IIR 濾波器

發行項
05/06/2019

重要

Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。建議您在該日期之前轉換成 Azure Machine Learning。

自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。

請參閱將機器學習專案從 ML 工作室 (傳統) 移至 Azure Machine Learning 的相關資訊。
深入瞭解Azure Machine Learning。

ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。

針對訊號處理建立無限脈衝響應濾波器

類別：資料轉換/篩選

注意

適用于：僅限機器學習 Studio (傳統)

Azure Machine Learning設計工具提供類似的拖放模組。

模組概觀

本文說明如何使用機器學習 Studio (傳統) 中的IIR 篩選模組，在 IIR) 篩選 (建立無限的脈衝回應。

篩選是數位訊號處理中的重要工具，可用來改善影像或語音辨識的結果。一般而言，篩選是接受輸入訊號的傳輸函式，並根據篩選特性建立輸出訊號。如需數位訊號處理中篩選使用者的詳細資訊，請參閱篩選。

IIR 篩選條件是特定的篩選類型;IIR 篩選的一般用法是簡化迴圈資料，其中包含隨機雜訊，以穩定增加或減少趨勢。您使用此課程模組建立的 IIR 篩選會定義一組常數 (或係數，) 改變通過的訊號。名稱中的無限字樣是指輸出與序列值之間的回饋。

定義符合需求的篩選準則之後，您可以將資料集和篩選準則連線至 [ 套用篩選 ] 模組，以將篩選套用至資料。

提示

篩選是一種傳輸函式，會接受輸入訊號，並根據篩選特性建立輸出訊號。如需數位訊號處理中篩選使用者的詳細資訊，請參閱篩選。

定義符合需求的篩選準則之後，您可以將資料集和篩選準則連線至 [ 套用篩選 ] 模組，以將篩選套用至資料。

提示

需要篩選資料集中的資料，或移除遺漏的值嗎？請改用這些模組：

清除遺漏資料：使用此模組移除遺漏值，或以預留位置取代遺漏值。
資料分割和範例：使用此模組，依日期範圍、特定值或正則運算式等準則來分割或篩選資料集。
裁剪值：使用此模組來設定範圍，並只保留該範圍內的值。

如何設定 IIR 篩選

將 IIR 篩選 模組新增至您的實驗。您可以在 [篩選] 類別的 [資料轉換] 底下找到此課程模組。
針對 Order，輸入整數值，定義用來影響篩選回應的作用中元素數目。篩選 的順序 代表篩選視窗的長度。

對於 IIR 篩選準則，最小順序為 4。
針對 [篩選類型]，選擇用來計算篩選係數的演算法。 篩選類型會指定控制頻率回應和頻率歸併的數學傳送函式。機器學習支援這些常用於數位訊號處理的篩選類型：

一個能通配：也稱為最 平平的量級篩選 條件，因為它會限制訊號) 的訊號和停止帶中的回應 (變更。

Chebyshev 類型 1：Chebyshev篩選是為了將理想化與實際篩選特性之間的錯誤降到最低。輸入 1 Chebyshev 篩選準則會在 passband 中保留更多波紋。

Chebyshev 類型 2：類型 2 Chebyshev 篩選準則的一般特性與類型 1 Chebyshev 篩選準則相同，但它們會在停止帶中留下更多波狀。
針對 [篩選類型]，選取一個選項來定義篩選準則如何影響輸入訊號中的值。您可以指定篩選準則排除在關閉點上方或下方的值，或指定篩選準則會拒絕或通過指定頻率範圍內的值。

LowPass：允許在關閉值下方 (低頻率值，) 傳遞並衰減其他值。

HighPass：允許在關閉值上方 (高頻率值，) 傳遞並衰減其他值。

Bandpass：允許低和高截斷值所指定範圍內的訊號通過並衰減其他值。

BandStop：允許超出低和高截斷值所指定範圍的訊號，在範圍內傳遞和衰減值。
將高或低截斷值或兩者指定為介於 0 到 1 之間的值，代表標準化頻率。針對 [高截斷]，輸入代表上限界限的值。針對 [低截斷]，輸入代表較低頻率界限的值。
針對 [波紋]，指定定義篩選準則時要容許的波動量。波紋是指定期發生的小型變化。調整其他篩選參數，例如篩選長度，通常被視為不想要的效果，但您可以藉由調整其他篩選參數來補償變動。並非所有篩選都會產生波紋。
將 [ 套用篩選] 模組新增至實驗，並連接您設計的篩選，以及資料集包含您想要修改的值。

使用資料行選取器來指定應該套用篩選之資料集的資料行。根據預設，[ 套用篩選] 模組會針對所有選取的數值資料行使用篩選。
執行實驗以套用轉換。

注意

IIR 篩選模組不提供建立指標資料行的選項。資料行值一律會就地轉換。

範例

如需如何在機器學習中使用篩選的範例，請參閱 Azure AI 資源庫中的此實驗：

篩選：此實驗示範所有篩選類型，使用工程的波狀資料集。

技術附註

本節包含實作詳細資料、提示和常見問題集的解答。

實作詳細資料

IIR 濾波器傳回前饋和反饋係數，藉由傳輸函數表示。範例表示法如下：

transfer function for IIR filters

其中：

N：篩選順序
bi：摘要轉送篩選係數
ai：摘要回溯篩選係數
x[n]：輸入訊號
y[n]：輸出訊號

模組參數

名稱	範圍	類型	預設	描述
單	[4;13]	整數	5	指定濾波器階次
篩選類型	任意	IIRFilterKind		選取要建立的 IIR 濾波器類型
篩選類型	任意	FilterType		選取濾波級區類型
低截止	[double.Epsilon;.9999999]	Float	0.3	設定低截止值
高截止	[double.Epsilon;.9999999]	Float	0.7	設定高截止值
漣波	>=0.0	Float	0.5	指定濾波器中的漣波數量

輸出

名稱	類型	描述
Filter	IFilter 介面	濾波器實作

例外狀況

例外狀況	描述
NotInRangeValue	如果參數不在範圍內，就會發生例外狀況。

如需 Studio (傳統) 模組特有的錯誤清單，請參閱錯誤碼機器學習。

如需 API 例外狀況的清單，請參閱機器學習 REST API 錯誤碼。

另請參閱

Filter
套用篩選
 A-Z 模組清單

共用方式為