FIR-фильтр
Важно!
Поддержка Студии машинного обучения (классической) будет прекращена 31 августа 2024 г. До этой даты рекомендуется перейти на Машинное обучение Azure.
Начиная с 1 декабря 2021 года вы не сможете создавать новые ресурсы Студии машинного обучения (классической). Существующие ресурсы Студии машинного обучения (классическая версия) можно будет использовать до 31 августа 2024 г.
- См. сведения о перемещении проектов машинного обучения из ML Studio (классической) в Машинное обучение Azure.
- См. дополнительные сведения о Машинном обучении Azure.
Поддержка документации по ML Studio (классической) прекращается, а сама документация может не обновляться в будущем.
Создает фильтр конечных импульсных характеристик для обработки сигналов.
Категория: Преобразование или фильтр данных
Примечание
применимо к: только Машинное обучение Studio (классическая модель)
Подобные модули перетаскивания доступны в конструкторе машинного обучения Azure.
Обзор модуля
в этой статье описывается, как использовать модуль фильтра FIR в Машинное обучение Studio (классическая модель) для определения типа фильтра, который называется фильтром конечного реагирования (FIR). FIR-фильтры применяются при обработке сигнала и чаще всего используются в приложениях, требующих линейно-фазового отклика. Например, фильтр может применяться к образам, используемым в сфере здравоохранения, для повышения резкости всего изображения, устранения шума или выделения графического объекта.
Примечание
Фильтр — это функция передачи, которая принимает входной сигнал и создает выходной сигнал на основе характеристик фильтра. Дополнительные общие сведения о пользователях фильтров в обработке цифровых сигналов см. в разделе Filter.
После определения фильтра обработки цифровых сигналов можно применить фильтр к данным, подключив набор данных и фильтр к модулю Применить фильтр . Можно также сохранить фильтр для повторного использования с аналогичными наборами данных.
Совет
Нужно отфильтровать данные из набора данных или удалить недостающие значения? Вместо этого используйте следующие модули:
- Очистить отсутствующие данные: Используйте этот модуль, чтобы удалить отсутствующие значения или заменить отсутствующие значения заполнителями.
- Секционирование и выборка. Используйте этот модуль, чтобы разделить или отфильтровать набор данных по критериям, например диапазону дат, конкретному значению или регулярным выражениям.
- Значения обрезки: Используйте этот модуль, чтобы задать диапазон и сохранить только значения в пределах этого диапазона.
Настройка фильтра FIR
Добавьте модуль фильтра FIR в эксперимент. Этот модуль можно найти в категории Фильтр в разделе Преобразование данных.
В поле заказвведите целое значение, определяющее количество активных элементов, которые используются для влияния на ответ фильтра. Порядок фильтра представляет длину окна фильтра.
Для фильтра FIR минимальный порядок равен 4.
В поле « окно» выберите форму данных, к которым будет применен фильтр. Машинное обучение поддерживает следующие типы оконных функций для использования в фильтрах ответов с ограничением неимпульсной работы:
Хамминг. окно обобщенного Хамминг предоставляет тип взвешенного усреднения, который обычно используется при обработке изображений и компьютерных концепциях.
Черный. окно с черной печатью применяет к сигналу гладкую функцию кривой с конусом. Окно Блэкмана имеет лучший показатель затухания в полосе задержки, чем другие типы окон.
Прямоугольный: прямоугольное окно применяет единообразное значение внутри указанного интервала и не применяет никакого значения в других местах. Простое прямоугольное окно может заменить n значений в последовательности данных с нулями, имитируя внезапное включение и выключение сигнала.
Прямоугольное окно также называется узкополосным окном или окном Дирихле.
Треугольный: треугольное окно применяет коэффициенты фильтра на пошаговом уровне. Текущее значение находится в пиковой точке треугольника, а предыдущие и последующие значения меньше него.
Нет. в некоторых приложениях предпочтительно не использовать функции для работы с окнами. Например, если анализируемый сигнал уже представляет собой какое-то окно или прорыв, применение оконной функции может ухудшить соотношение сигнала и шума.
В поле Тип фильтравыберите параметр, определяющий способ применения фильтра. Можно указать, чтобы фильтр исключал целевые значения, изменял значения, отклонял значения или передавал их.
Ловпасс: "Низкий проход" означает, что фильтр проходит через более низкие значения и удаляет более высокие значения. Например, вы можете использовать этот параметр, чтобы удалить сигнал высокой частоты и пиковые значения данных из сигнала.
Этот тип фильтра оказывает сглаживающий эффект на данные.
Хигхпасс: "высокий уровень" означает, что фильтр проходит через более высокие значения и удаляет меньшие значения. Этот параметр можно использовать для удаления данных с низкой частотой, таких как сдвиг или смещение, от сигнала.
Этот тип фильтра сохраняет внезапные изменения и пики в сигнале.
Бандпасс: "полосовый проход" означает, что он передает соругх указанную полосу значений и удаляет другие. Этот фильтр можно использовать для сохранения данных из сигнала с характеристиками частоты на пересечении между фильтрами хигхпасс и ловпасс.
Полосовые фильтры создаются путем объединения высокочастотного и низкочастотного фильтра. Частота отсечения высокочастотного фильтра представляет собой нижний порог, а частота отсечения низкочастотного фильтра является верхним порогом.
Этот тип фильтра подходит для удаления смещения и сглаживания сигнала.
Бандстоп: "блочная точка" означает, что он блокирует указанные сигалс. Иными словами, он удаляет данные из сигнала с характеристиками частоты, которые отклоняются с помощью фильтров низкого прохода и хигхпасс.
Этот тип фильтра подходит для сохранения смещения сигнала и неожиданных изменений.
В зависимости от выбранного типа фильтра необходимо задать одно или несколько значений для отсечения.
Используйте параметры высокой отсечки и низкая отсечки для определения верхнего и/или нижнего порогового значения для значений. Для указания значений, которые отклоняются или передаются, требуются один или оба этих параметра. Для фильтра бандстоп или бандпасс необходимо задать значения как высокого, так и низкого отсечки. Другие типы фильтров, например фильтр ловпасс , должны устанавливать только низкие значения отсечки.
Выберите параметр масштаб , если необходимо применить масштабирование к коэффициентам. в противном случае оставьте пустым.
Подключение фильтр для применения фильтраи подключения к набору данных.
Используйте селектор столбцов, чтобы указать, к каким столбцам должен применяться фильтр. По умолчанию модуль Применить фильтр будет использовать фильтр для всех выбранных числовых столбцов.
Запустите эксперимент.
Вычисления не выполняются до тех пор, пока набор данных не будет подключен к модулю « Применить фильтр » и не будет выполнен эксперимент. На этом этапе указанное преобразование применяется к выбранным числовым столбцам.
Примечание
Модуль фильтра FIR не предоставляет возможность создания столбца индикатора. Значения столбца всегда преобразуются на месте.
Примеры
Примеры использования фильтров в машинном обучении см. в этом эксперименте в Коллекция решений ии Azure:
- Фильтры. в этом эксперименте демонстрируются все типы фильтров с использованием сконструированного набора данных форм.
Технические примечания
В этом разделе содержатся сведения о реализации, советы и ответы на часто задаваемые вопросы.
Сведения о реализации
FIR-фильтры обладают перечисленными ниже характеристиками.
- FIR-фильтры не имеют обратной связи; то есть они повторно используют выходные данные предыдущих фильтров.
- FIR-фильтры более стабильны, так как импульсная характеристика всегда будет возвращаться к значению 0.
- FIR-фильтры требуют более высокого порядка, чтобы добиться той же избирательности, что и IIR-фильтры (с бесконечной импульсной характеристикой).
- Как и другие фильтры, FIR-фильтры могут создаваться для определенной частоты порога, которая сохраняет или отклоняет частоты в составе сигнала.
Вычисление коэффициентов в окне фильтра
Тип окна позволяет достичь компромисса между избирательностью (шириной полосы перехода, в которой частоты являются ни полностью принятыми, ни полностью отклоненными) и подавлением (общим ослаблением отклоняемых частот). Функция управления окнами применяется к идеальному отклику фильтра для принудительного затухания частотного отклика за пределами окна. Коэффициенты выбираются с помощью выборки частотного отклика в окне.
Количество коэффициентов, возвращенных модулем FIR-фильтр, равно порядку фильтров плюс один. Значения коэффициентов определяются параметрами фильтра и методом управления окнами и являются симметричными для обеспечения линейно-фазового отклика.
Масштабирование коэффициентов
Модуль фильтра FIR возвращает коэффициенты фильтра или выберите весовые коэффициенты для созданного фильтра.
Коэффициенты определяются фильтром на основе заданных параметров (например, порядка). Если вы хотите указать пользовательские коэффициенты, используйте модуль фильтра, определяемый пользователем .
Если для параметра Scale задано значение true, коэффициенты фильтрации будут нормализованы, что отклика фильтра на центральную частоту пассбанд равно 0. реализация нормализации в Машинное обучение Studio (классическая модель) аналогична реализации функции fir1 в MATLAB.
Как правило, в методе создания окна формируется идеальный фильтр бесконечных импульсных характеристик (infinite impulse response, IIR). Оконная функция применяется к волновому сигналу в области времени, в результате чего бесконечная импульсная характеристика умножается на оконную функцию. Это приводит к частотному отклику IIR-фильтра, свертываемого с частотным откликом оконной функции. Однако в случае фильтров версии FIR при применении фильтра применяются коэффициенты ввода и фильтра (или касания).
Избирательность и ослабление затухания полосы
В следующей таблице сравниваются избирательность и затухание в полосе задержки для FIR-фильтра с длиной n с помощью различных оконных методов:
| Тип окна | Область переходов | Минимальное затухание в полосе задержки |
|---|---|---|
| "Прямоугольный" | 0,041n | 21 дБ |
| Triangle | 0,11n | 26 дБ |
| Хэнн | 0,12n | 44 dB |
| Хэмминг | 0,23n | 53 dB |
| Блэкман | 0,2n | 75 dB |
Параметры модуля
| Имя | Диапазон | Тип | По умолчанию | Описание |
|---|---|---|---|---|
| Номер | >=4 | Целочисленный тип | 5 | Укажите порядок фильтров |
| Окно | Любой | WindowType | Укажите тип применяемого окна | |
| Тип фильтра | Любой | FilterType | Низкочастотный | Выберите тип создаваемого фильтра |
| Низкий срез | [double.Epsilon;.9999999] | Float | 0,3 | Задайте нижнюю частоту среза |
| Высокий срез | [double.Epsilon;.9999999] | Float | 0.7 | Задайте верхнюю частоту среза |
| Масштабирование | Любой | Логическое значение | True | Если значение true, коэффициенты фильтра будут нормализованы |
Выходные данные
| Имя | Тип | Description |
|---|---|---|
| Filter | Интерфейс IFilter | Реализация фильтра |
Исключения
| Исключение | Описание |
|---|---|
| NotInRangeValue | Исключение возникает, если параметр находится за пределами диапазона. |
список ошибок, относящихся к модулям студии (классическая версия), см. в разделе Машинное обучение коды ошибок.
список исключений API см. в разделе Машинное обучение REST API коды ошибок.
См. также раздел
Фильтр
Применение фильтра
Список модулей в алфавитном порядке