FIR-filter

Hiermee maakt u een eindige Impulse-respons filter voor signaal verwerking

Categorie: gegevens transformatie/filter

Notitie

Van toepassing op : machine learning Studio (klassiek)

Deze inhoud is alleen van toepassing op Studio (klassiek). Er zijn Vergelijk bare modules voor slepen en neerzetten toegevoegd aan Azure Machine Learning Designer. In dit artikel vindt u meer informatie over de twee versies.

Module overzicht

In dit artikel wordt beschreven hoe u de FIR-filter module in azure machine learning Studio (klassiek) kunt gebruiken om een soort filter te definiëren, een ' eindig Impulse Response -filter (FIR). FIR-filters hebben veel toepassingen in signaal verwerking en worden meestal gebruikt in toepassingen waarvoor een lineaire respons is vereist. Een filter kan bijvoorbeeld worden toegepast op installatie kopieën die in de gezondheids zorg worden gebruikt om de algehele afbeelding scherper te maken, ruis te elimineren of de focus te richten op een object met afbeelding.

Notitie

Een filter is een overdrachts functie die een invoer signaal gebruikt en een uitvoer signaal maakt op basis van de filter kenmerken. Zie filtervoor meer algemene informatie over de gebruiker van filters bij het verwerken van digitale signalen.

Nadat u een filter voor digitale signalen verwerking hebt gedefinieerd, kunt u het filter Toep assen op gegevens door een gegevensset en het filter toe te passen op de Filter module Toep assen . U kunt het filter ook opslaan om het opnieuw te gebruiken met vergelijk bare gegevens sets.

Tip

Wilt u gegevens uit een gegevensset filteren of ontbrekende waarden verwijderen? Gebruik in plaats daarvan deze modules:

  • Ontbrekende gegevens wissen: gebruik deze module om ontbrekende waarden te verwijderen of ontbrekende waarden te vervangen door tijdelijke aanduidingen.
  • Partitie en voor beeld: gebruik deze module om uw gegevensset te verdelen of filteren op criteria zoals een datum bereik, een specifieke waarde of reguliere expressies.
  • Clip waarden: gebruik deze module om een bereik in te stellen en alleen de waarden binnen dat bereik op te slaan.

Het FIR-filter configureren

  1. Voeg de FIR-filter module toe aan uw experiment. U kunt deze module vinden onder gegevens transformatiein de categorie filter .

  2. Voor order, typt u een geheel getal dat het aantal actieve elementen definieert dat wordt gebruikt om de reactie van het filter te beïnvloeden. De volg orde van het filter geeft de lengte van het filter venster aan.

    Voor een FIR-filter is de minimale volg orde 4.

  3. Selecteer voor vensterde vorm van de gegevens waarop het filter wordt toegepast. Azure Machine Learning ondersteunt de volgende typen venster functies voor gebruik in eindige Impulse-respons filters:

    Hamming: het gegeneraliseerde Hamming-venster biedt een soort gewogen gemiddelden, die vaak wordt gebruikt bij het verwerken van afbeeldingen en computer vision.

    Blackman: een zwartman-venster past een vloeiende curve functie toe op het signaal. Het Zwarteman-venster heeft een betere stopband-uitzwakking dan andere venster typen.

    Rechthoekig: een rechthoekig venster past een consistente waarde binnen het opgegeven interval toe en past geen waarde elders toe. Het eenvoudigste rechthoekige venster kan n waarden in een gegevens reeks vervangen door nullen, wat erop lijkt alsof het signaal plotseling wordt in-of uitgeschakeld.

    Een rechthoekig venster wordt ook wel een Boxcar -of Dirichlet-venstergenoemd.

    Drie hoek: een drie hoekig venster past filter coëfficiënten toe op een stapsgewijse manier. De huidige waarde wordt weer gegeven op de piek van de drie hoek en vervolgens wordt de bovenstaande of volgende waarden geweigerd.

    Geen: in sommige toepassingen kunt u beter geen venster functies gebruiken. Als het signaal dat u analyset bijvoorbeeld al een venster of burst vertegenwoordigt, zou het Toep assen van een venster functie de signaal-naar-ruis verhouding kunnen verslechteren.

  4. Selecteer bij filter typeeen optie die definieert hoe het filter wordt toegepast. U kunt opgeven dat het filter de doel waarden uitsluit, de waarden wijzigt, de waarden afwijzen of door geven via.

    Lowpass: ' lage Pass ' houdt in dat het filter door lagere waarden wordt door gegeven en dat de hogere waarden worden verwijderd. U kunt dit bijvoorbeeld gebruiken om ruis met hoge frequentie en gegevens pieken te verwijderen uit een signaal.

    Dit filter type heeft een gladd effect op de gegevens.

    Highpass: ' hoge Pass ' houdt in dat het filter door hogere waarden wordt door gegeven en dat lagere waarden worden verwijderd. U kunt dit gebruiken om gegevens met lage frequenties te verwijderen, zoals een bias of offset, van een signaal.

    Met dit filter type worden onverwachte wijzigingen en pieken in een signaal behouden.

    Bandpass: ' band pass ' geeft aan dat de opgegeven samen voeging van waarden wordt door gegeven aan bouwen en dat er andere worden verwijderd. U kunt dit filter gebruiken om de gegevens van een signaal met frequentie kenmerken te bewaren op het snij punt tussen de filters highpass en lowpass.

    Bandpass filters worden gemaakt door een highpass-en lowpass-filter te combi neren. De afsluit frequentie van het highpass-filter vertegenwoordigt de onderste afsluit snelheid en de filter frequentie lowpass vertegenwoordigt de hogere afsluit snelheid.

    Dit filter type is handig bij het verwijderen van een bias en het vloeiend maken van een signaal.

    Bandstop: ' band stop ' betekent dat het opgegeven sigals wordt geblokkeerd. Met andere woorden: Hiermee worden gegevens uit een signaal verwijderd met frequentie kenmerken die zijn geweigerd door de lage Pass-en highpass-filters.

    Dit filter type is handig voor het behouden van de signaal afwijking en onverwachte wijzigingen.

  5. Afhankelijk van het type filter dat u hebt gekozen, moet u een of meer afsluit waarden instellen.

    Gebruik de opties hoge en lage afsluit mogelijkheid om een bovenste en/of lagere drempel waarde voor waarden te definiëren. Een of beide van deze opties zijn vereist om op te geven welke waarden moeten worden afgewezen of door gegeven. Voor een bandstop -of bandpass -filter moet u zowel hoge als lage grens waarden instellen. Andere filter typen, zoals het lowpass -filter, vereisen dat u alleen de lage grens waarde instelt.

  6. Selecteer de optie schaal als schalen op coëfficiënten moet worden toegepast. anders leeg laten.

  7. Verbind het filter om het filter toe te passenen Verbind een gegevensset.

    Gebruik de kolom kiezer om op te geven met welke kolommen het filter moet worden toegepast. De filter module Toep assen maakt standaard gebruik van het filter voor alle geselecteerde numerieke kolommen.

  8. Voer het experiment uit.

    Er worden geen berekeningen uitgevoerd totdat u een gegevensset verbindt met de Filter module Toep assen en het experiment uitvoert. Op dat moment wordt de opgegeven trans formatie toegepast op de geselecteerde numerieke kolommen.

Notitie

De FIR-filter module biedt geen optie voor het maken van een indicator kolom. Kolom waarden worden altijd getransformeerd.

Voorbeelden

Voor voor beelden van hoe filters worden gebruikt in machine learning raadpleegt u dit experiment in de Azure AI Gallery:

  • Filters: in dit experiment worden alle filter typen gedemonstreerd met behulp van een met een engine gevormde Waveform-gegevensset.

Technische opmerkingen

Deze sectie bevat implementatie details, tips en antwoorden op veelgestelde vragen.

Implementatie Details

FIR-filters hebben de volgende kenmerken:

  • FIR-filters hebben geen feedback. dat wil zeggen dat ze de vorige filter uitvoer gebruiken.
  • FIR-filters zijn stabieler, omdat het Impulse-antwoord altijd wordt teruggestuurd naar 0.
  • Voor FIR-filters is een hogere volg orde vereist om dezelfde selectiviteit te verkrijgen als oneindig Impulse Response-filters (IIR).
  • Net als andere filters kan het FIR-filter worden ontworpen met een specifieke afsluit frequentie waarmee de frequenties die het signaal vormen, worden bewaard of geweigerd.

Berekeningen berekenen op basis van het filter venster

Het venster type bepaalt de afweging tussen selectiviteit (breedte van de overgangs band waarbij de frequenties niet volledig worden geaccepteerd of afgewezen) en onderdrukking (de totale verzwakking van de frequenties moet worden afgewezen). De functie Windowing wordt toegepast op het ideale filter antwoord om de frequentie reactie af te dwingen op nul buiten het venster. Er worden coëfficiënten geselecteerd door de frequentie reactie in het venster te bemonsteren.

Het aantal coëfficiënten dat door de FIR- filter module wordt geretourneerd, is gelijk aan de filter volgorde plus één. De coëfficiënt waarden worden bepaald aan de hand van de filter parameters en de venster methode en worden symmetrisch om een lineaire fase respons te garanderen

Het schalen van coëfficiënten

De FIR-filter module retourneert Filter coëfficiënten of tik op gewichten voor het gemaakte filter.

De coëfficiënten worden bepaald door het filter, op basis van de para meters die u opgeeft (zoals de volg orde). Als u aangepaste coëfficiënten wilt opgeven, gebruikt u de door de gebruiker gedefinieerde filter module.

Wanneer schalen is ingesteld op True, worden filter coëfficiënten genormaliseerd, zodat de omvang van het filter op de middelste frequentie van de passband 0 is. De implementatie van normalisatie in Azure Machine Learning Studio (klassiek) is hetzelfde als in de functie fir1 in MATLAB.

Normaal gesp roken ontwerpt u in de ontwerp methode van het venster een ideale Impulse-filter (IIR). De functie Window wordt toegepast op de Golf in het tijd domein en vermenigvuldigt de oneindig Impulse-reactie door de functie Window. Dit resulteert in de frequentie reactie van het IIR-filter dat wordt convolved met de frequentie van de venster functie. In het geval van FIR filters worden de invoer-en filter coëfficiënten (of tik op gewichten) echter convolved wanneer het filter wordt toegepast.

Selectiviteit en Stop band-verzwakking

De volgende tabel vergelijkt de selectiviteit met Stop-band demping voor een FIR-filter met lengte n door gebruik te maken van verschillende venster methoden:

Venster type Overgangs regio Minimale Stopband-uitzwakking
Rechthoekig knipsel 0.041 n 21 dB
Driehoek 0,11 n 26 dB
Hann 0.12 n 44 dB
Hamming 0.23 n 53 dB
Zwarteman 0,2 n 75 dB

Module parameters

Naam Bereik Type Standaard Beschrijving
Bestellen >= 4 Geheel getal 5 De filter volgorde opgeven
Venster Alle WindowType Het type venster opgeven dat moet worden toegepast
Filtertype Alle Filter type LowPass Selecteer het type filter dat u wilt maken
Lage afsluit Dubbelklik. Epsilon;. 9999999] Drijvendekommagetal 0,3 De lage afsluit frequentie instellen
Hoge afsluit Dubbelklik. Epsilon;. 9999999] Drijvendekommagetal 0,7 De hoge afsluit frequentie instellen
Schalen Alle Boolean-waarde True Indien waar, worden filter coëfficiënten genormaliseerd

Uitvoer

Naam Type Beschrijving
Filteren IFilter-interface Filter implementatie

Uitzonderingen

Uitzondering Beschrijving
NotInRangeValue Uitzonde ring treedt op als de para meter niet binnen het bereik valt.

Zie machine learning fout codesvoor een lijst met fouten die specifiek zijn voor Studio-modules (Classic).

Zie Machine Learning rest API fout codesvoor een lijst met API-uitzonde ringen.

Zie ook

Filterwebonderdelen
Filter Toep assen
Module lijst a-Z