Filtr FIR

Tworzy filtr odpowiedzi z skończonym impulsem do przetwarzania sygnału

Kategoria: Przekształcanie/filtrowanie danych

Omówienie modułu

W tym artykule opisano sposób używania modułu FIR Filter w programie Machine Learning Studio (wersja klasyczna) do definiowania rodzaju filtru nazywanego filtrem fir impulse response (FIR). Filtry FIR mają wiele aplikacji do przetwarzania sygnałów i są najczęściej używane w aplikacjach, które wymagają odpowiedzi fazy liniowej. Na przykład filtr może być stosowany do obrazów używanych w opiece zdrowotnej w celu ujednolić ogólny obraz, wyeliminować szum lub skupić się na obiekcie obrazów.

Po zdefiniowanym filtrze przetwarzania sygnału cyfrowego możesz zastosować filtr do danych, łącząc zestaw danych i filtr z modułem Zastosuj filtr . Możesz również zapisać filtr do ponownego użycia z podobnymi zestawami danych.

Jak skonfigurować filtr FIR

1. Dodaj moduł FIR Filter (Filtr FIR ) do eksperymentu. Ten moduł można znaleźć w obszarze Przekształcanie danych w kategorii Filtr.

2. W poleceniu Order wpisz wartość całkowitą, która definiuje liczbę aktywnych elementów używanych do wpływania na odpowiedź filtru. Kolejność filtru reprezentuje długość okna filtru.

   W przypadku filtru FIR minimalna kolejność to 4.

3. W przypadku okna wybierz kształt danych, do których zostanie zastosowany filtr. Machine Learning obsługuje następujące typy funkcji obsługi okien do użycia w skończonych filtrach odpowiedzi impulsowych:

   Hamming: Uogólnione okno hammingu zapewnia typ uśredniania ważonego, który jest często używany w przetwarzaniu obrazów i przetwarzaniu obrazów.

   Blackman: okno Blackmana stosuje do sygnału sprawnie zwężaną funkcję krzywej. Okno Blackman ma lepszą attenuację stopband niż inne typy okien.

   Prostokątne: prostokątne okno stosuje spójną wartość wewnątrz określonego interwału i nie stosuje żadnej wartości w innym miejscu. Najprostsze prostokątne okno może zastąpić n wartości w sekwencji danych zerami, co sprawia, że są one wyświetlane tak, jakby sygnał nagle się włączał i wyłączał.

   Prostokątne okno jest również znane jako okno boxcarlub Dirichlet.

   Trójkątne: trójkątne okno stosuje współczynniki filtru w sposób krokowy. Bieżąca wartość pojawia się na początku trójkąta, a następnie następuje spadek z poprzednimi lub następującymi wartościami.

   Brak: w niektórych aplikacjach lepiej nie używać żadnych funkcji obsługi okien. Jeśli na przykład analizowy sygnał reprezentuje już okno lub wzrost, zastosowanie funkcji okna może pogorszyć stosunek sygnału do szumu.

4. W ustawieniach Typ filtru wybierz opcję, która definiuje sposób stosowania filtru. Możesz określić, że filtr wyklucza wartości docelowe, zmienia wartości, odrzuca je lub je przekazywać.

   Lowpass: "Low pass" oznacza, że filtr przechodzi przez niższe wartości i usuwa wyższe wartości. Można na przykład użyć tej funkcji, aby usunąć z sygnału szum o wysokiej częstotliwości i wartości szczytowe danych.

   Ten typ filtru ma wpływ na dane.

   Highpass: "High pass" oznacza, że filtr przechodzi przez wyższe wartości i usuwa niższe wartości. Umożliwia to usunięcie danych o niskiej częstotliwości, takich jak odchylenie lub przesunięcie, z sygnału.

   Ten typ filtru zachowuje nagłe zmiany i wartości szczytowe w sygnałie.

   Pasm: "Pasmowe przejście" oznacza, że przechodzi on przez określony pas wartości i usuwa inne. Ten filtr umożliwia zachowanie danych z sygnału o właściwościach częstotliwości na przecięciu między filtrami highpass i lowpass.

   Filtry pasm są tworzone przez połączenie filtru highpass i lowpass. Częstotliwość wycięcia filtru highpass reprezentuje niższą wartość ciętą, a częstotliwość filtrowania dolnego przejścia reprezentuje większą wartość ciwą.

   Ten typ filtru jest dobry w przypadku usuwania stronniczości i wygładniania sygnału.

   Bandstop: "Zatrzymanie pasma" oznacza, że blokuje określone westygie. Innymi słowy, usuwa dane z sygnału o właściwościach częstotliwości, które są odrzucane przez filtry niskiego przebiegu i wysokiego poziomu.

   Ten typ filtru dobrze zachowuje odchylenie sygnału i nagłe zmiany.

5. W zależności od wybranego typu filtru należy ustawić co najmniej jedną wartość obciętą.

   Użyj opcji Wysokie próg iNiski próg, aby zdefiniować górny i/lub dolny próg dla wartości. Co najmniej jedna z tych opcji jest wymagana do określenia, które wartości są odrzucane lub przekazywane. Filtr pasmowy lub pasm wymaga ustawienia zarówno wartości wysokich, jak i niskich wartości odciętych. Inne typy filtrów, takie jak filtr lowpass , wymagają ustawienia tylko niskiej wartości wycięcia.

6. Wybierz opcję Skaluj , jeśli skalowanie ma zostać zastosowane do współczynników. w przeciwnym razie pozostaw puste.

7. Połączenie filtru, aby zastosować filtr, i połącz zestaw danych.

   Użyj selektora kolumn, aby określić kolumny, do których ma zostać zastosowany filtr. Domyślnie moduł Zastosuj filtr będzie używać filtru dla wszystkich wybranych kolumn liczbowych.

8. Uruchom eksperyment.

   Obliczenia nie są wykonywane do momentu połączenia zestawu danych z modułem Zastosuj filtr i uruchomienia eksperymentu. W tym momencie określone przekształcenie jest stosowane do wybranych kolumn liczbowych.

Przykłady

Przykłady stosowania filtrów w uczeniu maszynowym można znaleźć w tym eksperymencie w Azure AI Gallery:

• Filtry: w tym eksperymencie pokazano wszystkie typy filtrów przy użyciu zestawu danych w formach falowych.

Uwagi techniczne

Ta sekcja zawiera szczegóły implementacji, porady i odpowiedzi na często zadawane pytania.

Szczegóły implementacji

Filtry FIR mają następujące cechy:

• Filtry FIR nie mają opinii; oznacza to, że używają poprzednich danych wyjściowych filtru.
• Filtry FIR są bardziej stabilne, ponieważ odpowiedź pulsu zawsze wróci do 0.
• Filtry FIR wymagają większej kolejności, aby osiągnąć taką samą selektywność jak filtry nieskończonej odpowiedzi pulsu (IIR).
• Podobnie jak inne filtry, filtr FIR można zaprojektować z określoną częstotliwością obcięcia, która zachowuje lub odrzuca częstotliwości, które tworzą sygnał.

Obliczanie współczynników w oknie filtru

Typ okna określa różnicę między chylnością (szerokością pasma przejściowego, w którym częstotliwości nie są w pełni akceptowane ani odrzucane) i pomijania (łączna attenuacja częstotliwości do odrzucenia). Funkcja obsługi okien jest stosowana do idealnej odpowiedzi filtru, aby wymusić częstotliwość odpowiedzi na zero poza oknem. Współczynniki są wybierane przez próbkowanie odpowiedzi częstotliwości w oknie.

Liczba współczynników zwracanych przez moduł FIR Filter jest równa kolejności filtrowania plus jeden. Wartości współczynnika są określane przez parametry filtru i metodę obsługi okien oraz są symetryczne w celu zagwarantowania odpowiedzi fazy liniowej

Skalowanie współczynników

Moduł FIR Filter zwraca współczynniki filtru lub naciska wagi dla utworzonego filtru.

Współczynniki są określane przez filtr na podstawie wprowadzanych parametrów (takich jak kolejność). Jeśli chcesz określić współczynniki niestandardowe, użyj modułu Filtr zdefiniowany przez użytkownika.

Gdy ustawienie Skala ma wartość Prawda, współczynniki filtru zostaną znormalizowane w taki sposób, że odpowiedź filtra o wielkości z częstotliwością środkową pasm wynosi 0. Implementacja normalizacji w programie Machine Learning Studio (wersja klasyczna) jest taka sama jak w funkcji fir1 w programie MATLAB.

Zazwyczaj w metodzie projektowania okien projektowany jest idealny filtr nieskończonej odpowiedzi pulsu (IIR). Funkcja window jest stosowana do fali w domenie czasu i mnoży nieskończoną odpowiedź pulsu przez funkcję okna. Powoduje to, że odpowiedź frequency filtru IIR jest konwersowana z odpowiedzią frequency funkcji okna. Jednak w przypadku filtrów FIR współczynniki danych wejściowych i filtru (lub wagi naciśnięcia) są konwersowane podczas stosowania filtru.

Selektywność i zatrzymywanie attenuacji pasma

W poniższej tabeli porównano selekcyjność z zatrzymaniem attenuacji pasma dla filtru FIR o długości n przy użyciu różnych metod obsługi okien:

Parametry modułu

Dane wyjściowe

Wyjątki

Aby uzyskać listę błędów specyficznych dla modułów programu Studio (wersja klasyczna), zobacz Machine Learning Kodów błędów.

Aby uzyskać listę wyjątków interfejsu API, zobacz Machine Learning API REST Error Codes (Kody błędów interfejsu API REST).

Zobacz też

Filtr
Zastosuj filtr
Lista modułów A–Z