Pythonの高周波ライブラリscikit-rfを使ってマイクロ波LCフィルタ合成ライブラリ filtersynthを作った。任意の次数のバタワースとチェビシェフタイプのLPF, BPF, HPFを合成して回路定数のリストやSパラメータにして出力できる。

さてこれまで3回でフィルタ合成用の関数を作ってきた。

Pythonの高周波ライブラリscikit-rfを使ってマイクロ波LCフィルタ合成をする(1)プロトタイプLPF（チェビシェフ、バタワース）の素子の値を計算する関数をMatthai, Young & JonesのMicrowave Filters, Impedance-matching networks, and coupling structureを基に作る。

Pythonの高周波ライブラリscikit-rfを使ってマイクロ波LCフィルタ合成をする(2) Circuit機能を使ってL,CをつなげていってLPF（ローパスフィルタ）を合成してSパラメータを得る。チェビシェフとバタワースを比較したり素子の繋がりを図示したり。

Pythonの高周波ライブラリscikit-rfを使ってマイクロ波LCフィルタ合成をする(3) プロトタイプLPFから BPF（バンドパスフィルタ）を設計・合成してチェビシェフとバタワースを比べる。

ここにHPFも加えてモジュール化しよう。

このリンクからダウンロードできる。

ダウンロード - filtersynth.py

使い方はこのファイルを同じディレクトリ、あるいはパスが通っているところに置いて、

import filtersynthとする。

全コードは長いので関数の説明のみ書くと

def prototype_LPF(n, type = "Chebyshev", ripple = 0.1):

    """

    信号源、負荷のインピーダンス1、カットオフ周波数1のプロトタイプLPFの素子の値をndarrayで返す関数

    n : フィルタの次数(チェビシェフの場合、偶数だと負荷のインピーダンスが50Ωになりません)

    type : チェビシェフの場合"Chebyshev", バタワースの場合 "Butterworth"

    ripple : チェビシェフの場合のリップルの大きさをdBで表したもの

    """

def LC_LPF(n, fc, z0 = 50.0, first_element = "series", type = "Chebyshev", ripple = 0.1):

    """

    信号源、負荷の特性インピーダンスZo、カットオフ周波数fcのLPFのL,C素子の値をndarrayで返す関数

    n : フィルタの次数(チェビシェフの場合、偶数だと負荷のインピーダンスが50Ωになりません)

    fc : カットオフ周波数[GHz]

    z0 : 信号源の特性インピーダンス

    first_element : 最初にシリーズのLが来る場合"series", 最初にシャントのCが来る場合"shunt"

    type : チェビシェフの場合"Chebyshev", バタワースの場合 "Butterworth"

    ripple : チェビシェフの場合のリップルの大きさをdBで表したもの

    """

def LC_BPF(n, f0, df, z0 = 50.0, first_element = "series", type = "Chebyshev", ripple = 0.1):

    """

    信号源、負荷の特性インピーダンスZo、中心周波数f0, 帯域幅dfのBPFのL,C素子の値をndarrayで返す関数

    n : フィルタの次数(チェビシェフの場合、偶数だと負荷のインピーダンスが50Ωになりません)

    f0 : 中心周波数[GHz]

    df : 帯域幅[GHz]

    z0 : 信号源の特性インピーダンス

    first_element : 最初にシリーズのLCが来る場合"series", 最初にシャントのLCが来る場合"shunt"

    type : チェビシェフの場合"Chebyshev", バタワースの場合 "Butterworth"

    ripple : チェビシェフの場合のリップルの大きさをdBで表したもの

    """

def LC_HPF(n, fc, z0 = 50.0, first_element = "series", type = "Chebyshev", ripple = 0.1):

    """

    信号源、負荷の特性インピーダンスZo、カットオフ周波数fcのHPFのL,C素子の値をndarrayで返す関数

    n : フィルタの次数(チェビシェフの場合、偶数だと負荷のインピーダンスが50Ωになりません)

    fc : カットオフ周波数[GHz]

    z0 : 信号源の特性インピーダンス

    first_element : 最初にシリーズのLが来る場合"series", 最初にシャントのCが来る場合"shunt"

    type : チェビシェフの場合"Chebyshev", バタワースの場合 "Butterworth"

    ripple : チェビシェフの場合のリップルの大きさをdBで表したもの

    """

def LPF_synthesis(n, fc, fstart, fstop, points,

                  z0=50.0, first_element="series", type = "Chebyshev", ripple = 0.1, name="LPF"):

    """

    LPFを合成し、scikit-rfのCircuitとNetworkとして返す関数

    n : フィルタの次数(チェビシェフの場合、偶数だと負荷のインピーダンスが50Ωになりません)

    fc : カットオフ周波数[GHz]

    fstart : 開始周波数[GHz]

    fstop : 終了周波数[GHz]

    points : 周波数点数

    z0 : 信号源の特性インピーダンス

    first_element : 最初にシリーズのLが来る場合"series", 最初にシャントのCが来る場合"shunt"

    type : チェビシェフの場合"Chebyshev", バタワースの場合 "Butterworth"

    ripple : チェビシェフの場合のリップルの大きさをdBで表したもの

    name : networkの名前

    """

def BPF_synthesis(n, f0, df, fstart, fstop, points, z0=50.0,

                  first_element="series", type = "Chebyshev", ripple = 0.1, name = "BPF"):

    """

    BPFを合成し、scikit-rfのCircuitとNetworkとして返す関数

    n : フィルタの次数(チェビシェフの場合、偶数だと負荷のインピーダンスが50Ωになりません)

    f0 : 中心周波数[GHz]

    df : 帯域幅[GHz]

    fstart : 開始周波数[GHz]

    fstop : 終了周波数[GHz]

    points : 周波数点数

    z0 : 信号源の特性インピーダンス

    first_element : 最初にシリーズのLが来る場合"series", 最初にシャントのCが来る場合"shunt"

    type : チェビシェフの場合"Chebyshev", バタワースの場合 "Butterworth"

    ripple : チェビシェフの場合のリップルの大きさをdBで表したもの

    name : networkの名前

    """

def HPF_synthesis(n, fc, fstart, fstop, points, z0=50.0,

                  first_element="series", type = "Chebyshev", ripple = 0.1, name = "HPF"):

    """

    HPFを合成し、scikit-rfのCircuitとNetworkして返す関数

    n : フィルタの次数(チェビシェフの場合、偶数だと負荷のインピーダンスが50Ωになりません)

    fc : カットオフ周波数[GHz]

    fstart : 開始周波数[GHz]

    fstop : 終了周波数[GHz]

    points : 周波数点数

    z0 : 信号源の特性インピーダンス

    first_element : 最初にシリーズのLが来る場合"series", 最初にシャントのCが来る場合"shunt"

    type : チェビシェフの場合"Chebyshev", バタワースの場合 "Butterworth"

    ripple : チェビシェフの場合のリップルの大きさをdBで表したもの

    name : networkの名前

    """

という7つの関数が使える。

使い方は、例えばLPF、BPF、HPFを合成してグラフにするには

import numpy as np

import matplotlib.pyplot as plt

import skrf as rf

import filtersynth as fs

bpf_cir, bpf_network = fs.BPF_synthesis(3, 5, 0.2*10, 0.1, 20, 200)

lpf_cir, lpf_network = fs.LPF_synthesis(3, 5, 0.1, 20, 200)

hpf_cir, hpf_network = fs.HPF_synthesis(3, 5, 0.1, 20, 200)

bpf_network.plot_s_db(m=1, n=0, logx=True)

lpf_network.plot_s_db(m=1, n=0, logx=True)

hpf_network.plot_s_db(m=1, n=0, logx=True)

plt.ylabel("S21[dB]")

plt.ylim(-50 ,5)

とすると、このようなグラフが得られる。

素子のつながりを見るには以下のようにする。

bpf_cir.plot_graph(network_labels=True, edge_labels=True, port_labels=True)

さて、なぜこのようなライブラリを作ったかというと、AI・機械学習のための前段階だったのだ。

そのシリーズは来週あたりから（続く）