FIR 濾波器

針對訊號處理建立有限脈衝響應濾波器

類別: 資料轉換/篩選

注意

適用于 : Machine Learning Studio (傳統)

此內容僅適用于 Studio (傳統) 。 Azure Machine Learning 設計工具中已新增類似的拖放模組。 若要深入瞭解 這兩個版本,請參閱這篇文章

模組概觀

本文說明如何使用 Azure Machine Learning Studio (傳統) 中的 [ 杉樹] 篩選 模組,來定義一種稱為 有限脈衝回應 的篩選, (杉樹) 篩選。 FIR 濾波器在訊號處理上有諸多用途,最常用在需要線性相位響應的應用上。 例如,篩選器可能會套用至醫療保健中使用的影像,以將整體影像調到最清晰、消除雜訊,或將焦點放在映射物件上。

注意

篩選準則是一個傳送函式,它會採用輸入信號,並根據篩選特性建立輸出信號。 如需有關數位信號處理中篩選準則使用者的一般資訊,請參閱 篩選

定義數位信號處理篩選之後,您可以將資料集和篩選器連接至套用 篩選 模組,以將篩選套用至資料。 您也可以儲存篩選,以重複使用類似的資料集。

提示

需要篩選資料集的資料,或移除遺漏的值嗎? 請改用這些模組:

  • 清除遺漏的資料:使用此模組移除遺漏的值,或以預留位置取代遺漏值。
  • 分割區和範例:使用此模組可依準則(例如日期範圍、特定值或正則運算式)來分割或篩選您的資料集。
  • 剪輯值:使用此模組來設定範圍,並只保留該範圍內的值。

如何設定杉樹篩選

  1. 將 [ 杉樹] 篩選 模組新增至您的實驗。 您可以在 [ 資料轉換] 下的 [ 篩選準則 ] 分類中找到此模組。

  2. 針對 [ 順序] 輸入整數值,以定義用來影響篩選回應的作用中元素數目。 篩選準則的 順序 代表篩選視窗的長度。

    針對杉樹篩選,最小順序為4。

  3. 針對 [ 視窗],選取將套用篩選的資料圖形。 Azure 機器學習支援在有限脈衝響應濾波器中使用下列類型的視窗化函數:

    漢明一般化漢明視窗 提供一種加權平均,通常用於影像處理和電腦視覺。

    佈雷克門佈雷克門視窗 會將平滑的錐形曲線函式套用至信號。 布雷克門視窗的阻帶衰減較其他視窗類型優異。

    矩形矩形視窗 會在指定的間隔內套用一致的值,而且不會在其他位置套用任何值。 最簡單的矩形視窗可能以零取代資料序列中的 n 個值,使得訊號如同突然開啟和關閉一樣。

    矩形視窗亦稱為 箱車狄氏視窗

    三角形:三角形視窗以逐步方式套用篩選係數。 目前的值會出現在三角形的尖峰,然後再隨著先前或之後的值下降。

    :在某些應用程式中,最好不要使用任何視窗化函數。 例如,如果您分析的訊號已代表視窗或叢發,則套用視窗函數會使訊號雜訊比惡化。

  4. 在 [ 篩選器類型] 中,選取定義篩選準則套用方式的選項。 您可以指定濾波器,使其能排除目標值,變更值、拒絕值或傳遞值。

    低通:「低通」表示篩選準則會傳遞較低的值,並移除較高的值。 例如,您可以使用這個來移除信號的高頻率雜訊和資料尖峰。

    此濾波器類型對資料的效應較平滑。

    高通:「高階行程」表示篩選準則通過較高的值,並移除較低的值。 您可以使用此從信號中移除低頻率的資料,例如偏差或位移。

    此濾波器類型能保留訊號中的突變和尖峰。

    帶通濾波器:「頻外」表示它會將指定的值範圍傳遞給透過,並移除其他的值。 您可以使用此篩選器,在高通和低通篩選之間的交集處,保留具有頻率特性的信號中的資料。

    帶通濾波器是結合高通和低通濾波器而建立。 高通濾波器截止頻率代表低截止,而低通濾波器頻率代表高截止。

    此濾波器類型很適合消除偏差和平化訊號。

    帶阻濾波器:「頻外停止」表示它會封鎖指定的 sigals。 換句話說,它會從具有低通過和高通篩選器所拒絕的頻率特性的信號中移除資料。

    此濾波器類型很適合保留訊號的偏差和突變。

  5. 視您選擇的篩選類型而定,您必須設定一或多個截止值。

    使用 [ 高截止 ] 和 [ 低] 截止 選項來定義值的上限和/或下限閾值。 其中一個或兩個選項都需要指定哪些值會被拒絕或傳遞。 帶阻濾波器帶通濾波器 篩選準則會要求您設定最高和最低的截止值。 其他篩選器類型(例如 低通 濾波器)要求您只設定低截止值。

  6. 如果應該將調整套用至係數,請選取 [ 調整 ] 選項;否則保留空白。

  7. 連接篩選器以套用 篩選,並串連資料組。

    使用資料行選取器來指定應套用篩選的資料行。 依預設,套用 篩選 模組會針對所有選取的數值資料行使用篩選。

  8. 執行實驗。

    在您將資料集連接至套用 篩選 模組並執行實驗之前,不會執行任何計算。 此時,指定的轉換會套用至選取的數值資料行。

注意

杉樹篩選 」模組不提供建立指標資料行的選項。 資料行值一律會就地轉換。

範例

如需如何在機器學習中使用篩選器的範例,請參閱 AZURE AI 資源庫中的這項實驗:

  • 篩選:此實驗會使用工程波形資料集,示範所有篩選類型。

技術說明

本節包含對常見問題的執行詳細資料、秘訣和解答。

實作詳細資料

FIR 濾波器具有下列特性:

  • FIR 濾波器沒有回授,也就是說,它們使用先前的濾波器輸出。
  • FIR 濾波器很穩定,因為脈衝響應一律會傳回 0。
  • FIR 濾波器需要較高階次才能達到與無限脈衝響應 (IIR) 濾波器同樣的選擇性。
  • 與其他濾波器一樣,FIR 濾波器可設計特定的截止頻率,以保留或拒絕構成訊號的頻率。

在篩選視窗上計算係數

視窗類型決定選擇性 (完全允許或拒絕頻率的過渡頻帶寬度) 和抑制 (拒絕的頻率總衰減) 之間的取捨。 視窗化函數套用至理想濾波器響應,以強制響應頻率在窗口之外為零。 係數是透過取樣視窗內的頻率響應而選取。

FIR 濾波器 模組所傳回的係數數目等於濾波器階次加一。 係數值取決於濾波器參數和視窗化方法,而且是對稱的以保證線性相位響應

係數的調整

杉樹篩選 」模組會傳回所建立之篩選準則的篩選係數或點按加權。

係數是根據您輸入的參數 (例如階次),由濾波器決定。 如果您想要指定自訂係數,請使用 使用者定義的篩選 模組。

當 [ 數位數] 設定為 [ True] 時,就會將篩選係數正規化,讓篩選準則的大小回應在通帶的中心頻率為0。 Azure Machine Learning Studio (傳統) 中的正規化實與 MATLAB 中的 fir1 函式相同。

一般而言,在視窗的設計方法中,您可以設計出理想的無限脈衝響應 (IIR) 濾波器。 視窗函數可套用至時間區域中的波形,並使無限脈衝響應與視窗函數相乘。 這會導致 IIR 濾波器的頻率響應與視窗函數的頻率響應捲繞在一起。 不過,在「杉樹」篩選器的情況下,會在套用篩選時捲繞輸入和篩選係數 (或分流權數) 。

選擇性和停止頻外衰減

下表使用不同的視窗化方法,比較長度為 n 的 FIR 濾波器的選擇性與阻帶衰減:

視窗類型 過渡區 最小阻帶衰減
矩形 0.041n 21 dB
Triangle 0.11n 26個資料庫
韓恩 0.12n 44資料庫
漢明 0.23n 53資料庫
布雷克門 0.2n 75資料庫

模組參數

Name 範圍 類型 預設 描述
>= 4 整數 5 指定濾波器階次
時間範圍 任意 WindowType 指定要套用的視窗類型
篩選類型 任意 FilterType LowPass 選取要建立的濾波器類型
低截止 [double.Epsilon;.9999999] Float 0.3 設定低截止頻率
高截止 [double.Epsilon;.9999999] Float 0.7 設定高截止頻率
調整 任意 布林值 True 如果為 true,將會正規化濾波器係數

輸出

名稱 類型 描述
Filter IFilter 介面 濾波器實作

例外狀況

例外狀況 描述
NotInRangeValue 如果參數不在範圍內,就會發生例外狀況。

如需 Studio (傳統) 模組特定的錯誤清單,請參閱 機器學習錯誤碼

如需 API 例外狀況的清單,請參閱 機器學習 REST API 錯誤碼

另請參閱

濾波器
套用篩選
A-Z 模組清單