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。

前回はDNNを使って素子の値を推定した。

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。　

今回は畳み込みニューラルネットワーク（CNN=Convolutional Newral Network)を使ってみよう。

畳み込みニューラルネットワーク (Convolutional Neural Networks)

これは画像でよく使われる方式で、例えば2次元の場合は画像の縦・横サイズに加えて色情報があるようなデータ形式になっている。

今回のSパラメータの形式は

正規化した周波数、S11実部、S11虚部、S21実部、S21虚部

のような形で(データ数、200、５）のような形式なので、ダミーの次元を1つ付け加えて画像のように扱う。reshapeしている部分がそれに相当する。

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"].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)

CNNのモデルは以下の通り。

# 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(6)(x)

#　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()

これでfitして学習させると

batch_size = 32

epochs = 300

keras.utils.set_random_seed(1)

history = model.fit(

    x_train,

    y_train,

    batch_size=batch_size,

    epochs=epochs,

    validation_split=0.15,

)

y_pred = model.predict(x_test)

metric = keras.metrics.R2Score()

metric.update_state(y_test, y_pred)

result = metric.result()

print(result)

error = np.abs((y_test - y_pred)/y_test*100)

print(error.mean(axis=0))

R2は0.9955で、推定値と正解をプロットした結果はこうなった。

うーん、DNNよりちょっと良くなったけど数倍時間掛かってるしな。とりあえず次はRNN(回帰型ニューラルネットワーク）を試してみよう。