高周波エンジニアのためのAI・機械学習入門（GPU編40） バンドパスフィルタのSパラメータの値から点数を間引いて行ってもとのデータが復元できるかDNN(Deep Neural Networks, PythonとKeras利用）を使ってやってみる。８分の１にしてもいい精度で復元できた。

前回はノイズが入ったデータからノイズのないデータを復元することをやってみた。今回はデータを間引いて行って復元できるかやってみよう。

データは前回と同じLCフィルタのデータ。

コードはこんな感じで。

import os

os.environ["KERAS_BACKEND"] = "jax"

import keras

import jax

from jax import config

config.update("jax_enable_x64", False)

import numpy as np

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

plt.rcParams['font.family'] = 'Noto Sans CJK JP'

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

data = data_label["data"]

div = 8

reduced_data = data[:, ::div, :]

x_train, x_test, y_train, y_test = train_test_split(reduced_data, data, test_size=0.3, random_state=0)

y_train_list = [y_train[:, : ,1], y_train[:, : ,2], y_train[:, : ,3], y_train[:, : ,4]]

y_test_list = [y_test[:, : ,1], y_test[:, : ,2], y_test[:, : ,3], y_test[:, : ,4]]

# Functional APIでDense層を5層にしたDNNを設定

hidden_dim = 2000

points = 200

inputs = keras.Input(shape=(points//div, 5))

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

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

x = keras.layers.LayerNormalization()(x)

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

x = keras.layers.LayerNormalization()(x)

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

x = keras.layers.LayerNormalization()(x)

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

x = keras.layers.LayerNormalization()(x)

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

x = keras.layers.LayerNormalization()(x)

outputs = [keras.layers.Dense(points)(x) for i in range(4)]

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

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

# 学習

epochs = 1000

keras.utils.set_random_seed(1)

history = model.fit(

    x_train,

    y_train_list,

    batch_size=128,

    epochs=epochs,

    validation_split=0.15,

)

y_pred_list = model.predict(x_test)

S11test = 10*np.log10(y_test_list[0]**2 + y_test_list[1]**2)

S21test = 10*np.log10(y_test_list[2]**2 + y_test_list[3]**2)

S11pred = 10*np.log10(y_pred_list[0]**2 + y_pred_list[1]**2)

S21pred = 10*np.log10(y_pred_list[2]**2 + y_pred_list[3]**2)

threshold = 3

# 1. 最大値とインデックス

max_vals = np.max(S21test, axis=1)       # shape: (サンプル数,)

max_indices = np.argmax(S21test, axis=1)

# 2. 下限値

lower_bounds = max_vals - threshold

# 3. 条件マスク

mask = S21test >= lower_bounds[:, None]

# 4. インデックス範囲

indices = np.arange(S21test.shape[1])

masked_indices = np.where(mask, indices, np.nan)

min_indices = np.nanmin(masked_indices, axis=1).astype(int)

max_indices = np.nanmax(masked_indices, axis=1).astype(int)

# 5. 切り出し（可変長）

pred_error = [np.mean(np.abs(S21test[i, min_indices[i]:max_indices[i]+1] - S21pred[i, min_indices[i]:max_indices[i]+1]) )

        for i in range(S21test.shape[0])]

plt.hist(pred_error, bins = 100, color="red", alpha=0.5, range=(0,0.5), label="予測値の誤差")

plt.xlabel("通過域(最大値から3dB落ち)のS21平均誤差[dB]")

plt.ylabel("頻度")

plt.grid()

plt.legend()

plt.show()

print(f"average predicted value error {np.mean(pred_error)}dB")

まずは半分にした結果。通過帯域の平均誤差をヒストグラムにしたもの。

これはなかなかの精度。波形の例も重なっている。

では1/4にしたら？ヒストグラムはこちら。

ほぼ精度落ちてない。波形はこちら。

では1/8では？

やはり精度は落ちてないな。まあこんな単純なLC回路なら予測は簡単、ということか。