高周波エンジニアのためのAI・機械学習入門（9）教師あり学習でバンドパスフィルタ（BPF）の中心周波数ずれのG／NG判定をPythonとKeras 3.0を使って畳み込みニューラルネットワーク（CNN）で行う。精度が99%を超えるようになった。

前回はディープラーニング（DNN)でG/NG判定をやってみた。精度が97%台といまひとつだった。

高周波エンジニアのためのAI・機械学習入門（8）教師あり学習でバンドパスフィルタ（BPF）の中心周波数ずれのG／NG判定をPythonとKeras 3.0を使ってディープラーニング（DNN）で行う 

今回は畳み込みニューラルネットワーク（CNN）を使おう。

こういうバンドパスフィルタ（BPF)で10％だけ周波数ずれ不良が起きている状態でG/NG判定の精度を見てみる。

コードはこんな感じで

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("G_NG.npz")

data = data_label["data"].reshape(-1,200,5,1)

label = data_label["label"]

x_train, x_test, y_train, y_test = train_test_split(data, label, test_size=0.3, random_state=0)

# Functional APIでCNNを設定

inputs = keras.Input(shape=(200, 5, 1))

x = keras.layers.Conv2D(64, kernel_size=(10, 2), activation="relu")(inputs)

x = keras.layers.Conv2D(64, kernel_size=(10, 4), activation="relu")(x)

x = keras.layers.Flatten()(x)

outputs = keras.layers.Dense(1, activation="sigmoid")(x)

#　モデルの設定

model = keras.Model(inputs=inputs, outputs=outputs)

model.compile(optimizer=keras.optimizers.Adam(), loss=keras.losses.BinaryCrossentropy(),    

            metrics=[keras.metrics.BinaryAccuracy(),])

batch_size = 32

epochs = 50

keras.utils.set_random_seed(1)

model.fit(

    x_train,

    y_train,

    batch_size=batch_size,

    epochs=epochs,

    validation_split=0.15,

)

score = model.evaluate(x_test, y_test, verbose=0)

print(f"Test Score{score}")

結果はこちら。

99.4%くらいまでいってる。これなら予備的な判定としては使えるかもしれない。

ここまでは教師あり学習だったが、次は教師なし学習をやってみよう。