IIR 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 öğrenmesi projelerini ML Studio'dan (klasik) Azure Machine Learning taşıma hakkındaki bilgilere bakın.
• Azure Machine Learning hakkında daha fazla bilgi edinin.

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

Sinyal işleme için sonsuz bir itici yanıt filtresi oluşturur

Kategori: Veri Dönüştürme / Filtre

Not

Şunlar için geçerlidir: yalnızca Machine Learning Studio (klasik)

Benzer sürükle ve bırak modülleri de Azure Machine Learning tasarımcısında kullanılabilir.

Modüle genel bakış

Bu makalede, sonsuz bir itici yanıt (IIR) filtresi oluşturmak için Machine Learning Studio'daki (klasik) IIR Filtresi modülünün nasıl kullanılacağı açıklanmaktadır.

Filtreler dijital sinyal işlemede önemli bir araçtır ve görüntü veya ses tanıma sonuçlarını geliştirmek için kullanılır. Genel olarak filtre, 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 . Filtreleme.

IIR filtresi belirli bir filtre türüdür; IIR filtresinin tipik kullanım alanları, sürekli artan veya azalan bir eğilim üzerinde rastgele kirlilik içeren döngüsel verileri basitleştirmektir. Bu modülle girdiğiniz IIR filtresi, geçirilen sinyali değiştiren bir dizi sabit (veya katsayı) tanımlar. Addaki sonsuz sözcüğü, çıkışlar ve seri değerleri arasındaki geri bildirimi ifade eder.

gereksinimlerinizi karşılayan bir filtre tanımladıktan sonra, bir veri kümesini ve filtreyi Filtre Uygula modülüne bağlayarak filtreyi verilere uygulayabilirsiniz .

İpucu

Filtre, 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 . Filtreleme.

gereksinimlerinizi karşılayan bir filtre tanımladıktan sonra, bir veri kümesini ve filtreyi Filtre Uygula modülüne bağlayarak filtreyi verilere uygulayabilirsiniz .

İpucu

Veri kümesindeki verileri filtrelemek veya eksik değerleri kaldırmak mı gerekiyor? Bunun yerine şu modülleri kullanın:

• Eksik Verileri Temizleme: Eksik değerleri kaldırmak veya eksik değerleri yer tutucularla değiştirmek için bu modülü kullanın.
• Bölüm ve Örnek: Veri kümenizi tarih aralığı, belirli bir değer veya normal ifadeler gibi ölçütlere göre bölmek veya filtrelemek için bu modülü kullanın.
• Değerleri Kırp: Bir aralık ayarlamak ve yalnızca bu aralıktaki değerleri tutmak için bu modülü kullanın.

IIR Filtresini yapılandırma

1. IIR Filtresi modülünü denemenize ekleyin. Bu modülü Filtre kategorisindeki Veri Dönüştürme bölümünde bulabilirsiniz.

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

   IIR filtresi için minimum sipariş 4'dür.

3. Filtre türü için filtre katsayılarını hesaplamak için kullanılan algoritmayı seçin. Filtre türü, sıklık yanıtını ve sıklık gizlemeyi denetleen matematiksel aktarım işlevini belirler. Machine Learning, dijital sinyal işlemede yaygın olarak kullanılan bu tür filtreleri destekler:

   Butterworth: Butterworth filtresi, geçiş bandında ve durdurma bandında yanıtı (sinyal değişikliği) kısıtladığından maksimum düz büyüklük filtresi olarak da adlandırılır.

   Chebyshev Tür 1: Chebyshev filtreleri, filtre aralığı boyunca idealleştirilmiş ve gerçek filtre özellikleri arasındaki hataları en aza indirmek için tasarlanmıştır. Tür 1 Chebyshev filtreleri, geçiş bandında daha fazla dalgalanma bırakır.

   Chebyshev Type 2: Type 2 Chebyshev filtreleri Type 1 Chebyshev filtreleriyle aynı genel özelliklere sahiptir, ancak stopband'te daha fazla dalgalanma bırakır.

4. Filtre türü için, filtrenin giriş sinyalindeki değerleri nasıl etkileyeceğini tanımlayan bir seçenek belirleyin. Filtrenin kesme noktasının üzerindeki veya altındaki değerleri dışlamasını veya filtrenin belirtilen sıklık aralığındaki değerleri reddetmesini veya geçirmesini belirtebilirsiniz.

   LowPass: Düşük frekanslı değerlerin (kesme değerinin altında) geçmesine izin verir ve diğer değerleri hafifleter.

   HighPass: Yüksek frekanslı değerlerin (kesme değerinin üzerinde) geçmesine izin verir ve diğer değerleri hafifleter.

   Bandpass: Düşük ve yüksek kesme değerleri tarafından belirtilen aralıktaki sinyallerin geçmesine izin verir ve diğer değerleri hafifletebilir.

   BandStop: Düşük ve yüksek kesme değerleri tarafından belirtilen aralığın dışındaki sinyallerin aralık içindeki değerleri geçirmesine ve azaltmasına izin verir.

5. Yüksek veya düşük kesme değerlerini veya her ikisini de normalleştirilmiş bir sıklığı temsil eden 0 ile 1 arasında bir değer olarak belirtin. Yüksek kesme için, üst frekans sınırını temsil eden bir değer yazın. Düşük kesme için, düşük frekans sınırını temsil eden bir değer yazın.

6. Ripple için filtrenizi tanımlarken tolere edilmesi gereken dalgalanma miktarını belirtin. Dalgalanma, düzenli aralıklarla gerçekleşen küçük bir çeşitlemesi ifade eder. Dalgalanma genellikle istenmeyen bir etki olarak kabul edilir, ancak filtre uzunluğu gibi diğer filtre parametrelerini ayarlayarak dalgalanmayı telafi edebilirsiniz. Tüm filtreler dalgalanma üretmez.

7. Denemenize Filtre Uygula modülünü ekleyin ve tasarladığınız filtreyi bağlayın; veri kümesinde değiştirmek istediğiniz değerler bulunur.

   Filtrenin uygulanacağı veri kümesinin hangi sütunlarını belirtmek için sütun seçiciyi kullanın. Varsayılan olarak, Filtre Uygula modülü seçilen tüm sayısal sütunlar için filtreyi kullanır.

8. Dönüşümü uygulamak için denemeyi çalıştırın.

Not

IIR Filtresi modülü bir gösterge sütunu oluşturma seçeneği sağlamaz. Sütun değerleri her zaman yerinde dönüştürülür.

Örnekler

Filtrelerin makine öğrenmesinde nasıl kullanıldığına ilişkin örnekler için Azure AI Galerisi'ndeki bu denemeye bakın:

• Filtreler: Bu deneme, tasarlanmış bir dalga biçimi veri kümesi kullanarak tüm filtre türlerini gösterir.

Teknik Notlar

Bu bölüm uygulama ayrıntılarını, ipuçlarını ve sık sorulan soruların yanıtlarını içerir.

Uygulama ayrıntıları

IIR filtresi, bir aktarım işlevinin yoluyla temsil edilen ileriye doğru akışı ve geriye doğru besleme katsayılarını döndürür. Örnek bir gösterim aşağıda verilmiştir:

Konum:

• N: filtre sırası

• bi: ileriye doğru besleme filtre katsayıları

• ai: geriye doğru filtre katsayılarını besleme

• x[n]: giriş sinyali

• y[n]: çıkış sinyali

Modül parametreleri

Name	Aralık	Tür	Varsayılan	Description
Sipariş	[4;13]	Tamsayı	5	Filtre sırasını belirtme
Filtre türü	Herhangi biri	IIRFilterKind		Oluşturulacak IIR filtresi türünü seçin
Filtre türü	Herhangi biri	Filtertype		Filtre bandı türünü seçin
Düşük kesme	[çift. Epsilon;. 9999999]	Float	0.3	Düşük kesme değerini ayarlama
Yüksek kesme	[çift. Epsilon;. 9999999]	Float	0.7	Yüksek kesme değerini ayarlama
Dalgalanma	>=0,0	Float	0,5	Filtredeki dalgalanma miktarını belirtin

Çıktı

Ad	Tür	Description
Filtre	IFilter arabirimi	Filtre uygulama

Özel durumlar

Özel durum	Description
NotInRangeValue	Parametre aralıkta değilse özel durum oluşur.

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

API özel durumlarının listesi için bkz. MACHINE LEARNING REST API Hata Kodları.

Ayrıca bkz.

Filtrele
Filtreyi Uygula
A-Z Modül Listesi