IIR Filter

Crea un filtro a risposta all'impulso infinita per l'elaborazione dei segnali

Categoria: Trasformazione dati/Filtro

Panoramica del modulo

Questo articolo descrive come usare il modulo Filtro IIR in Machine Learning Studio (versione classica), per creare un filtro di risposta a impulsi infinito (IIR).

I filtri sono uno strumento importante nell'elaborazione del segnale digitale e vengono usati per migliorare i risultati del riconoscimento dell'immagine o della voce. In generale, un filtro è una funzione di trasferimento che accetta un segnale di input e crea un segnale di output in base alle caratteristiche del filtro. Per altre informazioni generali sull'utente dei filtri nell'elaborazione del segnale digitale, vedere Filtro.

Un filtro IIR è un particolare tipo di filtro; gli usi tipici di un filtro IIR sarebbero per semplificare i dati ciclici che includono rumore casuale su una tendenza in costante aumento o diminuzione. Il filtro IIR creato con questo modulo definisce un set di costanti (o coefficienti) che modificano il segnale passato. La parola infinito nel nome fa riferimento al feedback tra gli output e i valori delle serie.

Dopo aver definito un filtro che soddisfi le esigenze, è possibile applicare il filtro ai dati connettendo un set di dati e il filtro al modulo Applica filtro .

Dopo aver definito un filtro che soddisfi le esigenze, è possibile applicare il filtro ai dati connettendo un set di dati e il filtro al modulo Applica filtro .

Come configurare il filtro IIR

1. Aggiungere il modulo Filtro IIR all'esperimento. È possibile trovare questo modulo in Trasformazione dati nella categoria Filtro .

2. Per Order digitare un valore integer che definisce il numero di elementi attivi usati per influire sulla risposta del filtro. L'ordine del filtro rappresenta la lunghezza della finestra del filtro.

   Per un filtro IIR, l'ordine minimo è 4.

3. Per Tipo di filtro, scegliere l'algoritmo usato per calcolare i coefficienti di filtro. Il tipo di filtro definisce la funzione di trasferimento matematico che controlla la risposta della frequenza e l'eliminazione della frequenza. Machine Learning supporta questi tipi di filtri comunemente usati nell'elaborazione del segnale digitale:

   Butterworth: un filtro Butterworth è chiamato anche un filtro di grandezza massimamente piatta perché limita la risposta (modifica nel segnale) nella passband e nella fascia di arresto.

   Chebyshev Type 1: i filtri Chebyshev sono destinati a ridurre al minimo gli errori tra l'idealizzazione e le caratteristiche effettive del filtro sull'intervallo del filtro. I filtri Di tipo 1 Chebyshev lasciano più increspature nella passbanda.

   Chebyshev Type 2: i filtri Di tipo 2 Chebyshev hanno le stesse caratteristiche generali dei filtri Type 1 Chebyshev, ma lasciano più increspature nella banda di stop.

4. Per Tipo di filtro selezionare un'opzione che definisce il modo in cui il filtro influisce sui valori nel segnale di input. È possibile specificare che il filtro esclude i valori precedenti o inferiori a un punto di taglio oppure specificare che il filtro rifiuta o passa i valori in un intervallo di frequenza specificato.

   LowPass: consente ai valori a bassa frequenza (sotto il valore di cutoff) di passare e attenuare altri valori.

   HighPass: consente ai valori di frequenza elevata (sopra il valore di cutoff) di passare e attenuare altri valori.

   Bandpass: consente ai segnali nell'intervallo specificato dai valori di taglio basso e elevato di passare e attenuare altri valori.

   BandStop: consente ai segnali all'esterno dell'intervallo specificato dai valori di taglio basso e elevato di passare e attenuare i valori all'interno dell'intervallo.

5. Specificare i valori di taglio elevato o basso o entrambi, come valore compreso tra 0 e 1, che rappresenta una frequenza normalizzata. Per Taglio elevato digitare un valore che rappresenta il limite di frequenza superiore. Per Taglio basso digitare un valore che rappresenta il limite di frequenza inferiore.

6. Per Ripple specificare la quantità di increspature da tollerare quando si definisce il filtro. Increspa si riferisce a una piccola variazione che si verifica periodicamente. Increspatura è in genere considerata un effetto indesiderato, ma è possibile compensare l'increspamento modificando altri parametri di filtro, ad esempio la lunghezza del filtro. Non tutti i filtri producono increspature.

7. Aggiungere il modulo Applica filtro all'esperimento e connettere il filtro progettato e il set di dati contando i valori da modificare.

   Usare il selettore di colonna per specificare le colonne del set di dati a cui deve essere applicato il filtro. Per impostazione predefinita, il modulo Applica filtro userà il filtro per tutte le colonne numeriche selezionate.

8. Eseguire l'esperimento per applicare la trasformazione.

Esempio

Per esempi di come vengono usati i filtri in Machine Learning, vedere questo esperimento nella raccolta di intelligenza artificiale di Azure:

• Filtri: questo esperimento illustra tutti i tipi di filtro usando un set di dati waveform ingegnerizzato.

Note tecniche

Questa sezione contiene i dettagli, i suggerimenti e le risposte all'implementazione alle domande frequenti.

Dettagli dell'implementazione

Un filtro IIR restituisce coefficienti di feedforward e feedbackward, rappresentati tramite una funzione di trasferimento. Di seguito è riportata una rappresentazione di esempio:

Dove:

• N: ordine di filtro

• bi: coefficienti di filtro di avanzamento del feed

• ai: feed di coefficienti di filtro indietro

• x[n]: segnale di input

• y[n]: segnale di output

Parametri del modulo

Output

Eccezioni

Per un elenco di errori specifici dei moduli di Studio (versione classica), vedere Machine Learning Codici di errore.

Per un elenco di eccezioni API, vedere Machine Learning codici di errore dell'API REST.

Vedi anche

Filter
Applica filtro
Elenco moduli A-Z