IIR Filter

  • Artikel

Wichtig

Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.

Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.

Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.

Erstellt einen IIR-Filter (Infinite Impulse Response, unendliche Impulsantwort) für Signalverarbeitung

Kategorie: Datentransformation / Filter

Hinweis

Giltnur für: Machine Learning Studio (klassisch)

Ähnliche Drag & Drop-Module sind im Azure Machine Learning-Designer verfügbar.

Modulübersicht

In diesem Artikel wird beschrieben, wie Sie das IIR-Filtermodul in Machine Learning Studio (klassisch) verwenden, um einen unendlichen Impulsantwortfilter (IIR) zu erstellen.

Filter sind ein wichtiges Tool in der digitalen Signalverarbeitung und werden verwendet, um die Ergebnisse der Bild- oder Spracherkennung zu verbessern. Im Allgemeinen ist ein Filter eine Übertragungsfunktion, die ein Eingabesignal übernimmt und ein Ausgabesignal basierend auf den Filtereigenschaften erstellt. Weitere allgemeine Informationen zum Benutzer von Filtern in der digitalen Signalverarbeitung finden Sie unter Filter.

Ein IIR-Filter ist eine bestimmte Art von Filter; typische Verwendungen eines IIR-Filters wären es, zyklische Daten zu vereinfachen, die zufällige Rauschen über einen stetig steigenden oder verkleinerten Trend enthalten. Der IIR-Filter, den Sie mit diesem Modul erstellen, definiert eine Reihe von Konstanten (oder Koeffizienten), die das Durchlaufsignal ändern. Das Wort infinite (unendlich) im Namen bezieht sich auf das Feedback zwischen Ausgaben und den Reihenwerten.

Nachdem Sie einen Filter definiert haben, der Ihren Anforderungen entspricht, können Sie den Filter auf Daten anwenden, indem Sie ein Dataset und den Filter mit dem Anwenden des Filtermoduls verbinden.

Tipp

Ein Filter ist eine Übertragungsfunktion, die ein Eingabesignal übernimmt und ein Ausgabesignal basierend auf den Filtereigenschaften erstellt. Weitere allgemeine Informationen zum Benutzer von Filtern in der digitalen Signalverarbeitung finden Sie unter Filter.

Nachdem Sie einen Filter definiert haben, der Ihren Anforderungen entspricht, können Sie den Filter auf Daten anwenden, indem Sie ein Dataset und den Filter mit dem Anwenden des Filtermoduls verbinden.

Tipp

Müssen Sie Daten aus einem Dataset filtern oder fehlende Werte entfernen? Verwenden Sie stattdessen diese Module:

  • Löschen Sie fehlende Daten: Verwenden Sie dieses Modul, um fehlende Werte zu entfernen oder fehlende Werte durch Platzhalter zu ersetzen.
  • Partition und Beispiel: Verwenden Sie dieses Modul, um Das Dataset nach Kriterien wie einem Datumsbereich, einem bestimmten Wert oder regulären Ausdrücken zu trennen oder zu filtern.
  • Clip-Werte: Verwenden Sie dieses Modul, um einen Bereich festzulegen und nur die Werte innerhalb dieses Bereichs beizubehalten.

So konfigurieren Sie DEN IIR-Filter

  1. Fügen Sie dem Experiment das IIR-Filtermodul hinzu. Dieses Modul finden Sie unter "Datentransformation" in der Kategorie "Filter ".

  2. Geben Sie für Order einen ganzzahligen Wert ein, der die Anzahl der aktiven Elemente definiert, die zum Beeinflussen der Antwort des Filters verwendet werden. Die Reihenfolge des Filters stellt die Länge des Filterfensters dar.

    Für einen IIR-Filter ist die Mindestreihenfolge 4.

  3. Wählen Sie für die Filterart den Algorithmus aus, der zum Berechnen von Filterkoeffizienten verwendet wird. Der Filtertyp bestimmt die mathematische Übertragungsfunktion, die Frequenzantwort und Frequenzunterdrückung steuert. Machine Learning unterstützt diese Arten von Filtern, die häufig in der digitalen Signalverarbeitung verwendet werden:

    Butterworth: Ein Butterworth-Filter wird auch als maximal flacher Größenfilter bezeichnet, da er die Antwort (Änderung des Signals) im Passband und dem Stoppband beschränkt.

    Chebyshev Type 1: Chebyshev-Filter sollen die Fehler zwischen den idealisierten und den tatsächlichen Filtereigenschaften im Bereich des Filters minimieren. Typ 1 Chebyshev-Filter lassen mehr Wellen in der Passband.

    Chebyshev Type 2: Typ 2 Chebyshev-Filter verfügen über dieselben allgemeinen Merkmale wie Typ 1 Chebyshev-Filter, aber sie lassen mehr Wellen in der Stoppband.

  4. Wählen Sie für den Filtertyp eine Option aus, die definiert, wie sich der Filter auf die Werte im Eingabesignal auswirkt. Sie können angeben, dass der Filter Werte oberhalb oder unterhalb eines Trennpunkts ausschließen oder angeben, dass der Filter werte entweder ablehnen oder in einem angegebenen Frequenzbereich übergeben.

    LowPass: Ermöglicht niedrige Häufigkeitswerte (unterhalb des Trennwerts), andere Werte zu übergeben und zu attenuat.

    HighPass: Ermöglicht hohe Häufigkeitswerte (über dem Trennwert), andere Werte zu übergeben und zu attenuat.

    Bandpass: Ermöglicht Signalen im Bereich, der durch die niedrigen und hohen Ausschnittwerte angegeben wird, um andere Werte zu übergeben und zu attenuat.

    BandStop: Ermöglicht Signalen außerhalb des Bereichs, der durch die niedrigen und hohen Ausschnittwerte angegeben wird, um Werte innerhalb des Bereichs zu übergeben und zu attenuat.

  5. Geben Sie die Werte für hohe oder niedrige Ausschnitte an, oder beides als Wert zwischen 0 und 1, der eine normalisierte Häufigkeit darstellt. Geben Sie für "Hoch" einen Wert ein, der die obere Häufigkeitsgrenze darstellt. Geben Sie für "Niedrig" einen Wert ein, der die niedrigere Häufigkeitsgrenze darstellt.

  6. Geben Sie für Ripple die Menge an Wellen an, die sie tolerieren können, wenn Sie Ihren Filter definieren. Ripple bezieht sich auf eine kleine Variation, die regelmäßig auftritt. Ripple gilt in der Regel als unerwünschte Wirkung, aber Sie können durch Anpassen anderer Filterparameter, wie z. B. die Filterlänge, ausgleichen. Nicht alle Filter erzeugen Wellen.

  7. Fügen Sie das Modul "Filter anwenden " zu Ihrem Experiment hinzu, und verbinden Sie den von Ihnen entworfenen Filter, und das Dataset enthält die Werte, die Sie ändern möchten.

    Verwenden Sie die Spaltenauswahl, um anzugeben, auf welche Spalten des Datasets der Filter angewendet werden soll. Standardmäßig wird das Modul "Filter anwenden " den Filter für alle ausgewählten numerischen Spalten verwenden.

  8. Führen Sie das Experiment aus, um die Transformation anzuwenden.

Hinweis

Das IIR-Filtermodul bietet keine Möglichkeit, eine Indikatorspalte zu erstellen. Spaltenwerte werden immer an Ort und Stelle transformiert.

Beispiele

Beispiele für die Verwendung von Filtern im Maschinellen Lernen finden Sie in diesem Experiment im Azure AI Gallery:

  • Filter: Dieses Experiment veranschaulicht alle Filtertypen mithilfe eines technischen Waveform-Datasets.

Technische Hinweise

Dieser Abschnitt enthält Implementierungsdetails, Tipps und Antworten auf häufig gestellte Fragen.

Details zur Implementierung

Ein IIR-Filter gibt Vorwärts- und Rückwärtskoeffizienten zurück, die über eine Übertragungsfunktion dargestellt werden. Nachstehend eine Darstellung als Beispiel:

transfer function for IIR filters

Hierbei gilt:

  • N: Filterreihenfolge

  • bi: Feed Forward Filter-Koeffizienten

  • ai: Rücklauffilterkoeffiziente

  • x[n]: das Eingabesignal

  • y[n]: das Ausgabesignal

Modulparameter

Name Range type Standard Beschreibung
Auftrag [4;13] Integer 5 Angeben der Ordnungszahl des Filters.
Filter kind Any IIRFilterKind Wählen Sie die Art des zu erstellenden IIR-Filters aus.
Filtertyp Any FilterType Wählen Sie den Typ des Filters aus.
Low cutoff [double.Epsilon;.9999999] Float 0,3 Legen Sie den unteren Schwellenwert fest.
High cutoff [double.Epsilon;.9999999] Float 0.7 Legen Sie den oberen Schwellenwert fest.
Ripple >=0.0 Float 0.5 Geben Sie das Ausmaß der Welligkeit im Filter an.

Output

Name type BESCHREIBUNG
Filtern IFilter-Schnittstelle Filterimplementierung

Ausnahmen

Ausnahme Beschreibung
NotInRangeValue Eine Ausnahme tritt auf, wenn der Parameter nicht im Bereich liegt.

Eine Liste der Fehler, die für Studio-Module (klassische) spezifisch sind, finden Sie unter Machine Learning Fehlercodes.

Eine Liste der API-Ausnahmen finden Sie unter Machine Learning REST-API-Fehlercodes.

Siehe auch

Filter
Anwenden eines Filters
Modulliste von A bis Z