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。

前回のフィルタの種類の分類は簡単すぎるのか精度100%になって面白くない。

高周波エンジニアのためのAI・機械学習入門（7）教師あり学習でフィルタ特性（LPF, BPF, HPF)が分類できるかをPythonとKeras 3.0を使ってディープラーニング（DNN)でやってみた。バリデーションもテストも精度100%になった。人間が一目でわかるものはAIにも簡単なのか。

そこでもうちょっと微妙な例としてバンドパスフィルタ（BPF）の中心周波数が微妙にずれてNGになることが判定できるかをやってみる。

10000個データとってもこんな感じで微妙なずれだが、90％が良品、10％が不良品のようなデータになっている。

入力はこのSパラメータで、出力はGが1、NGが0の二値になっている。

DNNのコードはこんな感じで、今までと違うのはロスがbinary crossentropyになっている。

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("G_NG.npz")

data = data_label["data"]

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Dense層＋ドロップアウト層(今回使わず)を3層にしたDNNを設定

hidden_dim = 200

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

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

x = keras.layers.Dense(hidden_dim, activation="relu")(x)

#x = keras.layers.Dropout(0.5)(x)

x = keras.layers.Dense(hidden_dim, activation="relu")(x)

#x = keras.layers.Dropout(0.5)(x)

x = keras.layers.Dense(hidden_dim, activation="relu")(x)

#x = keras.layers.Dropout(0.5)(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 = 100

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。97%強の精度。まあまあだがこれでは実際には使えないなあ。次はCNNで改善できないか見てみる。