高周波エンジニアのためのAI・機械学習入門（13）主成分分析（PCA、教師なし学習）でバンドパスフィルタ（BPF)の次数が異なるもの（減衰がちがうもの）を２軸で特徴付けできるかPythonとscikit-learnでやってみる。かなり綺麗に分かれた。

さて今回は主成分分析。

主成分分析とは? 例を使って活用方法とメリットをわかりやすく解説

高周波用途でぱっと思いつくのは、RFモジュールのように複数の測定項目があるものを少ない軸で特徴付けること。

だが、いい例がない（そもそも実際の測定値だせないし）。

そこで、バンドパスフィルタで次数が異なって減衰が異なるものの周波数特性を与えてどうなるかやってみた。

次数が3,5,7の時の代表的な波形。

これを中心周波数や帯域も乱数で振ったモンテカルロシミュレーションでデータを作った。

PCAはscikit-learnで簡単にできる。

https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html

コードはこんな感じ。

import numpy as np

import matplotlib.pyplot as plt

from sklearn.preprocessing import StandardScaler

from sklearn.decomposition import PCA

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

data = data_label["data"]

label = data_label["label"]

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

scaler = StandardScaler()

scaler.fit(data)

X_scaled = scaler.transform(data)

pca = PCA(n_components=2)

pca.fit(X_scaled)

X_pca = pca.transform(X_scaled)

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

plt.scatter(X_pca[np.argwhere(label==3)[:,0],0], X_pca[np.argwhere(label==3)[:,0],1], c="r", label="3rd")

plt.scatter(X_pca[np.argwhere(label==5)[:,0],0], X_pca[np.argwhere(label==5)[:,0],1], c="g", label="5th")

plt.scatter(X_pca[np.argwhere(label==7)[:,0],0], X_pca[np.argwhere(label==7)[:,0],1], c="b", label="7th")        

plt.legend()

plt.grid()

plt.xlabel("PC1")

plt.ylabel("PC2")

結果。おお、綺麗に分かれた。分離するだけなら１軸で行けるな。

それぞれの軸の係数をプロットすると、PC1は減衰量そのもの、PC2は落ちかけのところのばらつきを見ている感じか。減衰が深い物はばらつきがおおきいので上のグラフは納得。