filtreyi User-Defined
Özel sonlu veya sonsuz dürtü 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, Machine Learning Studio'da (klasik) Kullanıcı Tanımlı Filtre modülünü kullanarak sonlu impuls yanıtı (FIR) filtresi veya belirttiğiniz katsayılara sahip sonsuz dürtü yanıtı (IIR) filtresi kullanarak özel bir filtre tanımlama açıklanmaktadır.
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. Bu modül, verilerinize daha önce türetilmiş filtre katsayıları kümesi uygulamak için özellikle yararlıdır.
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.
User-Defined Filtresini yapılandırma
Studio'daki (klasik) denemenize Kullanıcı Tanımlı Filtre modülünü ekleyin. Bu modülü Filtre kategorisindeki Veri Dönüştürme bölümünde bulabilirsiniz.
Özellikler bölmesinde bir filtre türü seçin: FIR filtresi veya IIR filtresi.
Filtrede uygulanacak katsayıları belirtin. Katsayıların gereksinimleri, FIR filtresi mi yoksa IIR filtresi mi seçtiğinize bağlı olarak farklılık gösterir.
BIR FIR filtresi için ilerleme katsayılarından oluşan bir vektör belirtirsiniz. Vektör uzunluğu filtrenin sırasını belirler. FIR filtresi etkin bir şekilde hareketli ortalamadır, bu nedenle yapılandırma değerleri bir veri dizisini filtrelemek için hareketli ortalama uygular.
IIR filtresi için özel ileri ve geri akış katsayıları uygularsınız. Bazı ipuçları için Örnekler bölümüne bakın.
Filtreyi Filtre Uygula'ya Bağlan ve bir veri kümesi bağlayın.
Filtrenin uygulanacağı veri kümesinin hangi sütunlarını belirtmek için sütun seçiciyi kullanın. Varsayılan olarak, Filtre Uygula modülü seçilen tüm sayısal sütunlar için filtreyi kullanır.
Denemeyi çalıştırın.
Belirtilen dönüştürmeler seçilen sayısal sütunlara yalnızca Filtre Uygula'yı kullanarak denemeyi çalıştırdığınızda uygulanır.
Örnekler
Filtrelerin makine öğrenmesinde nasıl kullanıldığına ilişkin daha fazla örnek için bkz. Azure AI Galerisi:
- Filtreler: Tüm filtre türlerini gösterir. Örnek, farklı filtrelerin etkilerini daha kolay göstermek için tasarlanmış bir dalga biçimi veri kümesi kullanır.
FIR filtre örneği: Üstel ağırlıklı hareketli ortalama
Üstel ağırlıklı hareketli ortalama için, tüm katsayılar bir'den küçüktür ve tüm katsayıların toplamı bire eşittir. Bu nedenle ağırlıklı ortalamanın varyansı her zaman giriş değerlerinden daha az olacaktır.
Örneğin, bir FIR filtresinin üstel ağırlıklı hareketli ortalamayı (WMA) yaklaşık olarak belirlemesi için, ileri akış parametresinin değeri için virgülle ayrılmış katsayılar listesi sağlarsınız:
0.01818182, 0.03636364, 0.05454545, 0.07272727, 0.09090909, 0.10909091, 0.12727273, 0.14545455, 0.16363636, 0.18181818
FIR filtre örneği: Üstel ağırlıklı hareketli ortalama (Deslauriers-Dubuc ilişkilendirme)
Bu FIR filtresi, üçgen ağırlıklı hareketli ortalamayı (WMA) yaklaşık olarak oluşturur. Aşağıdakiler gibi ileri akış parametreleri için virgülle ayrılmış bir değer serisi sağlayarak katsayıları tanımlarsınız:
0.0625, 0.0625, 0.2500, 0.3750, 0.2500, 0.0625
Bu özel FIR filtresinde kullanılan değerler, sonlu sıralamanın Deslauriers-Dubuc yöntemi kullanılarak elde edilen ileriye doğru akış katsayıları vektörlerini temsil eder. Daha fazla bilgi için bkz. Dubuc-Deslauriers Subdivision for Finite Sequences and Interpolation Wavelets on an Interval.
IIR filtre örneği: Çentik filtresi
Kullanıcı tanımlı IIR filtresi için bir uygulamanın iyi bir örneği, bant üstü filtresi olarak da adlandırılan bir çentik filtresi tanımlamaktır. İstenen çentik filtresi, bir -3dB ret bandını, fb'yi, bir çentik frekansında ortalanmış, fnörnekleme sıklığıyla fs, .
Bu durumda dijital çentik filtresi aşağıdaki formülle gösterilebilir:
Bu formülde şu varsayımlar yer alır:
Bu formülden ilerleme katsayısını alacağız:
Geri besleme katsayıları aşağıdaki gibi olacaktır:
IIR Filtresi örneği: Çentik filtresi 2
Aşağıdaki örnekte, bir çentik sıklığına sahip bir çentik fn =1250 Hz filtresi ve -3 dB örnekleme sıklığı ile reddetme bandı fb =100 Hzgösterilmektedir fs=10 kHz.
Aşağıdaki formülü kullanarak ve a1 = 1.3711242alırsınıza2 = 0.93906244:
Bundan, aşağıdaki ileri akış (b) ve geri besleme (a) katsayılarını alabilirsiniz:
b= 1.9390624, -2.7422484, 1.9390624
a= 1, -1.3711242, 0.9390624
Modül parametreleri
| Name | Aralık | Tür | Varsayılan | Description |
|---|---|---|---|---|
| Filtre türü | herhangi biri | ImpulseResponse | Özelleştireceğiniz filtre türünü belirtin | |
| İleri | herhangi biri | Dize | "1.0" | Bir dizi ileri akış katsayısı yazın |
| Geri | herhangi biri | Dize | "1.0" | Bir dizi geriye doğru akış filtresi katsayısı yazın |
Çıktı
| Ad | Tür | Description |
|---|---|---|
| Filtre | IFilter arabirimi | Filtre uygulaması |
Özel durumlar
| Özel durum | Description |
|---|---|
| ParameterParsing | Bir veya daha fazla parametre belirtilen türden hedef yöntemin gerektirdiği türe ayrıştırılamadıysa veya dönüştürülemiyorsa bir özel durum oluşur. |
Studio (klasik) modüllerine özgü hataların listesi için bkz. hata kodları Machine Learning.
API özel durumlarının listesi için bkz. MACHINE LEARNING REST API Hata Kodları.