Filtro IIR

Importante

El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.

A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.

• Consulte la información acerca de traslado de proyectos de aprendizaje automático de ML Studio (clásico) a Azure Machine Learning.
• Más información sobre Azure Machine Learning.

La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.

Crea un filtro de respuesta de impulso infinito para el procesamiento de señales

Categoría: Transformación de datos/Filtro

Nota

Se aplica a: solo Machine Learning Studio (clásico)

Hay módulos para arrastrar y colocar similares en el diseñador de Azure Machine Learning.

Información general sobre el módulo

En este artículo se describe cómo usar el módulo Filtro IIR en Machine Learning Studio (clásico) para crear un filtro de respuesta de impulso infinito (IIR).

Los filtros son una herramienta importante en el procesamiento de señales digitales y se usan para mejorar los resultados del reconocimiento de imágenes o voz. En general, un filtro es una función de transferencia que toma una señal de entrada y crea una señal de salida basada en las características del filtro. Para obtener más información general sobre el usuario de filtros en el procesamiento de señales digitales, consulte Filtro.

Un filtro IIR es un tipo determinado de filtro; los usos típicos de un filtro IIR serían simplificar los datos cíclicos que incluyen ruido aleatorio en una tendencia creciente o descendente constantemente. El filtro IIR que crecie con este módulo define un conjunto de constantes (o coeficientes) que modifican la señal que se pasa. La palabra infinito en el nombre hace referencia a los comentarios entre los resultados y los valores de serie.

Después de definir un filtro que satisfaga sus necesidades, puede aplicar el filtro a los datos mediante la conexión de un conjunto de datos y el filtro al módulo Aplicar filtro .

Sugerencia

Un filtro es una función de transferencia que toma una señal de entrada y crea una señal de salida basada en las características del filtro. Para obtener más información general sobre el usuario de filtros en el procesamiento de señales digitales, consulte Filtro.

Después de definir un filtro que satisfaga sus necesidades, puede aplicar el filtro a los datos mediante la conexión de un conjunto de datos y el filtro al módulo Aplicar filtro .

Sugerencia

¿Necesita filtrar los datos de un conjunto de datos o quitar los valores que faltan? Use estos módulos en su lugar:

• Limpiar datos que faltan: use este módulo para quitar los valores que faltan o reemplazar los valores que faltan por marcadores de posición.
• Partición y ejemplo: use este módulo para dividir o filtrar el conjunto de datos por criterios como un intervalo de fechas, un valor específico o expresiones regulares.
• Recortar valores: use este módulo para establecer un intervalo y mantener solo los valores dentro de ese intervalo.

Configuración del filtro IIR

1. Agregue el módulo IIR Filter al experimento. Puede encontrar este módulo en Transformación de datos, en la categoría Filtro .

2. En Order, escriba un valor entero que defina el número de elementos activos utilizados para afectar a la respuesta del filtro. El orden del filtro representa la longitud de la ventana de filtro.

   Para un filtro IIR, el orden mínimo es 4.

3. En Tipo de filtro, elija el algoritmo que se usa para calcular los coeficientes de filtro. El tipo de filtro designa la función de transferencia matemática que controla la respuesta de frecuencia y la supresión de frecuencia. Machine Learning admite estos tipos de filtros que se usan habitualmente en el procesamiento de señales digitales:

   Butterworth: un filtro Butterworth también se denomina filtro de magnitud máxima plana porque restringe la respuesta (cambio de señal) en la banda de paso y la banda de parada.

   Chebyshev Tipo 1: Los filtros Chebyshev están diseñados para minimizar los errores entre las características idealizadas y reales del filtro en el intervalo del filtro. Los filtros Chebyshev de tipo 1 dejan más ondulado en la banda de paso.

   Chebyshev Tipo 2: Los filtros Chebyshev de tipo 2 tienen las mismas características generales que los filtros Chebyshev tipo 1, pero dejan más ondulado en la banda de parada.

4. En Tipo de filtro, seleccione una opción que defina cómo afectará el filtro a los valores de la señal de entrada. Puede especificar que el filtro excluya los valores por encima o por debajo de un punto de corte, o bien especifique que el filtro rechace o pase los valores en un intervalo de frecuencia especificado.

   LowPass: permite que los valores de baja frecuencia (por debajo del valor límite) pasen y atenúan otros valores.

   HighPass: permite que los valores de alta frecuencia (por encima del valor de límite) pasen y atenúan otros valores.

   Bandpass: permite que las señales del intervalo especificados por los valores de límite inferior y alto pasen y atenúen otros valores.

   BandStop: permite que las señales fuera del intervalo especificado por los valores de límite inferior y alto pasen y atenúan los valores dentro del intervalo.

5. Especifique los valores de límite alto o bajo, o ambos, como un valor entre 0 y 1, que representa una frecuencia normalizada. En Límite alto, escriba un valor que represente el límite de frecuencia superior. En Límite bajo, escriba un valor que represente el límite de frecuencia inferior.

6. Para Ripple, especifique la cantidad de ondulación que se tolerará al definir el filtro. La onda se refiere a una pequeña variación que se produce periódicamente. La onda suele considerarse un efecto no deseado, pero puede compensar la onda ajustando otros parámetros de filtro, como la longitud del filtro. No todos los filtros producen ondas.

7. Agregue el módulo Aplicar filtro al experimento y conecte el filtro que ha diseñado y el conjunto de datos contenga los valores que desea modificar.

   Use el selector de columnas para especificar qué columnas del conjunto de datos se deben aplicar al filtro. De forma predeterminada, el módulo Aplicar filtro usará el filtro para todas las columnas numéricas seleccionadas.

8. Ejecute el experimento para aplicar la transformación.

Nota

El módulo Filtro IIR no proporciona la opción de crear una columna de indicador. Los valores de columna siempre se transforman en su lugar.

Ejemplos

Para obtener ejemplos de cómo se usan los filtros en el aprendizaje automático, consulte este experimento en azure AI Gallery:

• Filtros: este experimento muestra todos los tipos de filtro, mediante un conjunto de datos de forma de onda diseñada.

Notas técnicas

Esta sección contiene detalles de implementación, sugerencias y respuestas a las preguntas más frecuentes.

Detalles de la implementación

Un filtro IIR devuelve coeficientes de alimentación directa e inversa, que se representan por medio de una función de transferencia. A continuación se muestra una representación de ejemplo:

Donde:

• N: orden de filtro

• bi: coeficientes de filtro de avance de fuente

• ai: coeficientes de filtro hacia atrás

• x[n]: la señal de entrada.

• y[n]: la señal de salida

Parámetros del módulo

Nombre	Intervalo	Tipo	Valor predeterminado	Descripción
Ordenar	[4;13]	Entero	5	Especificar el orden del filtro
Clase de filtro	Any	IIRFilterKind		Seleccionar el tipo de filtro IIR para crear
Tipo de filtro	Any	FilterType		Seleccionar el tipo de banda del filtro
Corte bajo	[double.Epsilon;.9999999]	Float	0,3	Establecer el valor de corte bajo
Corte alto	[double.Epsilon;.9999999]	Float	0,7	Establecer el valor de corte alto
Rizado	>=0.0	Float	0.5	Especificar la cantidad de rizado en el filtro

Output

Nombre	Tipo	Descripción
Filter	Interfaz IFilter	Implementación del filtro

Excepciones

Excepción	Descripción
NotInRangeValue	Se produce una excepción si el parámetro no se encuentra en el intervalo.

Para obtener una lista de errores específicos de los módulos de Studio (clásico), consulte códigos de error Machine Learning.

Para obtener una lista de excepciones de API, consulte Machine Learning códigos de error de la API REST.

Consulte también

Filter
Aplicar filtro
Lista de módulos A-Z