高周波エンジニアのためのAI・機械学習入門（10） Pythonの時系列用ライブラリtsleanを使ってRFフィルタ（LPF、BPF、HPF）のSパラメータ周波数特性がクラスタリング（教師なし学習）できるか見てみる。まずはTime Series K-means法で。

前回までは全て教師あり学習だったが、今回は教師なし学習。

Pythonのライブラリtslearnは時系列データのクラスタリングなどができる。

https://tslearn.readthedocs.io/en/stable/#

Sパラメータの周波数特性を時系列と見なしてこれを適用してみよう。

入力データは以前作ったローパスフィルタ、バンドパスフィルタ、ハイパスフィルタが混在したもの。

高周波エンジニアのためのAI・機械学習入門（6）教師あり学習で分類をするためのデータ作成として、Pythonとscikit-rfで作ったLCフィルタ合成ライブラリfiltersynthを使ってモンテカルロシミュレーションでLPF、BPF、HPFをたくさん作ってSパラ入力、出力OneHot表現で分類を行う。

これを一番簡単なアルゴリズムTime Series K-means法でクラスタリングしてみる。ユークリッド距離を使う。

https://tslearn.readthedocs.io/en/stable/gen_modules/clustering/tslearn.clustering.TimeSeriesKMeans.html

コードはこんな感じで。

import numpy as np

import matplotlib.pyplot as plt

from tslearn.utils import to_time_series

from tslearn.clustering import TimeSeriesKMeans

from tslearn.clustering import KShape

from tslearn.preprocessing import TimeSeriesScalerMeanVariance

data_label = np.load("filter_classification.npz")

data = data_label["data"]

s21dB = 10*np.log10(data[:, :, 3]**2 + data[:, :, 4]**2)

s21dB = to_time_series(s21dB)

n = 3

s21dB_scaled = TimeSeriesScalerMeanVariance().fit_transform(s21dB)

km = TimeSeriesKMeans(n_clusters=n, verbose=True, random_state=42)

pred = km.fit_predict(s21dB_scaled)

freq = np.linspace(0.1,20,s21dB.shape[1])

fig = plt.figure(figsize=(12,4))

for yi in range(n):

    plt.subplot(1, 3, yi + 1)

    for xx in s21dB[pred == yi]:

        plt.plot(freq, xx.ravel(), "b-", alpha=.1)

        plt.ylim(-60, 0)

        plt.xlabel("Frequency[GHz]")

        plt.ylabel("S21[dB]")

        plt.grid(True)

    plt.text(0.55, 0.25,'Cluster %d' % (yi + 1),transform=plt.gca().transAxes)

plt.tight_layout()

まずは3クラスタに分けてみる。

うーん混ざってるな…もうちょっとクラスタを増やして9クラスタにしてみる。

これは完全に分類できているな。ローパスの浅いのと深いのまで分類できている。

次は別のアルゴリズム、K-shape法を試してみる。