandstop: "bant durdurma", belirtilen sigar 'yi engellediği anlamına gelir. Diğer bir deyişle, düşük Pass ve Highpass filtreleri tarafından reddedilen sıklık özelliklerine sahip bir sinyalden verileri kaldırır.

   Bu filtre türü, sinyal sapması ve ani değişiklikler korunarak iyidir.

5. Seçtiğiniz filtre türüne bağlı olarak bir veya daha fazla kesme değeri ayarlamanız gerekir.

   Değerler için bir üst ve/veya alt eşik tanımlamak üzere yüksek kesme ve düşük kesme seçeneklerini kullanın. Bu seçeneklerden biri veya her ikisi de hangi değerlerin reddedildiğini ya da geçtiğini belirtmek için gereklidir. Bir bandstop veya bandpass filtresi için hem yüksek hem de düşük kesme değeri ayarlamanız gerekir. Lowpass filtresi gibi diğer filtre türleri yalnızca düşük kesme değerini ayarlamanızı gerektirir.

6. Ölçeklendirmenin katsayıkları için uygulanması gerekiyorsa, Ölçek seçeneğini belirleyin; Aksi halde boş bırakın.

7. filtre uygulamakve bir veri kümesini bağlamak için filtreyi Bağlan.

   Filtrenin hangi sütunlara uygulanacağını belirtmek için sütun seçiciyi kullanın. Varsayılan olarak, Filtre Uygula modülü seçili tüm sayısal sütunlar için filtreyi kullanacaktır.

8. Denemeyi çalıştırın.

   Filtre Uygula modülüne bir veri kümesi bağlayıp denemeyi çalıştırana kadar hesaplamalar yapılmaz. Bu noktada, belirtilen dönüşüm seçili sayısal sütunlara uygulanır.

Not

FIR filtre modülü gösterge sütunu oluşturma seçeneğini sağlamaz. Sütun değerleri her zaman yerinde dönüştürülür.

Örnekler

Makine öğreniminde filtrelerin nasıl kullanıldığına ilişkin örnekler için Azure yapay zeka Galerisişu denemeye bakın:

• Filtreler: Bu deneme, uygulanan bir Waveform veri kümesi kullanılarak tüm filtre türlerini gösterir.

Teknik notlar

Bu bölümde, sık sorulan soruların uygulama ayrıntıları, ipuçları ve yanıtları yer almaktadır.

Uygulama ayrıntıları

FIR filtreleri şu özelliklere sahiptir:

• FIR filtrelerinin geri bildirimi yoktur; diğer bir deyişle, önceki filtre çıkışlarını kullanırlar.
• Kesin yanıt, her zaman 0 ' a dönüşeceğinden, FI filtreleri daha kararlı olur.
• Köknar filtreleri, sonsuz ımpulo Response (IIR) filtreleriyle aynı seçiciliği elde etmek için daha yüksek bir sıra gerektirir.
• Diğer filtreler gibi, FI filtresi, sinyali oluşturan frekansları koruyan veya reddettiğinde belirli bir kesme sıklığıyla tasarlanabilir.

Filtre penceresi üzerinden katsayıları hesaplama

Pencere türü, seçiciliği arasındaki dengelemeyi (sıklıkların tamamen kabul edildiği veya reddedildiği) ve gizlemenin (kabul edileceği sıklıkların reddettiği toplam düzeltici) belirler. Pencereleme işlevi, sıklık yanıtını pencerenin dışında sıfıra zorlamak için ideal filtre yanıtına uygulanır. Katsayılar, penceredeki sıklık yanıtı örnekleyerek seçilir.

FIR filtresi modülünün döndürdüğü katsayıların sayısı, filtre sırasına ve birine eşittir. Katsayı değerleri, filtre parametrelerine ve Pencereleme yöntemine göre belirlenir ve doğrusal bir aşama yanıtının garantisi için simetrik yapılır

Katsayıların ölçeklendirilmesi

Ara değer filtre modülü, oluşturulan filtre için filtre katsayılarını döndürür veya ağırlıklar ' a dokunun.

Katsayılar, girdiğiniz parametrelere (örneğin, sıra) göre, filtre tarafından belirlenir. Özel katsayıları belirtmek istiyorsanız, Kullanıcı tanımlı filtre modülünü kullanın.

Scaledeğeri trueolarak ayarlandığında, filtre katsayısının ölçeği, PassBand 'in Merkez sıklığında bulunan filtrenin büyüklüğüne karşılık 0 olması gibi normalleştirilmeyecektir. Machine Learning Studio 'daki (klasik) normalleştirmenin uygulanması, fir1 işlevindeki, MATLAB içindeki ile aynıdır.

Genellikle, pencere tasarım yönteminde ideal bir sonsuz Impulse yanıtı tasarlayabileceğiniz bir filtre. Pencere işlevi, saat etki alanındaki Waveform 'ye uygulanır ve sonsuz ımpulo yanıtını pencere işlevi ile çarpar. Bu, ııR filtresinin sıklık yanıtının, pencere işlevinin sıklık yanıtı ile sonuçlanmasına neden olur. Bununla birlikte, bu durumda, bir giriş ve filtre katlarında (ya da ağırlıklarında) filtre uygulanırken bir dokunma yapılır.

Selectivity ve Durdur bant zayıflatılaması

Aşağıdaki tabloda, farklı bir Pencereleme yöntemi kullanarak n uzunluğuna sahip bir FIN uzunluğu ile bir FIN bant zayıflamasını durdurma ile seçiciliği karşılaştırılır:

Pencere türü	Geçiş bölgesi	En düşük durma kuşağı Zayıflatılaması
Dikdörtgen	0.041 n	21 dB
Üçgen	0.11 n	26 dB
Hann	0.12 n	44 dB
Karartma	0.23 n	53 dB
Kara Man	0.2 n	75 dB

Modül parametreleri

Name	Aralık	Tür	Varsayılan	Description
Sipariş	>= 4	Tamsayı	5	Filtre sırasını belirtin
Pencere	Herhangi biri	WindowType		Uygulanacak pencere türünü belirtin
Filtre türü	Herhangi biri	FilterType	LowPass	Oluşturulacak filtre türünü seçin
Düşük kesme	Çift. Epsilon;. 9999999]	Float	0.3	Düşük kesme sıklığını ayarla
Yüksek kesme	Çift. Epsilon;. 9999999]	Float	0.7	Yüksek kesme sıklığını ayarla
Ölçek	Herhangi biri	Boole	Doğru	True ise, filtre katsayılarını normalleştirilcektir

Çıktı

Ad	Tür	Description
Filtre	IFilter arabirimi	Filtre uygulama

Özel durumlar

Özel durum	Description
NotInRangeValue	Parametre Aralık içinde değilse özel durum oluşur.

Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning hata kodları.

apı özel durumlarının listesi için bkz. Machine Learning REST API hata kodları.

Ayrıca bkz.

Filtrele
Filtreyi Uygula
A-Z modül listesi