IIR-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 бесконечных импульсных характеристик для обработки сигнала.

Категория: преобразование данных / фильтр

Примечание

Область применения: только Машинное обучение Studio (классическая версия)

Подобные модули перетаскивания доступны в конструкторе машинного обучения Azure.

Обзор модуля

В этой статье описывается, как использовать модуль фильтра IIR в Машинное обучение Studio (классическая модель) для создания фильтра бесконечного импульсного отклика (IIR).

Фильтры являются важным инструментом обработки цифрового сигнала и используются для улучшения результатов распознавания изображений или голоса. Как правило, фильтр — это функция передачи, которая принимает входной сигнал и создает выходной сигнал на основе характеристик фильтра. Дополнительные общие сведения о пользователе фильтров в цифровой обработке сигналов см. в разделе Filter.

Фильтр IIR — это определенный тип фильтра; Типичным использованием фильтра IIR было бы упрощение циклических данных, включающих случайный шум по постоянно увеличивающейся или уменьшающейся тенденции. Фильтр IIR, который вы щелкаете с помощью этого модуля, определяет набор констант (или коэффициентов), которые изменяют передаваемый сигнал. Слово бесконечный в названии указывает на обратную связь между выходными данными и значениями ряда.

После определения фильтра, соответствующего вашим потребностям, можно применить фильтр к данным, подключив набор данных и фильтр к модулю Apply Filter .

Совет

Фильтр — это функция передачи, которая принимает входной сигнал и создает выходной сигнал на основе характеристик фильтра. Дополнительные общие сведения о пользователе фильтров в цифровой обработке сигналов см. в разделе Filter.

После определения фильтра, соответствующего вашим потребностям, можно применить фильтр к данным, подключив набор данных и фильтр к модулю Apply Filter .

Совет

Необходимо отфильтровать данные из набора данных или удалить отсутствующие значения? Вместо этого используйте следующие модули:

• Очистка отсутствующих данных. Используйте этот модуль для удаления отсутствующих значений или замены отсутствующих значений заполнителями.
• Раздел и пример. Используйте этот модуль для разделения или фильтрации набора данных по критериям, таким как диапазон дат, определенное значение или регулярные выражения.
• Значения клипа. Используйте этот модуль, чтобы задать диапазон и сохранить только значения в этом диапазоне.

Настройка фильтра IIR

1. Добавьте модуль фильтра IIR в эксперимент. Этот модуль можно найти в разделе "Преобразование данных" в категории "Фильтр ".

2. В поле Order введите целочисленное значение, определяющее количество активных элементов, используемых для влияния на ответ фильтра. Порядок фильтра представляет длину окна фильтра.

   Для фильтра IIR минимальный порядок составляет 4.

3. Для типа фильтра выберите алгоритм, используемый для вычисления коэффициентов фильтра. Тип фильтра обозначает математическую функцию передачи, которая управляет частотой отклика и подавлением частоты. Машинное обучение поддерживает такие типы фильтров, которые часто используются при обработке цифровых сигналов:

   Баттерворт: Фильтр Butterworth также называется максимально плоский фильтр величины , потому что он ограничивает ответ (изменение сигнала) в проходной и стоп-полосе.

   Тип Чебишев 1. Фильтры Чебишева предназначены для минимизации ошибок между идеализированными и фактическими характеристиками фильтра по диапазону фильтра. Фильтры Типа 1 Чебишев оставляют больше рябь в проходной полосе.

   Чебишев Тип 2: Фильтры Типа 2 Чебишев имеют те же общие характеристики, что и фильтры Типа 1 Чебишев, но они оставляют больше рябь в стоп-полосе.

4. Для типа фильтра выберите параметр, определяющий, как фильтр будет влиять на значения во входном сигнале. Можно указать, что фильтр исключает значения выше или ниже точки отсечения, или указать, что фильтр отклоняет или передает значения в указанном диапазоне частот.

   LowPass: позволяет низкочастотным значениям (ниже значения отсечения) передавать и затухать другие значения.

   HighPass: позволяет высокой частоте (выше значения отсечения) передавать и затухать другие значения.

   Bandpass: позволяет сигналам в диапазоне, заданном низкими и высокими значениями отсечения, передавать и затенять другие значения.

   BandStop: позволяет сигналам за пределами диапазона, заданного низкими и высокими значениями отсечения, передавать и затенять значения в диапазоне.

5. Укажите высокие или низкие значения вырезания или оба значения в виде значения от 0 до 1, представляющего нормализованную частоту. Для параметра High cutoff введите значение, представляющее верхнюю границу частоты. В поле "Низкий" введите значение, представляющее границу нижней частоты.

6. Для Рябь укажите количество рябь , допускаемую при определении фильтра. Рябь относится к небольшому варианту, который происходит периодически. Рябь обычно считается нежелательным эффектом, но вы можете компенсировать рябь, изменив другие параметры фильтра, например длину фильтра. Не все фильтры производят рябь.

7. Добавьте модуль apply Filter в эксперимент и подключите фильтр, который вы разработали, и набор данных содержит значения, которые вы хотите изменить.

   Используйте селектор столбцов, чтобы указать, к каким столбцам набора данных следует применить фильтр. По умолчанию модуль apply Filter будет использовать фильтр для всех выбранных числовых столбцов.

8. Запустите эксперимент, чтобы применить преобразование.

Примечание

Модуль фильтра IIR не предоставляет возможность создания столбца индикатора. Значения столбцов всегда преобразуются на месте.

Примеры

Примеры использования фильтров в машинном обучении см. в этом эксперименте в коллекции ИИ Azure:

• Фильтры: в этом эксперименте демонстрируются все типы фильтров с помощью спроектированного набора данных волнообразной формы.

Технические примечания

В этом разделе содержатся сведения о реализации, советы и ответы на часто задаваемые вопросы.

Сведения о реализации

IIR-фильтр возвращает коэффициенты прямой и обратной связи, которые представлены с помощью функции передачи. Пример представления:

Где:

• N: порядок фильтрации

• bi: коэффициенты фильтра пересылки канала

• ai: коэффициенты обратного фильтра для канала

• x[n]: входной сигнал

• y[n]: выходной сигнал

Параметры модуля

Имя	Диапазон	Тип	По умолчанию	Описание
Номер	[4;13]	Целочисленный тип	5	Укажите порядок фильтров
Вид фильтра	Любой	IIRFilterKind		Выберите вид создаваемого фильтра IIR
Тип фильтра	Любой	FilterType		Выберите тип полосы фильтра
Низкий срез	[double.Epsilon;.9999999]	Float	0,3	Задать низкое значение среза
Высокий срез	[double.Epsilon;.9999999]	Float	0,7	Задать высокое значение среза
Колебания	>=0,0	Float	0,5	Укажите объем колебаний в фильтре

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 модель), см. в разделе Машинное обучение коды ошибок.

Список исключений API см. в разделе Машинное обучение коды ошибок REST API.

См. также раздел

Фильтр
Применение фильтра
Список модулей в алфавитном порядке