Filtermenetelmät

Filtermenetelmät ovat menetelmiä, joiden tarkoituksena on poistaa tai vähentää ei-toivottua sisältöä signaaleista, datajoukoista tai kuvista sekä parantaa datan käyttökelpoisuutta. Niitä sovelletaan monilla aloilla, kuten elektroniikassa, signaalinkäsittelyssä, tilastotieteessä ja koneoppimisessa. Rakenne ja tavoitteet vaihtelevat käyttökohteen mukaan, mutta pääidea on hallita taustamelua, häiriöitä tai liiallista tietoa.

Signaalin suodatus voidaan jakaa teknisiin ja tilastollisiin menetelmiin. Tekniset suodattimet ovat yleisiä analogisia tai digitaalisen signaalin käsittelyyn ja voivat olla esimerkiksi matalaluku- (low-pass), korkeluku- (high-pass), kaistanläpäisy- (band-pass) tai poikkeuksellinen taajuusalueen suodatus (notch). Tällaisia ovat Butterworth-, Chebyshev- ja Bessel-suodattimet sekä adaptatiiviset suodattimet (esim. LMS, RLS). Kalman-suodatin ja partikkeli-suodatin ovat tilaa estimointiin liittyviä menetelmiä, joita käytetään esimerkiksi ajoitus- ja liikkeenseurantatehtävissä.

Tilastolliset tai ominaisuussidonnaiset filtermenetelmät puolestaan liittyvät ominaisuuksien valintaan datasta ilman mallin oppimista. Ne arvioivat kunkin ominaisuuden relevanssia esimerkiksi korrelaation, tiedon määrän (mutual information) tai khi-neliön perusteella ja asettavat ominaisuudet paremmuusjärjestykseen. Näitä kutsutaan usein suodatinmenetelmiksi feature selection -kontekstissa.

Sovellusesimerkkejä ovat ääni- ja kuvasignaaleiden puhdistus, kuvanparannus, aineisto- ja biosignaalien esikäsittely sekä geotietojen ja taloustietojen analysointi. Tärkeitä ovat suunnittelun tekijät kuten leikkaustaajuus, suodattimen kanta, havaitunvaihe sekä laskennallinen kustannus.

Katso myös digitaalinen signaalinkäsittely, Kalman-suodatin, konvoluutioneurot.