CN110110628B

CN110110628B - 一种频率综合器劣化的检测方法及检测设备

Info

Publication number: CN110110628B
Application number: CN201910335944.7A
Authority: CN
Inventors: 宋天宇; 张建锋; 蒋波; 邸越
Original assignee: Huawei Technologies Co Ltd
Current assignee: Huawei Technologies Co Ltd
Priority date: 2019-04-24
Filing date: 2019-04-24
Publication date: 2023-08-04
Anticipated expiration: 2039-04-24
Also published as: CN110110628A

Abstract

本发明公开了人工智能领域中的一种频率综合器劣化的检测方法及检测设备，方法可包括：检测设备接收所述频率综合器输出的待检测信号；所述检测设备提取所述待检测信号的特征，所述特征包括与所述待检测信号的加性噪声相关的第一特征以及与所述待检测信号的相位噪声相关的第二特征；所述检测设备将所述特征输入到经过训练后的模型中，输出检测结果。采用本发明实施例，可准确识别频率综合器劣化。

Description

一种频率综合器劣化的检测方法及检测设备

技术领域

本发明涉及人工智能领域和通信领域，特别涉及一种频率综合器劣化的检测方法及检测设备。

背景技术

人工智能(Artificial Intelligence,简称AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人，自然语言处理，计算机视觉，决策与推理，人机交互，推荐与搜索，AI基础理论等。

机器学习(Machine Learning,简称ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。其可以通过将技术问题抽象为数学问题，并选择合理的训练模型和特征对训练数据进行训练，然后输入测试数据便可以得到相应的结果。例如，在载波数字通信系统中，频综综合器又可以称为频综、频综器件、频综设备、频率源、振荡器或本地振荡器，他的主要功能是产生电子系统需要的各种形式的频率信号，比如产生单一频率的连续正弦波。频率综合器是载波数字通信系统中不可或缺的部分，无论是在参与信号的调制/解调，还是将信号的中心频率进行上/下变频，都需要频率综合器来提供所需的某个特定频率的正弦波信号。且该正弦信号的稳定性能直接影响到通信信号的质量。随着使用时间的增加或其他一些人力或非人力的损坏，将导致频率综合器设备的劣化，使得通信系统的稳定性下降甚至失效。因此，急需一种频率综合器劣化的检测方案，来自动检测频率综合器是否发生劣化。

发明内容

本申请实施例所要解决的技术问题在于，提供一种频率综合器劣化的检测方法及检测设备。以解决当前无法对频率综合器劣化进行自动检测识别的问题。

第一方面，本申请实施例提供了一种频率综合器劣化的检测方法，包括：

检测设备接收所述频率综合器输出的待检测信号；

所述检测设备提取所述待检测信号的特征，所述特征包括与所述待检测信号的加性噪声相关的第一特征以及与所述待检测信号的相位噪声相关的第二特征；

所述检测设备将所述特征输入到经过训练后的模型中，输出检测结果。

通过综合第一特征与第二特征两个指标，来推断“相位噪声”的强弱情况，进而识别频率综合器设备是否有劣化或故障。通过这种特征组合，可以显著提高频率综合器劣化的检测精度，可以准确的识别正样本和负样本，且算法简单，相较于现有的对星座图进行高难度的图像识别算法更加易于实现，利于大规模部署。可提升频率综合器检测的效率和准确度。

在一种可能的实施方式中，在所述检测设备接收所述频率综合器输出的待检测信号之前，还包括：

所述检测设备采集训练数据；

所述检测设备选择所述第一特征和第二特征以及用于进行频率综合器劣化检测的模型；

所述检测设备根据所述训练数据、所述第一特征和所述第二特征对所述模型进行训练得到所述经过训练后的模型。

在一种可能的实施方式中，所述检测设备提取所述待检测信号的特征，包括：

所述检测设备获取所述待检测信号中的各个符号的参考点，根据所述各个符号的参考点在标准参考坐标系的位置以及标准参考信号在所述标准参考坐标系的位置分别计算所述各个符号的半径误差和相位误差；

所述检测设备根据所述各个符号的半径误差和相位误差统计所述待检测信号的半径均方误差和相位均方误差；

所述检测设备对所述半径均方误差取对数得到所述第一特征，以及对所述相位均方误差取对数得到所述第二特征。

通过综合“半径误差”的均方值得到半径均方误差，以及“相位误差”的均方值得到的相位均方误差这两个指标，可以来推断“相位噪声”的强弱情况，进而识别频率综合器设备是否有劣化或故障。通过这种特征组合，可以显著提高频率综合器劣化的检测精度，且算法简单，利于大规模部署。可提升频率综合器检测的效率和准确度。

所述检测设备获取所述待检测信号中的各个符号的参考点，根据所述各个符号的参考点在r坐标系中的位置分别计算所述各个符号的rx误差和ry误差，其中，所述r坐标系的横轴为rx轴，所述rx轴与标准参考信号和标准参考坐标系原点之间的连线重合，所述r坐标系的纵轴为ry轴，所述ry轴与所述横轴垂直；

所述检测设备根据所述各个符号的rx误差和ry误差统计所述待检测信号的rx均方误差和ry均方误差；

所述检测设备对所述rx均方误差取对数得到所述第一特征，以及对所述ry均方误差取对数得到所述第二特征。

采用rx误差均方值与ry误差均方值作为特征，可以更进一步的提高识别精度，可以更加显著的区分正样本和负样本。因为本发明所要解决的关键问题是要识别频率综合器的劣化，因此识别相位噪声尤为关键。相比于“相位误差”，“ry误差”更能体现“相位噪声”的大小。这是因为能级越高，由“相位噪声”导致的“ry误差”就会越大；而“相位误差”则是在能级越低的时候，在体现“相位噪声”时越会受到“加性噪声”的干扰。因此，采用“rx误差”与“ry误差”组成的特征组合可以达到更好的识别精度。

在一种可能的实施方式中，所述特征还包括与所述待检测信号的相位噪声相关的第三特征；

所述检测设备提取所述待检测信号的特征，还包括：

所述检测设备对所述各个符号进行能级划分，分别统计各个能级的符号单独的ry误差均方值；

所述检测设备以所述各个能级的符号在星座图中对应的半径为平面坐标系的横坐标值，以对应的所述单独的ry误差均方值和所述rx误差均方值的比值为所述平面坐标系的纵坐标值构造曲线；

所述检测设备对所述曲线进行直线拟合，将拟合得到的直线的斜率作为所述第三特征。

采用三个特征组合的时候，可以得到更加精确的检测结果，能级越高，由“相位噪声”导致的“ry误差”就会越大。如果无法观测到“ry误差”随着能级增高而变大这种趋势，则说明“相位噪声”不显著；反之，则说明“相位噪声”显著，即频率综合器出现劣化。通过这种方法可以达到更高的准确率。因而可以识别到频率综合器早期的轻微劣化。

在一种可能的实施方式中，所述待检测信号为载波信号。

因此，本申请的检测方法可应用于所有的载波通信系统中，应用十分广泛。

第二方面，本申请实施例提供了一种频率综合器劣化的检测方法，应用于载波通信系统中，包括：

检测设备通过接收机接收频率综合器输出的待检测载波信号；

所述检测设备的处理器提取所述待检测载波信号的特征，所述特征包括与所述待检测载波信号的加性噪声相关的第一特征以及与所述待检测载波信号的相位噪声相关的第二特征；

所述处理器将所述特征输入到所述检测设备的分类器中；

所述分类器将所述特征输入到经过训练后的模型中，输出检测结果；

所述检测设备为网络管理设备、网络管理设备下属的网络节点设备、云端服务器或用户终端。

通过综合第一特征与第二特征两个指标，来推断“相位噪声”的强弱情况，进而识别频率综合器设备是否有劣化或故障。通过这种特征组合，可以显著提高频率综合器劣化的检测精度，可以准确的识别正样本和负样本，且算法简单，相较于现有的对星座图进行高难度的图像识别算法更加易于实现，利于大规模部署。且可以采用集中式的部署也可以采用分布式的部署，应用方式十分灵活，同时还可以应用到云场景中，可提升频率综合器检测的效率和准确度。

在一种可能的实施方式中，所述检测设备的处理器提取所述待检测载波信号的特征，包括：

所述处理器获取所述待检测载波信号中的各个符号的参考点，根据所述各个符号的参考点在标准参考坐标系的位置以及标准参考信号在所述标准参考坐标系的位置分别计算所述各个符号的半径误差和相位误差；

所述处理器根据所述各个符号的半径误差和相位误差统计所述待检测载波信号的半径均方误差和相位均方误差；

所述处理器对所述半径均方误差取对数得到所述第一特征，以及对所述相位均方误差取对数，得到所述第二特征。

所述处理器获取所述待检测载波信号中的各个符号的参考点，根据所述各个符号的参考点在r坐标系中的位置分别计算所述各个符号的rx误差和ry误差，其中，所述r坐标系的横轴为rx轴，所述rx轴与标准参考信号和标准参考坐标系原点之间的连线重合，所述r坐标系的纵轴为ry轴，所述ry轴与所述横轴垂直；

所述处理器根据所述各个符号的rx误差和ry误差统计所述待检测载波信号的rx均方误差和ry均方误差；

所述处理器对所述rx均方误差取对数得到所述第一特征，以及对所述ry均方误差取对数，得到所述第二特征。

在一种可能的实施方式中，所述特征还包括与所述待检测载波信号的相位噪声相关的第三特征；

所述检测设备的处理器提取所述待检测载波信号的特征，还包括：

所述处理器对所述各个符号进行能级划分，分别统计各个能级的符号单独的ry误差均方值；

所述处理器以所述各个能级的符号在星座图中对应的半径为平面坐标系的横坐标值，以对应的所述单独的ry误差均方值和所述rx误差均方值的比值为所述平面坐标系的纵坐标值构造曲线；

所述处理器对所述曲线进行直线拟合，将拟合得到的直线的斜率作为所述第三特征。

第三方面，本申请实施例提供了一种检测设备，包括：

处理器、存储器、收发器和总线，所述处理器、存储器和收发器通过总线连接，其中，所述存储器用于存储一组程序代码，所述处理器用于调用所述存储器中存储的程序代码，执行以下步骤：

通过所述收发器接收频率综合器输出的待检测信号；

提取所述待检测信号的特征，所述特征包括与所述待检测信号的加性噪声相关的第一特征以及与所述待检测信号的相位噪声相关的第二特征；

将所述特征输入到经过训练后的模型中，通过所述收发器输出检测结果。

通过综合第一特征与第二特征两个指标，来推断“相位噪声”的强弱情况，进而识别频率综合器设备是否有劣化或故障。通过这种特征组合，可以显著提高频率综合器劣化的检测精度，可以准确的识别正样本和负样本，且算法简单，相较于现有的对星座图进行高难度的图像识别算法更加易于实现，降低了处理器的处理难度，提升了处理效率和处理器的功耗，利于大规模部署。可提升频率综合器检测的效率和准确度。

在一种可能的实施方式中，所述处理器具体用于：

获取所述待检测信号中的各个符号的参考点，根据所述各个符号的参考点在标准参考坐标系的位置以及标准参考信号在所述标准参考坐标系的位置分别计算所述各个符号的半径误差和相位误差；

根据所述各个符号的半径误差和相位误差统计所述待检测信号的半径均方误差和相位均方误差；

对所述半径均方误差取对数得到所述第一特征，以及对所述相位均方误差取对数，得到所述第二特征。

在一种可能的实施方式中，所述处理器具体用于：

获取所述待检测信号中的各个符号的参考点，根据所述各个符号的参考点在r坐标系中的位置分别计算所述各个符号的rx误差和ry误差，其中，所述r坐标系的横轴为rx轴，所述rx轴与标准参考信号和标准参考坐标系原点之间的连线重合，所述r坐标系的纵轴为ry轴，所述ry轴与所述横轴垂直；

根据所述各个符号的rx误差和ry误差统计所述待检测信号的rx均方误差和ry均方误差；

对所述rx均方误差取对数得到所述第一特征，以及对所述ry均方误差取对数，得到所述第二特征。

所述处理器具体用于：

对所述各个符号进行能级划分，分别统计各个能级的符号单独ry误差均方值；

以所述各个能级的符号在星座图中对应的半径为平面坐标系的横坐标值，以对应的所述单独的ry误差均方值和所述rx误差均方值的比值为所述平面坐标系的纵坐标值构造曲线；

对所述曲线进行直线拟合，将拟合得到的直线的斜率作为所述第三特征。

第四方面，本申请实施例提供了一种检测设备，包括：

数据采集模块，用于采集或接收频率综合器输出的待检测信号；

数据预处理模块，用于提取所述待检测信号的特征，所述特征包括与所述待检测信号的加性噪声相关的第一特征以及与所述待检测信号的相位噪声相关的第二特征；

机器学习算法模块，用于将所述特征输入到经过训练后的模型中，输出检测结果。

通过综合第一特征与第二特征两个指标，来推断“相位噪声”的强弱情况，进而识别频率综合器设备是否有劣化或故障。通过这种特征组合，可以显著提高频率综合器劣化的检测精度，可以准确的识别正样本和负样本，且算法简单，相较于现有的对星座图进行高难度的图像识别算法更加易于实现，该检测设备可以是网络管理设备、网络管理设备下属的网络节点设备、云端服务器或用户终端，当检测设备为网络管理设备或云端服务器时，可以采用集中式的部署，当检测设备为网络节点设备或用户终端时，可以采用分布式的部署，应用方式十分灵活，同时还可以应用到云场景中，利于大规模部署。可提升频率综合器检测的效率和准确度。

在一种可能的实施方式中，所述数据预处理模块具体用于：

所述数据预处理模块具体用于：

对所述各个符号进行能级划分，分别统计各个能级的符号单独的ry误差均方值；

在一种可能的实施方式中，所述待检测信号为载波信号。

第五方面，本申请的实施例提供了一种检测设备，可包括：

存储器，用于存储指令；

处理器，用于调用所述存储器中的指令，执行本申请实施例第一方面或第一方面任一实现方式所述的方法。

第六方面，本申请的实施例提供了一种检测设备，可包括：

处理器，存储器和收发器；

所述收发器，用于接收和发送数据；

所述存储器用于存储指令；

所述处理器用于调用所述存储器中的所述指令，执行本申请实施例第一方面或第一方面任一实现方式所述的方法。

第七方面，本申请的实施例提供了一种计算机程序产品，包括计算机程序，该计算机程序在某一计算机上执行时，将会使所述计算机实现本申请实施例第一方面或第一方面任一实现方式所述的方法。

第八方面，本申请的实施例提供了一种计算机程序，该计算机程序在某一计算机上执行时，将会使所述计算机实现本申请实施例第一方面或第一方面任一实现方式所述的方法。

第九方面，本申请的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序在某一计算机上执行时，将会使所述计算机实现本申请实施例第一方面或第一方面任一实现方式所述的方法。

第十方面，本申请的实施例提供了一种装置，包括：处理模块与通信接口，所述处理模块用于执行本申请实施例第一方面或第一方面任一实现方式所述的方法。

在一种可能的实现方式中，所述装置还包括存储模块，所述存储模块用于存储指令，所述处理模块用于执行所述存储模块存储的指令，并且对所述存储模块中存储的指令的执行使得所述处理模块执行本申请实施例第一方面或第一方面任一实现方式所述的方法。

在一种可能的实现方式中，所述装置为芯片或芯片系统。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种人工智能主体框架示意图；

图2为本发明实施例提供的一种应用环境示意图；

图3为本发明实施例提供的一种神经网络结构示意图；

图4为本发明实施例提供的一种神经网络处理器的结构示意图；

图5为本发明实施例提供的一种云端系统的结构示意图；

图6为本发明实施例提供的一种微波网络的结构示意图；

图7为本发明实施例提供的一种频率综合器劣化的检测方法的流程示意图；

图8为本发明实施例中半径误差与相位误差的示意图；

图9为本发明实施例中rx半径误差与ry相位误差的示意图；

图10为本发明实施例提供的一种64QAM的星座图能级分布示意图；

图11为本发明实施例中另一种神经网络的结构示意图；

图12为本发明实施例提供的一种检测设备的结构示意图；

图13为本发明实施例提供的另一种检测设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1示出一种人工智能主体框架示意图，该主体框架描述了人工智能系统总体工作流程，适用于通用的人工智能领域需求。

下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。

“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。

“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。

(1)基础设施：

基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。

(2)数据

基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。

(3)数据处理

数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。

其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。

推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。

决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。

(4)通用能力

对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。

(5)智能产品及行业应用

智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能制造、智能交通、智能家居、智能医疗、智能安防、自动驾驶，平安城市，智能终端等。

在本申请实施例中，可以基于机器学习的方法来来采集数据、选择特征和模型并对模型进行训练，最后将频率综合器输出的待检测信号输入训练后的模型，以对频率综合器是否劣化进行判断。频综综合器又可以称为频综、频综器件、频综设备、频率源、振荡器或本地振荡器等。

机器学习(Machine Learning,简称ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

通常来说，机器学习的流程可以包括但不限于如下步骤：

1、抽象成数学问题

明确问题是进行机器学习的第一步。机器学习的训练过程通常都是一件非常耗时的事情，胡乱尝试时间成本是非常高的。这里的抽象成数学问题，指的我们明确我们可以获得什么样的数据，目标是一个分类还是回归或者是聚类的问题，如果都不是的话，如果划归为其中的某类问题。例如，在本申请实施例中，可以将频率综合器是否劣化抽象为待解决的数学问题。

2、获取数据

数据决定了机器学习结果的上限，而算法只是尽可能逼近这个上限。数据要有代表性，否则可能出现过拟合的情况。而且对于分类问题，数据偏斜不能过于严重，不同类别的数据数量不要有数个数量级的差距。此外还要对数据的量级有一个评估，多少个样本，多少个特征，可以估算出其对内存的消耗程度，判断训练过程中内存是否能够放得下。如果放不下就得考虑改进算法或者使用一些降维的技巧。如果数据量实在太大，那就要考虑分布式。收集到的数据的质量和数量将直接决定预测模型是否能够建好。我们可以将收集的数据去重复、标准化、错误修正等等，这些数据清洗工作是比较重要的步骤，往往能够使得算法的效果和性能得到显著提高。可选地，可以将数据分为训练集和测试集两部分。用于训练模型的训练集将是数据集的大部分。测试集可用于评估我们训练有素的模型的表现。可以以8:2或者7:3的比例进行数据划分。

3、特征预处理与特征选择

良好的数据要能够提取出良好的特征才能真正发挥效力。特征预处理时可以筛选出显著特征、摒弃非显著特征。确定自变量(x₁…x_n)和因变量y。特征选择好了，非常简单的算法也能得出良好、稳定的结果。因此，特征选择的好坏很大程度上决定了分类器的效果。可以对(x₁…x_n)中确定的自变量进行筛选，筛选可以手工选择或者模型选择，选择合适的特征，然后对变量进行命名以便更好的标记。这需要运用特征有效性分析的相关技术，如相关系数、卡方检验、平均互信息、条件熵、后验概率、逻辑回归权重等方法。在本申请实施例中，即是通过优化的特征选择，来实现对频率综合器是否劣化的准确且便利的检测。

4、训练模型选择和初始化训练

进行模型训练之前，要确定合适的算法，例如线性回归、决策树、随机森林、逻辑回归、梯度提升、支持向量机(Support Vector Machine,简称SVM)、神经网络等等。选择算法的时候可以测试各种不同的算法，然后通过交叉验证选择效果较好的一个。或者也可以根据业务需求如复杂度需求、精确度需求、时延需求等进行选择或多因素综合考虑进行选择。

5、模型诊断和评估

当选择好算法之后并进行相应的训练得到模型之后，还可以对模型进行诊断和评估。过拟合、欠拟合判断是模型诊断中至关重要的一步。常见的方法如交叉验证，绘制学习曲线等。过拟合的基本调优思路是增加数据量，降低模型复杂度。欠拟合的基本调优思路是提高特征数量和质量，增加模型复杂度。误差分析也是机器学习至关重要的步骤。通过观察误差样本，全面分析误差产生误差的原因:是参数的问题还是算法选择的问题，是特征的问题还是数据本身的问题。诊断后的模型需要进行调优，调优后的新模型需要重新进行诊断，这是一个反复迭代不断逼近的过程，需要不断地尝试，进而达到最优状态。

其中，步骤4的训练模型选择可以多种多样。

如机器学习算法可以包括：监督学习、无监督学习和强化学习。

监督学习可以解释如下：使用标记的训练数据来学习从输入变量(X)到输出变量(Y)的映射函数。

Y＝f(X)

监督学习问题可以有两种类型：

1)分类：预测输出变量处于类别形式的给定样本的结果。例子包括男性和女性，病态和健康等标签。

2)回归：预测输出变量为实值形式的给定样本的结果。例子包括表示降雨量和人的身高的实值标签。

诸如线性回归，逻辑(Logistic)回归，分类和回归树(CART)，朴素贝叶斯，KNN算法都属于监督学习。

无监督学习问题只有输入变量(X)，但没有相应的输出变量。它使用无标签的训练数据来模拟数据的基本结构。

无监督学习问题可以有两种类型：

1)聚类：包括关联和群集，关联即发现集合中项目共现的概率。它广泛用于市场篮子分析。例如：如果顾客购买面包，他有80％的可能购买鸡蛋。

群集即对样本进行分组，使得同一个群集内的对象彼此之间的关系比来自另一个群集中的对象更为相似。

2)维度降低：正如其名称，维度降低意味着减少数据集的变量数量，同时确保重要的信息仍然传达。可以使用特征提取方法和特征选择方法来完成维度降低。特征选择选择原始变量的一个子集。特征提取执行从高维空间到低维空间的数据转换。例如：PCA算法是一种特征提取方法。

诸如Apriori算法，K-means算法，PCA算法均属于无监督学习。

强化学习则允许代理根据其当前状态决定最佳的下一个动作，通过学习将最大化奖励的行为。强化算法通常通过反复试验来学习最佳行为。它们通常用于机器人。机器人可以通过在碰到障碍物后接收负面反馈来学习避免碰撞，以及在视频游戏中，反复试验显示特定动作可以激发玩家的奖励。代理人然后可以使用这些奖励来了解游戏的最佳状态并选择下一个动作。

参见附图2，本发明实施例提供了一种系统架构200。数据采集设备260用于采集频率综合器提供的载波信号的数据并存入数据库230，训练设备220基于数据库230中维护的频率综合器正常时提供的载波信号的数据以及频率综合器劣化时提供的载波信号的数据训练模型201。下面将更详细地描述训练设备220如何基于频率综合器正常时提供的载波信号的数据以及频率综合器劣化时提供的载波信号的数据训练模型201，模型201能够用于检测频率综合器是否发生劣化。

在本申请实施例中，当频率综合器发生劣化时，会导致相位噪声增加，频率综合器提供的载波质量下降，但是加性噪声也可能对信号造成干扰导致频率综合器提供的载波质量下降，且相位噪声和加性噪声难以分割，因此在本申请实施例中，可以提取待检测载波信号的特征，所述特征包括与所述待检测载波信号的加性噪声相关的第一特征以及与所述待检测载波信号的相位噪声相关的第二特征，由于这两个特征分别与加性噪声和相位噪声相关，因此可以根据频率综合器输出的待检测载波信号来判断频率综合器是否发生劣化。

在本申请实施例中，可以采用监督学习的方式来训练模型。例如，可以采用诸如逻辑回归、决策树、SVM或神经网络等方式来进行初始化训练，得到自变量(x₁…x_n)和因变量y的映射函数的系数或者完成对数据的分类。

例如，采用逻辑回归设计分类器时，为了便于理解逻辑回归，先解释一下线性回归模型。在线性回归模型中，输出一般是连续的，例如

y＝f(x)＝ax+b

对于每一个输入的x，都有一个对应的y输出。模型的定义域和值域都可以是[-∞,+∞]。但是对于逻辑回归，输入可以是连续的[-∞,+∞]，但输出一般是离散的，即只有有限多个输出值。例如，其值域可以只有两个值{0,1}，这两个值可以表示对样本的某种分类，高/低、患病/健康、阴性/阳性，频率综合器劣化/频率综合器未劣化等，这就是最常见的二分类逻辑回归。因此，从整体上来说，通过逻辑回归模型，我们将在整个实数范围上的x映射到了有限个点上，这样就实现了对x的分类。因为每次拿过来一个x，经过逻辑回归分析，就可以将它归入某一类y中。

逻辑回归也被称为广义线性回归模型，它与线性回归模型的形式基本上相同，都具有ax+b，其中a和b是待求参数，其区别在于他们的因变量不同，多重线性回归直接将ax+b作为因变量，即y＝ax+b，而逻辑回归则通过函数S将ax+b对应到一个隐状态p，p＝S(ax+b)，然后根据p与1-p的大小决定因变量的值。这里的函数S就是Sigmoid函数：

将t换成ax+b，可以得到逻辑回归模型的参数形式：

通过函数S的作用，我们可以将输出的值限制在区间[0，1]上，p(x)则可以用来表示概率p(y＝1|x)，即当一个x发生时，y被分到1那一组的概率。在真实情况下，我们最终得到的y的值是在[0,1]这个区间上的一个数，然后我们可以选择一个阈值，通常是0.5，当y>0.5时，就将这个x归到1这一类，如果y<0.5就将x归到0这一类。但是阈值是可以调整的，比如说一个比较保守的人，可能将阈值设为0.9，也就是说有超过90％的把握，才相信这个x属于1这一类。

下面描述逻辑回归的具体实现。逻辑回归一般使用交叉熵作为代价函数。交叉熵公式如下：

其中，m：训练集中样本的个数；

hθ(x)：用参数θ和x预测出来的y值；

y：原训练集中样本的y值，也就是标准答案；

上角标(i)：第i个样本。

假设特征选择为2个特征即自变量为x₁和x₂，使用的训练集的数据为10个，则加上因变量y的值一共为3列10行。

从逻辑回归模型的参数形式即公式(1)我们可以看到逻辑回归模型中有两个待定参数a(x的系数)和b(常数项)，我们现在给出来的数据有两个特征x₁,x₂，因此整个模型就增加了一项：ax₁+cx₂+b。为了形式上的统一，我们使用带下标的a表示不同的参数(a₀表示常数项b并作x₀的参数<x₀＝1>，a₁、a₂分别表示x₁和x₂的参数)，就可以得到：

a₀x₀+a₁x₁+a₂x₂

这样统一起来后，就可以使用矩阵表示了(比起前面展开的线性表示方式，用矩阵表示模型和参数更加简便，而且矩阵运算的速度也更快)：

将该公式代入到公式(1)，就可以得到逻辑回归的另一种表示形式：

此时，可以很清楚的看到，我们后面的行动都是为了确定一个合适的a(一个参数向量)，使得对于一个新来的X(也是一个向量)，我们可以尽可能准确的给出一个y值，0或者1。

其中，数据是二维的，也就是说这组训练集的样本中有两个自变量，即两个特征(feature)。

下面开始训练模型，在本申请实施例这种检测频率综合器是否发生劣化的场景下，模型也可称为逻辑回归分类器，训练模型的过程，就是根据已经知道的数据(训练集)确定一个使得代价函数的值最小的a(参数向量/回归系数)的过程。逻辑回归模型属于有监督的学习方法，训练集中的第3列数据即训练集样本的y值其实是训练样本提供的"标准答案"。也就是说，这些数据是已经分好类的(两类，0或者1)。在训练阶段，我们要做的就是利用训练集的样本和公式(2)式中的模型，估计一个比较合适的参数a，使得仅通过前面两列数据(观察值X和测量值y)就可以估计一个值h(a)，这个值越接近标准答案y，说明我们的模型预测的越准确。

其中，训练集样本中的观察值，也就是X，包括x₀,x₁,x₂；测量值即每组观察值对应的标准答案y。

预测出来的回归系数a，包括a₀,a₁,a₂。根据回归系数a和公式(2)式中的模型预测出来的h(a)。都是区间(0,1)上的实数。

标准答案是{0,1}，如何将预测到的结果与标准答案y进行比较呢？取0.5作为阈值，大于该值的样本就划分到1这一组，小于等于该值的样本就划分到0这一组，这样就可以将数据分为两类。因此，在本申请实施例中，可以根据选择的第一特征和第二特征从待检测信号中提取得到x₀,x₁，由于采用两个特征进行训练，因此前文所述的向量X中的x₂可视为1，然后根据训练集中的样本数据即已知分类结果y(频率综合器是否劣化)的数据来预测得到回归系数a，包括a₀,a₁,a₂。从而得到训练后的模型，最后根据需要选择一个阈值来进行频率综合器是否劣化的检测。例如，将待检测信号中的第一特征x₁和第二特征x₂提取出来并输入训练后的模型之后得到的结果y<0.5时可认为频率综合器未劣化，y>0.5时可认为频率综合器劣化。如果还存在第三特征，则此时向量X中的x₂则为第三特征，其余处理方式类似，此处不再赘述。

又例如，采用决策树训练模型时。决策树作为一个预测模型；他代表的是对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。决策树仅有单一输出，若欲有复数输出，可以建立独立的决策树以处理不同输出。数据挖掘中决策树是一种经常要用到的技术，可以用于分析数据，同样也可以用来作预测。从数据产生决策树的机器学习技术叫做决策树学习,通俗说就是决策树。一个决策树包含三种类型的节点：

决策节点：通常用矩形框来表示；

机会节点：通常用圆圈来表示；

终结点：通常用三角形来表示。

每个决策树可以依靠对源数据库的分割进行数据测试。这个过程可以递归式的对树进行修剪。当不能再进行分割或一个单独的类可以被应用于某一分支时，递归过程就完成了。另外，随机森林分类器将许多决策树结合起来以提升分类的正确率。

由于我们面对的训练集的样本通常具有很多个特征，因此基于决策树算法的思想，可以先从一个特征入手，既然无法直接分类，那就先根据一个特征进行分类，虽然分类结果达不到理想效果，但是通过这次分类，我们的问题规模变小了，同时分类后的子集相比原来的样本集更加易于分类了。然后针对上一次分类后的样本子集，重复这个过程。在理想的情况下，经过多层的决策分类，我们将得到完全纯净的子集，也就是每一个子集中的样本都属于同一个分类。

树的每一个非叶子节点都是一个特征分割点，叶子节点是最终的决策分类。将数据输入决策树进行判决时，就是将样本在决策树上自顶向下，依据决策树的节点规则进行遍历，最终落入的叶子节点就是该样本所属的分类。

决策树算法的核心思想，可以简单归纳为如下两点：

1)每次选择其中一个特征对样本集进行分类

2)对分类后的子集递归进行步骤1

例如，在本申请实施例中，可采用与待检测信号的加性噪声相关的第一特征以及与待检测信号的相位噪声相关的第二特征来对训练集的样本进行分类。如根据第一特征对应的数值是否大于第一阈值将训练集中的样本分为第一类和第二类，然后再根据第二特征对应的数值是否大于第二阈值将第二类的样本分为第三类和第四类，且第四类的样本对应频率综合器未发生劣化，第一类和第三类的样本对应频率综合器发生劣化。

在第一个步骤中，我们需要考虑的一个最重要的策略是，选取什么样的特征可以实现最好的分类效果，而所谓的分类效果好坏，必然也需要一个评价的指标。在上文中，我们都用纯净来说明分类效果好，那何为纯净呢？直观来说就是集合中样本所属类别比较集中，最理想的是样本都属于同一个分类。样本集的纯度可以用熵来进行衡量。

在信息论中，熵代表了一个系统的混乱程度，熵越大，说明我们的数据集纯度越低，当我们的数据集都是同一个类别的时候，熵为0，熵的计算公式如下：

其中，P(x_i)表示概率，b在此处取2。比如抛硬币的时候，正面的概率就是1/2，反面的概率也是1/2，由于抛硬币是一个完全随机事件，其结果正面和反面是等概率的，所以具有很高的熵。假如我们观察的是硬币最终飞行的方向，那么硬币最后往下落的概率是1，往天上飞的概率是0，代入上面的公式中，可以得到这个过程的熵为0，所以，熵越小，结果的可预测性就越强。在决策树的生成过程中，我们的目标就是要划分后的子集中其熵最小，这样后续的的迭代中，就更容易对其进行分类。

既然是递归过程，那么就需要制定递归的停止规则。在两种情况下我们停止进一步对子集进行划分，其一是划分已经达到可以理想效果了，另外一种就是进一步划分收效甚微，不值得再继续了。用专业术语总结终止条件有以下几个：

1)子集的熵达到阈值；

2)子集规模够小；

3)进一步划分的增益小于阈值；

其中，条件3)中的增益代表的是一次划分对数据纯度的提升效果，也就是划分以后，熵减少越多，说明增益越大，那么这次划分也就越有价值，增益的计算方式即为计算这次划分之后两个子集的熵之和相对划分之前的熵减少了多少，需要注意的是，计算子集的熵之和需要乘上各个子集的权重，权重的计算方法是子集的规模占分割前父集的比重，比如划分前熵为e，划分为子集A和B，大小分别为m和n，熵分别为e₁和e₂，那么增益就是e-m/(m+n)*e₁-n/(m+n)*e₂。

有了上述概念，我们就可以开始决策树的训练了，训练过程分为：

1)选取特征，分割训练集中的样本；

2)计算增益，如果增益够大，将分割后的训练集作为决策树的子节点，否则停止分割；

3)递归执行上两步。

上述步骤是依照ID3的算法思想(依据信息增益进行特征选取和分裂)，除此之外还有C4.5以及CART等决策树算法。

决策树的目的是用于分类预测，即各个节点需要选取输入样本的特征，进行规则判定，最终决定样本归属到哪一棵子树，基于这个目的，决策树的每一个节点需要包含以下几个关键信息：

判决特征：当前节点针对哪一个特征进行判决

判决规则：对于二类问题，这个规则一般是一个布尔表达式

左子树：判决为TRUE的样本

右子树：判决为FALSE的样本

例如在本申请实施例中，判决特征可以包括第一特征和第二特征，本申请实施例属于二类问题，因此第一判决规则可以是第一特征对应数值是否大于第一阈值，根据第一判决规则分类之后可以再基于第二判决规则如第二特征对应数值是否大于第二阈值来进行进一步的分类。第一阈值和第二阈值可以通过前述的已知结果的训练集的样本数据进行训练获得。

在进行判决时，特征选取是构造决策树最关键的步骤，其目的是选出能够实现分割结果最纯净的那个特征。节点分裂的时候有两条处理分支，如果增益够大，就分裂为左右子树，如果增益很小，就停止分裂，将这个节点直接作为叶子节点。为了防止过拟合，需要设置合适的停止条件，比如设置Gain的阈值，如果Gain比较小，就没有必要继续进行分割。决策树构造完之后，我们就可以用来进行新样本的分类了。决策树的预测过程十分容易理解，只需要将从根节点开始，按照节点定义的规则进行判决，选择对应的子树，并重复这个过程，直到叶子节点即可。

在本申请实施例中，选择的所述特征包括与所述待检测信号的加性噪声相关的第一特征以及与所述待检测信号的相位噪声相关的第二特征来构造决策树，并对频率综合器采集得到的训练集的样本数据进行训练和分类。当这种分类满足决策树的停止分割的要求时，便可以得到确定的决策树，然后便可以对测试集中的数据如待检测信号提取得到相应的第一特征和第二特征输入决策树来进行检测，从而将待检测信号进行分类，得到是否发生频率综合器劣化的结果。

又例如，支持向量机(support vector machines)是一种二分类模型，它的目的是寻找一个超平面来对训练集中样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。由简至繁的模型包括：

当训练集的样本线性可分时，通过硬间隔最大化，学习一个线性可分支持向量机；

当训练集的样本近似线性可分时，通过软间隔最大化，学习一个线性支持向量机；

当训练集的样本线性不可分时，通过核技巧和软间隔最大化，学习一个非线性支持向量机。最终实现对数据的分类。其中，线性可分简单的说就是如果用一个线性函数可以将两类样本完全分开，就称这些样本是“线性可分”的。假设线性函数为WX_i+b＝0，其中，X_i＝{x₁，…x_n}。

例如，在本申请中，从频率综合器采集得到训练集的样本，且该样本是线性可分的。根据本申请设计的第一特征和第二特征构造X_i,然后可以根据这些已知频率综合器是否发生劣化的样本训练得到W和b，从而可以确定该线性函数。最后在实际检测时，从待检测信号提取得到第一特征和第二特征输入到训练后的模型，就可以根据输出结果如-1或1来实现对频率综合器是否发生劣化的检测。

又例如，采用神经网络进行模型训练时。神经网络是指人工神经网络(ArtificialNeural Network)，它由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重。在本申请实施例中可以采用浅层神经网络进行模型训练，浅层神经网络包括输入层，隐含层和输出层。输入层可用于输入数据，输出层可用于输出结果，隐含层可以有多个，其中所包含的参数可以根据具体的任务类型的相关训练数据进行预先训练得到。

以本申请实施例的检测频率综合器劣化的模型为例。给定m个从频率综合器输出的信号中采集得到的样本{x,y}，假设本申请实施例采用三个特征进行训练和检测。x_i是第i个样本的信息，每个输入数据都是一个三维向量，对应一个样本的三个指标。y是样本标签，表示对应样本的输出结果。我们要用样本来训练一个神经网络，当给定新的待检测信号时来预测是否发生频率综合器劣化。通过特征提取和选择。构造出一个输入层为3个节点，隐含层为4个节点，输出层为1个节点的二分类神经网络模型(可参见图3)。从模型中可以看出，此网络是一个两层神经网络，通常把输入矩阵X记为a^[0]，把隐藏层输出记为a^[1]。隐藏层对应的权重W^[1]和常数项b^[1]，W^[1]的维度是(4,3)。这里的4对应着隐含层神经元个数，3对应着输入层x特征向量包含元素个数。常数项b^[1]的维度是(4,1)，这里的4同样对应着隐含层神经元个数。在该神经网络模型结构中，每一个圆圈代表一个神经元，每一个神经元包含了一个非线性激活函数，在本模型中我们可以用ReLU函数作为激活函数。ReLU函数的表达式如下所示:

σ(z)＝max(0,z)

它会对上一层的输入进行加权求和：z＝w^TX+b，其中w和b是模型需要学习的参数。将得到的值z送入激活函数中，最后得到的值作为这个神经元的输出。每个神经元的计算过程通过如下公式进行：

z＝w^TX+b

a＝σ(z)。

输入矩阵X的维度为(n，m)，n是单个样本的维度，本例子中维度为4。这样第一层隐含层计算过程为：

Z^[1]＝W^[1]X+b^[1]

A^[1]＝σ(Z^[1])

其中A^[1]是隐含层的输出。第二层至第四层的计算过程类似，此处不再赘述。

在训练的过程中，只要有足够的输入x(包括本申请实施例中第一特征和第二特征)和输出y(训练集的样本已知频率综合器是否发生劣化这一结果)，就能训练出较好的神经网络模型。得到因变量和自变量之间的映射函数。然后将待检测信号进行特征提取，得到本申请实施例设计的特征如第一特征和第二特征输入到该映射函数，便可以输出频率综合器检测的结果。例如，采用神经网络进行初始化训练时，神经网络中的每一层的工作可以用数学表达式来描述：从物理层面神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作，完成输入空间到输出空间的变换(即矩阵的行空间到列空间)，这五种操作包括：1、升维/降维；2、放大/缩小；3、旋转；4、平移；5、“弯曲”。其中1、2、3的操作由/>完成，4的操作由+b完成，5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物，而是一类事物，空间是指这类事物所有个体的集合。其中，W是权重向量，该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换，即每一层的权重W控制着如何变换空间。训练神经网络的目的，也就是最终得到训练好的神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。因此，神经网络的训练过程本质上就是学习控制空间变换的方式，更具体的就是学习权重矩阵。

因为希望神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到神经网络能够预测出真正想要的目标值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么神经网络的训练就变成了尽可能缩小这个loss的过程。

训练设备220得到的目标模型可以应用不同的系统或设备中。在附图2中，执行设备210配置有I/O接口212，与外部设备进行数据交互，使用该训练设备220的“用户”可以通过客户设备240向I/O接口212输入数据。

执行设备210可以调用数据存储系统250中的数据、代码等，也可以将数据、指令等存入数据存储系统250中。

计算模块211使用目标模型/规则201对输入的数据进行处理，如提取待检测信号对应数据的特征，并将提取的特征作为自变量输入到目标模型/规则201中进行处理，得到处理结果。

关联功能模块213和关联功能模块214可以用于对采集到的数据进行预处理，例如可以将收集的数据去重复、标准化、错误修正等等，这些数据清洗工作是比较重要的步骤，往往能够使得算法的效果和性能得到显著提高。最后，I/O接口212将处理结果返回给客户设备240，提供给用户。

更深层地，训练设备220可以针对不同的目标，基于不同的数据生成相应的目标模型/规则201，以给用户提供更佳的结果。

在附图2中所示情况下，使用该训练设备220的“用户”可以手动指定输入执行设备210中的数据，例如，在I/O接口212提供的界面中操作。另一种情况下，客户设备240可以自动地向I/O接口212输入数据并获得结果，如果客户设备240自动输入数据需要获得用户的授权，用户可以在客户设备240中设置相应权限。用户可以在客户设备240查看执行设备210输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备240也可以作为数据采集端将采集到频率综合器提供的载波信号的数据存入数据库230。

值得注意的，附图2仅是本发明实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在附图2中，数据存储系统250相对执行设备210是外部存储器，在其它情况下，也可以将数据存储系统250置于执行设备210中。

可选地，当选择神经网络进行初始化训练确定模型时，假设确定的模型为y＝ax₁+bx₂+c，其中，包括两个特征x₁和x₂，通过对训练集数据进行训练后可以得到系数a、b和c的值。然后对待检测信号提取相应的特征x₁和x₂，并输入该模型之后，输出的y即为频率综合器是否发生劣化的分类结果。其中，在特征的设计选择时，可以选择所述第一特征为半径均方误差的对数，所述第二特征为相位均方误差的对数；

计算模块211可以获取所述待检测信号中的各个符号的参考点，根据所述各个符号的参考点在标准参考坐标系的位置以及标准参考信号在所述标准参考坐标系的位置分别计算所述各个符号的半径误差和相位误差；然后根据所述各个符号的半径误差和相位误差统计所述待检测信号的半径均方误差和相位均方误差；最后对所述半径均方误差取对数得到所述第一特征，以及对所述相位均方误差取对数得到所述第二特征。

可选地，也可以选择所述第一特征为rx均方误差的对数，所述第二特征为ry均方误差的对数；

计算模块211可以获取所述待检测信号中的各个符号的参考点，根据所述各个符号的参考点在r坐标系中的位置分别计算所述各个符号的rx误差和ry误差，其中，所述r坐标系的横轴为rx轴，所述rx轴与标准参考信号和标准参考坐标系原点之间的连线重合，所述r坐标系的纵轴为ry轴，所述ry轴与所述横轴垂直；然后根据所述各个符号的rx误差和ry误差统计所述待检测信号的rx均方误差和ry均方误差；最后对所述rx均方误差取对数得到所述第一特征，以及对所述ry均方误差取对数得到所述第二特征。

可选地，所述特征还可以包括与所述待检测信号的相位噪声相关的第三特征；则此时训练得到的模型为y＝ax₁+bx₂+dx₃+c。

计算模块211可以对所述各个符号进行能级划分，分别统计各个能级的符号单独的ry误差均方值；然后以所述各个能级的符号在星座图中对应的半径为平面坐标系的横坐标值，以对应的所述单独的ry误差均方值和所述rx误差均方值的比值为所述平面坐标系的纵坐标值构造曲线；最后对所述曲线进行直线拟合，将拟合得到的直线的斜率作为所述第三特征。

例如，在一个载波通信系统中，本申请实施例中通过设计可应用于机器学习以实现频率综合器是否发生劣化检测的特征。当从待检测信号中提取到本申请实施例设计的特征并输入分类器后，得到的输出结果指示频率综合器已发生劣化，从而可以实现在不中断业务的前提下，提前识别出频率综合器器件的早期劣化，进而指导网络运维团队提前备件，并在业务不繁忙时对已经劣化的频率综合器进行提前更换，可以有效的提升网络的稳定性，降低网络的失效风险。如果输出结果指示频率综合器未发生劣化，则可以在经过预设时间后周期性的再次进行检测，当然，也可以持续进行检测，本申请实施例不作任何限定。

图5，是本发明实施例提供的一种芯片硬件结构图。

图3和图4所示的基于机器学习的算法可以在图5所示的NPU芯片中实现。

神经网络处理器NPU 50NPU作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路50，控制器504控制运算电路503提取存储器(权重存储器或输入存储器)中的数据并进行运算。

在一些实现中，运算电路503内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路503是二维脉动阵列。运算电路503还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路503是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器502中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器501中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器508accumulator中。

向量计算单元507可以对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。例如，向量计算单元507可以用于神经网络中非卷积/非FC层的网络计算，如池化(Pooling)，批归一化(Batch Normalization)，局部响应归一化(Local Response Normalization)等。

在一些实现种，向量计算单元能507将经处理的输出的向量存储到统一缓存器506。例如，向量计算单元507可以将非线性函数应用到运算电路503的输出，例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元507生成归一化的值、合并值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路503的激活输入，例如用于在神经网络中的后续层中的使用。

例如，模型的训练可以由运算电路503执行，特征的计算后可以由相邻计算单元507执行。

统一存储器506用于存放输入数据以及输出数据。

存储单元访问控制器505(Direct Memory Access Controller，DMAC)将外部存储器中的输入数据搬运到输入存储器501和/或统一存储器506、将外部存储器中的权重数据存入权重存储器502，以及将统一存储器506中的数据存入外部存储器。

总线接口单元(Bus Interface Unit，简称BIU)510，用于通过总线实现主CPU、DMAC和取指存储器509之间进行交互。

与控制器504连接的取指存储器(instruction fetch buffer)509，用于存储控制器504使用的指令；

控制器504，用于调用指存储器509中缓存的指令，实现控制该运算加速器的工作过程。

其中，输入数据为训练集中的训练数据或测试集中的测试数据，即频率综合器输出的信号，输出数据为频率综合器是否发生劣化的分类结果。

一般地，统一存储器506，输入存储器501，权重存储器502以及取指存储器509均为片上(On-Chip)存储器，外部存储器为该NPU外部的存储器，该外部存储器可以为双倍数据率同步动态随机存储器(Double Data Rate Synchronous Dynamic Random AccessMemory，简称DDR SDRAM)、高带宽存储器(High Bandwidth Memory，HBM)或其他可读可写的存储器。

其中，图1和图2中的程序算法可以由NPU执行，也可以由主CPU和NPU共同配合完成的。

参见附图6，本发明实施例提供了一种系统架构300。执行设备210由一个或多个服务器实现，可选的，与其它计算设备配合，例如：数据存储、路由器、负载均衡器等设备；执行设备210可以布置在一个物理站点上，或者分布在多个物理站点上。执行设备210可以使用数据存储系统250中的数据，或者调用数据存储系统250中的程序代码实现对各个本地设备301如各种用户终端输出的信号进行频率综合器劣化的检测，具体地，执行设备210可以先采集本地设备301输出的信号，在进行特征选择之后，对这些信号进行特征提取，并输入到初始化训练确定的模型中，得到频率综合器是否劣化的检测结果。当然，除了上述这种集中式的管理检测方案之外，也可以采用分布式的管理方案，例如，执行设备210通过初始化训练得到模型之后，可以将该模型下发给各个本地设备301，然后由本地设备301采集数据输入到模型中得到频率综合器检测结果，并可以选择将该结果上报给执行设备210。用户可以操作各自的用户设备(例如本地设备301和本地设备302)与执行设备210进行交互。每个本地设备可以表示任何计算设备，例如个人计算机、计算机工作站、智能手机、平板电脑、智能摄像头、智能汽车或其他类型蜂窝电话、媒体消费设备、可穿戴设备、机顶盒、游戏机等。

每个用户的本地设备可以通过任何通信机制/通信标准的通信网络与执行设备210进行交互，通信网络可以是广域网、局域网、点对点连接等方式，或它们的任意组合。

在另一种实现中，执行设备210的一个方面或多个方面可以由每个本地设备实现，例如，本地设备301可以为执行设备210提供本地数据或反馈计算结果。

需要注意的，执行设备210的所有功能也可以由本地设备实现。例如，本地设备301实现执行设备210的功能并为自己的用户提供服务，或者为本地设备302的用户提供服务。

需要说明的是，本申请实施例所述的频率综合器检测的方法可以广泛应用于各种通信系统中，在现有的几乎所有数字通信场景中，载波相干通信技术都占据着绝对主流的地位，如2G-5G移动通信，骨干网长途相干光通信，无线保真(Wireless-Fidelity，简称WiFi)网络，电力线通信，水声通信，卫星通信，微波通信等。因此，频率综合器故障的识别技术具有广阔的应用场景以及重大的经济意义。除通信系统外，雷达/声呐等系统也需要频率综合器，因此也可以采用本发明相同或相似的方法对其劣化情况进行识别或检测，本发明实施例不作任何限定。

请参见图6，为本发明实施例提供的一种微波网络的结构示意图，其中，包括NodeA到Node D共4个节点设备，Node A可以与Node B通信，并通过网关节点(GateWay Node)与网络管理设备(Network Management)连接，Node C可以与Node D通信，并通过网关节点与网络管理设备连接，由网络管理设备进行统一管理。每一个节点上都有频率综合器参与整个网络的通信。本发明所述的方法可以采用集中式或分布式进行部署。

集中式：本发明可以集中部署在网络管理设备上，网络管理设备通过网关节点采集各个节点设备上的相关数据以及指标，由网络管理设备进行数据的预处理，模型的训练以及模型的应用，分析出各节点设备频率综合器是否出现劣化的情况。

分布式：由于本发明的算法复杂度较低，也可以分布式的部署在各个节点设备上，各节点设备采集到指标数据后本地直接进行处理，经由网络管理设备下发训练好的模型进行劣化识别。这样省去了将信息汇总到网络管理设备的过程，只需上报算法的计算结果即可。需要说明的是，模型的训练需要统一进行，模型部署在各个节点设备上的版本保持一致。单节点设备由于样本数据有限，在训练模型方面精度较低，因此可以由网络管理设备进行模型训练，如果节点设备具备足够的训练数据，也可以由节点设备进行模型的训练，本发明实施例不作任何限定。

以上两种方式可以结合具体的应用场景进行选择。在非电信环境的网络结构中，如消费类电子产品，可以将图6的网络管理设备理解为图5中云端的执行设备210，各通信节点设备可以理解为图5中的本地设备301如各种用户终端。仍旧有对应的集中式和分布式两种部署方式。

请参照图7，为本发明实施例提供的一种频率综合器劣化的检测方法的流程示意图。所述方法可包括以下步骤：

S701.检测设备接收所述频率综合器输出的待检测信号。

S702.所述检测设备提取所述待检测信号的特征，所述特征包括与所述待检测信号的加性噪声相关的第一特征以及与所述待检测信号的相位噪声相关的第二特征。

S703.所述检测设备将所述特征输入到经过训练后的模型中，输出检测结果。

在步骤S701中，可以由检测设备线截取一段经过均衡，但未经解调的信号。为了可以较为准确的计算出特征，一般来说长度在10000个符号左右。如要区分表征不明显的正样本与负样本，则可以截取更长的信号片段。

在步骤S702进行特征提取时：可以先对待检测信号进行解调，获取每个待检测信号的参考点。

在步骤S703中，将特征输入基于机器学习技术设计的二分类器(包括但不限于逻辑回归、神经网络、决策树、支持向量机等)中。模型输出的分类结果即为频率综合器劣化的识别结果：有劣化或无劣化。分类器的参数通过机器学习确定。分类器进行初始化训练时，需要有一定量的有标注的样本，来帮助分类器进行有监督的学习。

需要说明的是，在步骤S702中，先解调，再计算误差的方式并不唯一。有些通信系统在传输数据符号时会加入导频符号(也被称为训练序列)，而导频的内容是收发端都知道的，因此可以直接计算各类误差，且通过该种方式计算的误差精确度更高。只是有时导频的长度不够，需要数据符号辅助进行误差计算。

为了得到较佳的频率综合器劣化检测结果，本发明设计了三种不同的特征组合方案。

特征组合一：

可选地，所述第一特征为半径均方误差的对数，所述第二特征为相位均方误差的对数；

所述检测设备提取所述待检测信号的特征，包括：

其中，请参照图8，为本发明实施例中半径误差与相位误差的示意图；其中小圆点为待检测信号的一个符号的参考点，小星点为标准参考信号的一个符号的参考点。当频率综合器输出标准参考信号时，频率综合器没有发生劣化。半径误差为接收到的待检测信号与标准参考信号分别距离星座图(复平面)原点距离之差，即二者的信号半径之差，也就是图8中黑色圆点到虚线圆圈的距离，相位误差则为接收到的待检测信号与标准参考信号在复平面上的幅角之差，即圆点所在半径与星点所在半径的幅角之差。针对信号片段中的每一个符号，均可以计算其对应的半径误差与相位误差。因此，针对整个信号片段，可以统计得出半径误差与相位误差的均方值。需要说明的是，相位误差与相位噪声不同，由于加性噪声与相位噪声共同存在且无法分离，无法单独计算加性噪声或相位噪声。

由于频率综合器劣化会导致干扰信号的相位噪声变大，以至于影响通信性能。但除相位噪声外，信号同时还受到加性噪声的干扰。相位噪声会扰动接收信号的相位，而加性噪声也会对接收信号的相位产生扰动。因此，我们可以观测到的“相位误差”无法与“相位噪声”直接关联。“加性噪声”除对接收信号相位有影响外，还对接收信号的半径有影响，而“相位噪声”并不具备与之相同的特性。“半径误差”的均方值可以反映出“加性噪声”的强弱；“相位误差”的均方值可以反映出“加性噪声”与“相位噪声”合并后对相位影响的强弱。因此，我们可以综合“半径误差”均方值与“相位误差”均方值两个指标，来推断“相位噪声”的强弱情况，进而识别频率综合器设备是否有劣化或故障。通过这种特征组合，可以显著提高频率综合器劣化的检测精度，可以准确的识别正样本和负样本，且算法简单，相较于现有的对星座图进行高难度的图像识别算法更加易于实现，利于大规模部署。

特征组合二：

可选地，所述第一特征为rx均方误差的对数，所述第二特征为ry均方误差的对数；

所述检测设备提取所述待检测信号的特征，包括：

请参照图9，为本发明实施例中rx半径误差与ry相位误差的示意图；其中小圆点为待检测信号的一个符号的参考点，小星点为标准参考信号的一个符号的参考点。当频率综合器输出标准参考信号时，频率综合器没有发生劣化。针对某一个具体的符号，在标准参考信号的参考点处即小星点处建立一个新的直角坐标系。将这个新的直角坐标系称为r坐标系，字母r表示旋转(rotate)的首字母。r坐标系的坐标轴并不一定与原坐标系平行。r坐标系的x轴与标准参考信号和原来的标准参考坐标系的原点连线重合。r坐标系下的x轴(rx轴)与y轴(ry轴)依旧垂直。在新的r坐标系下读取待检测信号的横坐标和纵坐标的坐标值，即分别为rx误差与ry误差。同理，与计算半径误差均方值/相位误差均方值相似，可以统计出针对整个信号片段的rx误差均方值与ry误差均方值。

特征组合三：

可选地，在基于rx均方误差与rx均方误差的前提下，还可以引入第三特征。即所述特征还包括与所述待检测信号的相位噪声相关的第三特征；

所述检测设备提取所述待检测信号的特征，还包括：

在数字通信领域中，可以将数字信号如本申请中的待检测信号在复平面上显示，以直观的表示信号以及其他信号之间的关系。这种图示就是星座图(constellationdiagram)。星座图有助于定义信号的振幅和相位。在星座图中，一个信号可以用一个点表示。星座图通常有两根轴。水平X轴与同相载波相关，垂直Y轴与正交载波相关。图中每个点，可以包含4条信息。点在X轴的投影定义了同相成分的峰值振幅，点在Y轴的投影定义了正交成分的峰值振幅。点到原点的连线(向量)长度是该信号元素的峰值振幅(X成分和Y成分的组合)，连线和X轴之间的角度是信号元素的相位。所有需要的信息都可以从星座图中轻易得到。例如在本申请中，可以以一个符号作为一个信号在星座图中进行显示。

对任何一个调制格式如16种符号的正交幅度调制(16 Quadrature AmplitudeModulation，简称16QAM)，64QAM等,我们称具有相同能量的信号处在同一能量级别(energylevel)上，简称能级。在星座图上，信号的半径表示信号的幅度，通过幅度我们可以唯一确定信号的能量。因此，具有相同半径的信号就处在相同的能级上。可参见图10，为本发明实施例提供的一种64QAM的星座图能级分布示意图。横坐标表示同相(Inphase)，纵坐标表示(正交)。小星点表示不同的符号。如图所示，在64QAM星座图上具备9个不同的能级，则可以将最内圈的能级称为第1能级，由内而外依次为第2、3、…、9能级；能级编号由内而外以1开始，依次增大。可以以d1，d2，…，d9表示各个能级的半径。需要说明的是，本发明中所采用的星座图均为功率归一化的标准星座图。因此针对任何一种调制模式，星座点的坐标和能级的半径可以唯一确定。

通过在基于rx均方误差与rx均方误差的基础上，进一步针对各个能级单独统计ry误差的均方值，分别记作ry_L1_mse，ry_L2_mse，…将点(d_1,ry_L1_mse/rx_mse),(d_2,ry_L2_mse/rx_mse)，…画在平面直角坐标系内并连成曲线，然后进行线性化处理，用直线来拟合该曲线，得到的斜率，记作TNR-slope，作为第三特征。将该特征与基于rx均方误差与rx均方误差的第一特征和第二特征进行组合，得到具备三个特征的特征组合。

需要说明的是，基于上述三种特征组合，还可以对不同的组合进行拆分重组或删除部分特征来得到一些新的组合，这些组合同样可以用于检测频率综合器，例如，可以以“相位误差”对数均方值这一个指标，通过设定门限值的方式对频率综合器劣化进行识别；也可以用“相位误差”对数均方值与“rx误差”对数均方值的组合来进行频率综合器的劣化识别；也可以用“半径误差”对数均方值与“ry误差”对数均方值的组合来进行频率综合器的劣化识别。此外在特征组合三中，也可以去掉“rx误差”对数均方值，以各能级“ry误差”对数均方值和斜率作为特征组合，通过机器学习算法进行频率综合器劣化识别。如果信号片段足够长，也可以统计“最高能级”的参考点的“rx误差”对数均方值与“ry误差”对数均方值，作为特征由机器学习模型进行频率综合器劣化识别，本发明实施例不作任何限定。

通过实施本发明实施例中的方法，可以实现在一个通信系统中，不中断业务的前提下，提前识别出频率综合器(器件/设备)的早期劣化，进而指导网络运维团队提前备件，并在业务不繁忙时对已经劣化的频率综合器(器件/设备)进行提前更换，可以有效的提升网络的稳定性，降低网络的失效风险。

请参照图11，为本发明实施例中另一种神经网络的结构示意图；与图3类似的，当本发明实施例使用具备第一特征和第二特征的特征组合时，可以使用输入层为2个节点、隐含层为3个节点，输出层为1个节点的神经网络，将第一特征x₁和第二特征x₂分别输入隐含层进行计算，便可以得到是否发生频率综合器劣化的输出结果。当采用3个特征的特征组合时，便可以使用类似于图3竖直线右侧所示的神经网络进行频率综合器检测。

请参照图12，为本发明实施例提供的一种检测设备的结构示意图；该检测设备可以包括:

数据采集模块100，用于采集或接收频率综合器输出的待检测信号；

数据预处理模块200，用于提取所述待检测信号的特征，所述特征包括与所述待检测信号的加性噪声相关的第一特征以及与所述待检测信号的相位噪声相关的第二特征；

机器学习算法模块300，用于将所述特征输入到经过训练后的模型中，输出检测结果。

所述数据预处理模块200具体用于：

可选地，所述特征还包括与所述待检测信号的相位噪声相关的第三特征；

所述数据预处理模块200具体用于：

该检测设备所涉及的与本申请实施例提供的技术方案相关的概念，解释和详细说明及其他步骤请参见前述方法实施例中关于这些内容的描述，此处不做赘述。

请参照图13，为本发明实施例提供的另一种检测设备的结构示意图。如图13所示，该检测设备可以包括处理器110、存储器120和总线130。处理器110和存储器120通过总线130连接，该存储器120用于存储指令，该处理器110用于执行该存储器120存储的指令，以实现如上图7对应的方法中的步骤。

进一步的，该检测设备还可以包括输入口140和输出口150。其中，处理器110、存储器120、输入口140和输出口150可以通过总线130相连。

处理器110用于执行该存储器120存储的指令，以控制输入口140采集训练数据和待检测，可选地，还可以控制输出口150输出频率综合器检测的结果，完成上述方法中检测设备执行的步骤。其中，输入口140和输出口150可以为相同或者不同的物理实体。为相同的物理实体时，可以统称为输入输出口。所述存储器120可以集成在所述处理器110中，也可以与所述处理器110分开设置。

作为一种实现方式，输入口140和输出口150的功能可以考虑通过收发电路或者收发的专用芯片实现。处理器110可以考虑通过专用处理芯片、处理电路、处理器或者通用芯片实现。

作为另一种实现方式，可以考虑使用通用计算机的方式来实现本申请实施例提供的检测设备。即将实现处理器110，输入口140和输出口150功能的程序代码存储在存储器中，通用处理器通过执行存储器中的代码来实现处理器110，输入口140和输出口150的功能。

该检测设备所涉及的与本申请实施例提供的技术方案相关的概念，解释和详细说明及其他步骤请参见前述方法或其他实施例中关于这些内容的描述，此处不做赘述。

本领域技术人员可以理解，为了便于说明，图13仅示出了一个存储器和处理器。在实际的控制器中，可以存在多个处理器和存储器。存储器也可以称为存储介质或者存储设备等，本申请实施例对此不做限制。在本申请实施例中，处理器可以是中央处理单元(Central Processing Unit，简称为“CPU”)，该处理器还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。该总线除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都标为总线。

还应理解，本文中涉及的第一、第二以及各种数字编号仅为描述方便进行的区分，并不用来限制本申请的范围。

本申请中，“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。

本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，“a,b,或c中的至少一项(个)”，或，“a,b,和c中的至少一项(个)”，均可以表示：a,b,c,a-b(即a和b),a-c,b-c,或a-b-c，其中a,b,c分别可以是单个，也可以是多个。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，部分或全部步骤可以并行执行或先后执行，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，网络设备或者终端设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本申请各装置实施例中给出的装置结构图仅示出了对应的装置的简化设计。在实际应用中，该装置可以包含任意数量的发射器，接收器，处理器，存储器等，以实现本申请各装置实施例中该装置所执行的功能或操作，而所有可以实现本申请的装置都在本申请的保护范围之内。

本申请各实施例中提供的消息/帧/指示信息、模块或单元等的名称仅为示例，可以使用其他名称，只要消息/帧/指示信息、模块或单元等的作用相同即可。

在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”或“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关硬件来完成，所述的程序可以存储于一个设备的可读存储介质中，该程序在执行时，包括上述全部或部分步骤，所述的存储介质，如：FLASH、EEPROM等。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，不同的实施例可以进行组合，以上所述仅为本申请的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何组合、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种频率综合器劣化的检测方法，其特征在于，包括：

检测设备接收所述频率综合器输出的待检测信号；

所述检测设备将所述特征输入到经过训练后的模型中，输出检测结果；

其中，所述检测设备提取所述待检测信号的特征，包括：

所述检测设备对所述半径均方误差取对数得到所述第一特征，以及对所述相位均方误差取对数得到所述第二特征；

或者，所述检测设备提取所述待检测信号的特征，包括：

2.根据权利要求1所述的检测方法，其特征在于，在所述检测设备对所述rx均方误差取对数得到所述第一特征，以及对所述ry均方误差取对数得到所述第二特征的情况下，所述特征还包括与所述待检测信号的相位噪声相关的第三特征；

所述检测设备提取所述待检测信号的特征，还包括：

3.如权利要求1或2所述的检测方法，其特征在于，所述待检测信号为载波信号。

4.一种检测设备，其特征在于，包括：

机器学习算法模块，用于将所述特征输入到经过训练后的模型中，输出检测结果；

其中，所述数据预处理模块具体用于：

对所述半径均方误差取对数得到所述第一特征，以及对所述相位均方误差取对数，得到所述第二特征；

或者，所述数据预处理模块具体用于：

5.根据权利要求4所述的检测设备，其特征在于，所述特征还包括与所述待检测信号的相位噪声相关的第三特征；

所述数据预处理模块具体用于：

6.根据权利要求4或5所述的检测设备，其特征在于，所述待检测信号为载波信号。

7.一种检测设备，其特征在于，包括：

处理器、存储器、收发器和总线，所述处理器、存储器和收发器通过总线连接，其中，所述存储器用于存储一组程序代码，所述处理器用于调用所述存储器中存储的程序代码，执行如权利要求1-3任一项所述的方法。

8.一种计算机可读存储介质，其特征在于，包括：

所述计算机可读存储介质中存储有指令，当其在计算机上运行时，实现如权利要求1-3任一项所述的方法。