« なか卯でまぐろ山かけ丼をいただく。錦糸卵がいい感じで美味しい。 | トップページ | 高周波・RFニュース 2024年8月13日 Qualcommと富士通のMassive MIMO, OpenRAN無線ユニット、AMDがSilo AIの買収完了、ヴァージニアダイオードのCOOが語る今後のミリ波・テラヘルツ、Wi-Fi7解説、Lava Blaze X 5G分解 »

2024年8月12日 (月)

高周波エンジニアのためのAI・機械学習入門(5)PythonとKeras3.0を使ってこれまでとは逆に3次のLCバンドパスフィルタ(BPF)のL,Cの素子の値6個から200個×4個のSパラメータ周波数特性(S11,S21)をディープラーニング(DNN)で推定する。Functional APIで複数出力できる。

さて、これまではSパラメータの値を与えてLCバンドパスフィルタのL,Cの素子の値を推定することをしてきた。

高周波エンジニアのためのAI・機械学習入門(2)PythonとKeras3.0を使ってディープラーニング(DNN)で3次のLCバンドパスフィルタ(BPF)のSパラメータの値から素子の値(L、C)を推定する。 

高周波エンジニアのためのAI・機械学習入門(3)PythonとKeras3.0を使って畳み込みニューラルネットワーク(CNN)で3次のLCバンドパスフィルタ(BPF)のSパラメータを画像と見なして素子の値(L、C)を推定する。

高周波エンジニアのためのAI・機械学習入門(4)PythonとKeras3.0を使って回帰型ニューラルネットワーク(RNN)の一種LSTM(長・短期記憶)で3次のLCバンドパスフィルタ(BPF)のSパラメータを時系列データと見なして素子の値(L、C)を推定する。

逆にL,Cの素子の値を与えてSパラメータが推定できるかをやってみよう。実はKerasでSequentialモデルではなくてFunctional APIを使っていたのは複数の出力に対応できるようにするためだった。outputをリストにすると複数出力できる。


import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
import os
os.environ["KERAS_BACKEND"] = "tensorflow"
import keras

data_label = np.load("data_label.npz")
data = data_label["data"]
label = data_label["label"]
x_train, x_test, y_train, y_test = train_test_split(label, data, test_size=0.3, random_state=0)
y_train_list = [10*np.log10(y_train[:, : ,1]**2 + y_train[:, :, 2]**2), np.angle(y_train[:, :, 1] + 1j*y_train[:, : ,2]),
                10*np.log10(y_train[:, : ,3]**2 + y_train[:, :, 4]**2), np.angle(y_train[:, :, 3] + 1j*y_train[:, : ,4])]
y_test_list = [10*np.log10(y_test[:, : ,1]**2 + y_test[:, :, 2]**2), np.angle(y_test[:, :, 1] +1j*y_test[:, : ,2]),
                10*np.log10(y_test[:, : ,3]**2 + y_test[:, :, 4]**2), np.angle(y_test[:, :, 3]+1j*y_test[:, : ,4])]

n = y_test_list[0].shape[0]
points =  y_test_list[0].shape[1]

S21err = np.zeros(n)

def S21errorPlot(S21test, S21predict):

    for i in range(n):
        S21err[i] =np.abs(np.max(S21test[i, :]) - np.max(S21predict[i, :]))

    plt.hist(S21err, bins = 100, color="red", range=[0,5])
    plt.xlabel("通過域の誤差[dB]", fontname='MS Gothic')
    plt.ylabel("頻度", fontname='MS Gothic')
    plt.grid()
    plt.show()

 

でモデルはDNNを使う。今回はL,Cの値がだいぶ違うので正規化は必須。

#正規化
normalizer = keras.layers.Normalization()
normalizer.adapt(x_train)

# Functional APIでDense層を3層にしたDNNを設定
hidden_dim = 200
inputs = keras.Input(shape=(6,))
x = normalizer(inputs)
x = keras.layers.Dense(hidden_dim, activation="relu")(x)
x = keras.layers.Dense(hidden_dim, activation="relu")(x)
x = keras.layers.Dense(hidden_dim, activation="relu")(x)
outputs = [keras.layers.Dense(points)(x) for i in range(4)]


# モデルの設定
model = keras.Model(inputs=inputs, outputs=outputs)
model.compile(loss = 'mean_squared_error' ,optimizer=keras.optimizers.Adam())
model.summary()

Dnnspara6

学習はこんな感じで。

batch_size = 32
epochs = 2000

keras.utils.set_random_seed(1)
history = model.fit(
    x_train,
    y_train_list,
    batch_size=batch_size,
    epochs=epochs,
    validation_split=0.15,
)
y_pred_list = model.predict(x_test)

S11predict = y_pred_list[0]
S11test = y_test_list[0]
S21predict = y_pred_list[2]
S21test = y_test_list[2]

S21errorPlot(S21test, S21predict)

 

周波数帯域内の誤差の平均値。0.5dBくらいか…あまりよくないように見えるが、

Dnnspara5

いくつか波形をプロットすると

Dnnspara2 Dnnspara4 Dnnspara1 Dnnspara3

波形の特徴は結構つかんでるな。6つのパラメータだけからこれが推定できるのはまずまずではなかろうか。

« なか卯でまぐろ山かけ丼をいただく。錦糸卵がいい感じで美味しい。 | トップページ | 高周波・RFニュース 2024年8月13日 Qualcommと富士通のMassive MIMO, OpenRAN無線ユニット、AMDがSilo AIの買収完了、ヴァージニアダイオードのCOOが語る今後のミリ波・テラヘルツ、Wi-Fi7解説、Lava Blaze X 5G分解 »

パソコン・インターネット」カテゴリの記事

学問・資格」カテゴリの記事

日記・コラム・つぶやき」カテゴリの記事

コメント

コメントを書く

(ウェブ上には掲載しません)

« なか卯でまぐろ山かけ丼をいただく。錦糸卵がいい感じで美味しい。 | トップページ | 高周波・RFニュース 2024年8月13日 Qualcommと富士通のMassive MIMO, OpenRAN無線ユニット、AMDがSilo AIの買収完了、ヴァージニアダイオードのCOOが語る今後のミリ波・テラヘルツ、Wi-Fi7解説、Lava Blaze X 5G分解 »

最近の記事

2025年2月
            1
2 3 4 5 6 7 8
9 10 11 12 13 14 15
16 17 18 19 20 21 22
23 24 25 26 27 28  

最近のコメント

無料ブログはココログ
フォト