高周波エンジニアのためのAI・機械学習入門（18）パッチアンテナ設計モジュールをPythonで作ったので、電気的に測定できる入力インピーダンス、共振周波数を与えて指向性(Directivity)をKeras3.0を用いたディープラーニング（DNN)による回帰で予測する。

さて前回はパッチサイズ(W、L)、基板厚みh、共振周波数を与えて基板誘電率が予測できるかやってみた。

今回は電気的に測定できる入力インピーダンスRinと共振周波数f0のみを与えて指向性が予測できるかやってみる。

学習データはいつものようにモンテカルロシミュレーションで作る。

import numpy as np

import patchantenna as pa

#モンテカルロシミュレーションでは基板比誘電率、厚み、中心周波数を乱数で振るが、それの最大最小

ermin = 2.0

ermax = 10.0

hmin = 0.1

hmax = 1.0

f0min = 1

f0max = 10

#モンテカルロシミュレーションでデータ作成して保存する。

#周波数と入力インピーダンスを与えて指向性を予測する。

N = 10000

np.random.seed(1)

data = np.empty((0, 2))

label = np.empty((0, 1))

for i in range(N):

    er = ermin + (ermax - ermin) * np.random.rand()

    h = hmin + (hmax - hmin) * np.random.rand()

    f0 = f0min + (f0max - f0min) * np.random.rand()    

    ant = pa.PatchAntenna(er, h, f0)

    Rin = ant.input_impedance()

    direc = ant.directivity()

    data = np.vstack((data, np.array([Rin, f0])))

    label = np.vstack((label, direc))

#保存

np.savez_compressed("directivity.npz", data=data, label=label)

そしてKeras3.0を用いたディープラーニング(DNN)で予測する。
まずデータを読み込み、訓練データとテストデータに分ける。

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("directivity.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)

次にモデルを作る。セル数64の3層のモデル。

#正規化

normalizer = keras.layers.Normalization()

normalizer.adapt(x_train)

# Functional APIでDense層を3層にしたDNNを設定

hidden_dim = 64

inputs = keras.Input(shape=(2,))

x = normalizer(inputs)

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

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

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

outputs = keras.layers.Dense(1)(x)

#　モデルの設定

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

model.compile(loss = 'mean_squared_error' ,optimizer=keras.optimizers.Adam())

そして学習させる。

batch_size = 32

epochs = 100

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))

R2score99.7%となかなかいい結果になった。

では図示して確認してみる。

legend = ["Directivity"]

fig, ax = plt.subplots(1, 2, figsize=(12,6))

maxvalue = y_pred.max()

ax[0].scatter(y_pred, y_test, c="r", s=5)

ax[0].plot([0,maxvalue], [0,maxvalue], "--", c="black")

ax[0].set_xlabel("推定した値", fontname='MS Gothic')

ax[0].set_ylabel("実際の値", fontname='MS Gothic')

ax[0].set_xlim(5, maxvalue)

ax[0].set_ylim(5, maxvalue)

ax[0].grid()

ax[0].legend([legend[0] + f" 平均誤差{error.mean():.2f}%"], prop={"family":"MS Gothic"})

ax[1].hist(error, bins = 100)

ax[1].set_xlabel("誤差[%]", fontname='MS Gothic')

ax[1].set_ylabel("頻度", fontname='MS Gothic')

ax[1].grid()

fig.tight_layout()

plt.show()

これだけ合っていれば使えそう。次の題材は伝送線路かな。