CN111721401B - 一种低频噪声分析系统及方法 - Google Patents

一种低频噪声分析系统及方法 Download PDF

Info

Publication number
CN111721401B
CN111721401B CN202010556336.1A CN202010556336A CN111721401B CN 111721401 B CN111721401 B CN 111721401B CN 202010556336 A CN202010556336 A CN 202010556336A CN 111721401 B CN111721401 B CN 111721401B
Authority
CN
China
Prior art keywords
noise
frequency
low
module
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010556336.1A
Other languages
English (en)
Other versions
CN111721401A (zh
Inventor
岳龙
刘远
明志茂
陆裕东
李汝冠
江雪晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Radio And Tv Measurement And Testing Group Co ltd
Original Assignee
Guangzhou GRG Metrology and Test Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou GRG Metrology and Test Co Ltd filed Critical Guangzhou GRG Metrology and Test Co Ltd
Priority to CN202010556336.1A priority Critical patent/CN111721401B/zh
Publication of CN111721401A publication Critical patent/CN111721401A/zh
Application granted granted Critical
Publication of CN111721401B publication Critical patent/CN111721401B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明公开了一种低频噪声分析系统及方法，所述系统包括：待测器件模块，用于在给器件提供外部的偏置电压使其工作与设定状态后，将待测器件需要关注的噪声信号引入；低噪声放大器模块，用于将所述待测器件模块输出的小信号噪声放大；可调增益放大模块，用于依据待测器件输出的信号幅度大小选择信号增益将放大后的噪声信号进行再次放大输出模拟噪声信号；低频采样模块，用于对所述可调增益放大模块输出的模拟噪声信号进行采样，将模拟噪声信号转化为数字噪声信号；噪声处理模块，用于将所述低频采样模块输出的数字噪声信号进行噪声建模和神经网络分析。

Description

一种低频噪声分析系统及方法
技术领域
本发明涉及低频噪声分析技术领域，特别是涉及一种低频噪声分析系统及方法。
背景技术
低频噪声已经成为了表征器件质量和可靠性的重要参数，开展器件低频噪声的测试和分析具有重要的意义。器件产生低频噪声的原由较多，包含随机电报噪声、分数布兰运动、器件内部缺陷等，其形成的功率谱结构不尽相同，因此有必要开展相关分析。
目前常见的低频噪声测量设备采用通用化的仪器构建，采用低噪声的放大器结构开展对噪声数据的测量，采用傅里叶分析的方法计算信号的频谱，但是该方法只能计算出低频噪声的总体频谱，无法从中对特定信号进行建模分析，从而产生各种原因相互叠加，从而忽视了造成器件缺陷的主要原因，对低频噪声分析不利，迫切需要提出新的低频噪声分析方法。
如图1所示为现有技术中一种低频噪声测试系统示意图，其提出了基于小波分析的低频噪声分析方法，其中，稳压电池VDD、栅极偏置电阻R4和R5、栅极隔离电阻R6、漏极供电电阻R2和R1、负载电阻R3、隔直电容C1组成待测器件模块，保证待测样品工作于设定状态。该测试系统采用了美国EG&G普林斯顿应用研究公司制造的低噪声前置放大器PARC113(放大增益范围为20～80dB，测试带宽为1～300kHz，其背景噪声很低)和数字处理系统构成，在电脑(Computer)端组成的频谱分析系统(Spectrum analyzing system)完成数字采集后，采用小波分析的方法将不同因素造成的1/f噪声作为信号的分解基进行处理，得到不同机制下噪声的产生机理。
但是，由于小波变换基需要具备正交性，在信号处理过程中会造成不同因素产生的噪声相互混叠，从而在噪声归因过程中不准确，或偏向性较强，需要进行进一步分解。
发明内容
为克服上述现有技术存在的不足，本发明之目的在于提供一种低频噪声分析系统及方法，以实现快速分析器件低频噪声的目的。
为达上述及其它目的，本发明提出一种低频噪声分析系统，包括：
待测器件模块，用于在给器件提供外部的偏置电压使其工作与设定状态后，将待测器件需要关注的噪声信号引入；
低噪声放大器模块，用于将所述待测器件模块输出的小信号噪声放大；
可调增益放大模块，用于依据待测器件输出的信号幅度大小选择信号增益将放大后的噪声信号进行再次放大输出模拟噪声信号；
低频采样模块，用于对所述可调增益放大模块输出的模拟噪声信号进行采样，将模拟噪声信号转化为数字噪声信号；
噪声处理模块，用于将所述低频采样模块输出的数字噪声信号进行噪声建模和神经网络分析。
优选地，所述噪声处理模块将所述低频采样模块输出的数字噪声信号根据基于不同噪声源进行噪声建模，并建立神经网络模型，基于构建的神经网络模型，获取各噪声源的权重数据，依据各噪声源的构成与权重分别绘制出各噪声源的频率谱，通过分析各噪声源频谱并与器件基准的噪声源频谱进行比较，从而分析潜在的缺陷和可靠性隐患。
优选地，所述噪声处理模块进一步包括：
噪声模型构建单元，用于基于不同噪声源的数据特性，构建不同噪声模型；
神经网络模型构建单元，用于根据构建的噪声模型确定输入卷积函数，构建神经网络模型；
权重确定单元，基于构建的神经网络模型，获取各噪声源的权重数据；
频率谱绘制单元，用于依据各噪声源的构成与权重分别绘制出各噪声源的频率谱；
频谱比较单元，用于分析各噪声源频谱，并与器件基准的噪声源频谱进行比较，从而分析潜在的缺陷和可靠性隐患。
优选地，所述频率谱绘制单元依据各噪声源的构成与权重分别绘制出各噪声源的频率谱，并将白噪声频谱去除。
优选地，所述噪声模型构建单元选定的噪声模型包含系统白噪声和缺陷噪声。
优选地，所述白噪声包括热噪声和离散噪声，其构建一个噪声模型，作为一类卷积核。
优选地，对于缺陷噪声，依据其器件特性，选定出多种可能的噪声源，依据噪声源选定噪声模型，选定为噪声处理中的多个卷积核。
优选地，所述神经网络模型构建单元利用多个卷积核对测量的数据进行卷积处理，构建第一层CNN网络，采用三层隐含层用于识别分析噪声源的主成分，并给出各类噪声源的权重。
为达到上述目的，本发明还提供一种低频噪声分析方法，包括如下步骤：
步骤S1，利用低噪声放大器模块将待测器件模块输出的小信号噪声放大，采用低噪声放大器实现；
步骤S2，利用可调增益放大模块依据待测器件输出的信号幅度大小选择合适的信号增益将放大后的噪声信号进行再次放大输出模拟噪声信号；
步骤S3，利用低频采样模块对可调增益放大模块输出的模拟噪声信号进行采样，将模拟噪声信号转化为数字噪声信号，便于后续进行噪声处理；
步骤S4，利用噪声处理模块将低频采样模块输出的数字噪声信号根据基于不同噪声源进行噪声建模，并建立神经网络模型，基于构建的神经网络模型，获取各噪声源的权重数据，依据各噪声源的构成与权重分别绘制出各噪声源的频率谱，通过分析各噪声源频谱并与器件基准的噪声源频谱进行比较，从而分析潜在的缺陷和可靠性隐患。
优选地，步骤S4进一步包括：
步骤S400，基于不同噪声源的数据特性，构建不同噪声模型；
步骤S401，根据构建的噪声模型确定输入卷积函数，构建神经网络模型；
步骤S402，基于构建的神经网络模型，获取各噪声源的权重数据；
步骤S403，依据各噪声源的构成与权重分别绘制出各噪声源的频率谱，并将白噪声频谱去除；
步骤S404，分析各噪声源频谱，并与器件基准的噪声源频谱进行比较，从而分析潜在的缺陷和可靠性隐患。
与现有技术相比，本发明一种低频噪声分析系统及方法通过将所述低频采样模块输出的数字噪声信号根据基于不同噪声源进行噪声建模，并建立神经网络模型，基于构建的神经网络模型，获取各噪声源的权重数据，依据各噪声源的构成与权重分别绘制出各噪声源的频率谱，通过分析各噪声源频谱并与器件基准的噪声源频谱进行比较，从而分析潜在的缺陷和可靠性隐患，从而实现了快速分析器件低频噪声产生因素的目的。
附图说明
图1为现有技术中一种低频噪声测试系统示意图；
图2为本发明一种低频噪声分析系统的系统架构图；
图3为本发明具体实施例中噪声处理模块的细部结构图；
图4为本发明具体实施例中构建的神经网络模型的示意图；
图5为本发明一种低频噪声分析方法的步骤流程图；
图6为本发明实施例中步骤S4的噪声数据处理流程图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。
图2为本发明一种低频噪声分析系统的系统架构图。如图2所示，本发明一种低频噪声分析系统，包括：
待测器件模块10，由待测样品和外围电路组成，主要用于在给器件提供外部的偏置电压使其工作与设定状态后，将待测器件需要关注的噪声信号引入，用于后续的信号处理；
低噪声放大器模块20，用于将待测器件模块10输出的小信号噪声放大，采用低噪声放大器实现，便于进行信号处理；
可调增益放大模块30，用于依据待测器件输出的信号幅度大小选择合适的信号增益将放大后的噪声信号进行再次放大输出模拟噪声信号；
低频采样模块40，用于对可调增益放大模块30输出的模拟噪声信号进行采样，将模拟噪声信号转化为数字噪声信号，便于后续进行噪声处理；
噪声处理模块50，用于将低频采样模块40输出的数字噪声信号进行噪声建模和神经网络分析，具体地，噪声处理模块50将低频采样模块输出的数字噪声信号根据基于不同噪声源进行噪声建模，并建立神经网络模型，基于构建的神经网络模型，获取各噪声源的权重数据，依据各噪声源的构成与权重分别绘制出各噪声源的频率谱，通过分析各噪声源频谱并与器件基准的噪声源频谱进行比较，从而分析潜在的缺陷和可靠性隐患。
本发明的工作过程如下：
待测样品处于设定的工作条件下，并将待测器件模块10输出的低频噪声信号引出，该低频噪声信号经过低噪声放大器进行放大，并依据信号幅度大小选择合适的信号增益通过可调增益放大器进行进一步放大得到模拟噪声信号，对放大后的模拟噪声信号进行低频采样，得到数字噪声信号，进行下一步噪声处理模块50的数据处理。
噪声处理模块50对低频采样模块40基于低频噪声采集设计所采集的数字噪声数据开展数据分析。鉴于构成系统的低频噪声由多个部分构成，噪声处理模块50基于不同噪声源的数据特性，构建不同参数模型函数，采用机器学习的方式从噪声数据中提取相关的参数。
具体地，如图3所示，噪声处理模块50进一步包括：
噪声模型构建单元501，用于基于不同噪声源的数据特性，构建不同噪声模型(包括白噪声、1/f噪声等多种噪声，其模型为一个数学统计模型，噪声模型是为了给神经网络模型的构建提供参考，神经网络模型输出这些噪声模型的参数的估计值)。在本发明具体实施例中，选定的噪声模型包含系统白噪声和缺陷噪声。
白噪声包括热噪声和离散噪声，考虑到其为广谱噪声，频谱为均匀谱，可以构建一个噪声模型，作为一类卷积核。
对于缺陷噪声，依据其器件特性，选定出多种可能的噪声源，依据噪声源选定噪声模型，在噪声处理中对不同的噪声模型选定不同的多个卷积核。
神经网络模型构建单元502，用于根据构建的噪声模型确定输入卷积函数，构建神经网络模型。具体地，如图4所示，神经网络模型构建单元502利用多个卷积核对测量的数据进行卷积处理，构建CNN网络(第一层为输入层Input Layer，采用三层隐含层HiddenLayer)用于识别分析噪声源的主成分，并给出各类噪声源的权重。需说明的是，CNN是一类卷积神经网络的统称，其构建已是现有成熟技术，在此不予赘述。
权重确定单元503，基于构建的神经网络模型，获取各噪声源的权重数据。
频率谱绘制单元504，用于依据各噪声源的构成与权重分别绘制出各噪声源的频率谱，并将白噪声频谱(广谱固定均值)去除。
频谱比较单元505，用于分析各噪声源频谱，并与器件基准的噪声源频谱(通用器件研究报告公布值)进行比较，从而基于器件噪声与器件缺陷的已知研究数据(如1/f噪声被证明与器件界面的缺陷密度相关，界面缺陷密度增加，1/f噪声增大)分析潜在的缺陷和可靠性隐患。
图5为本发明一种低频噪声分析方法的步骤流程图。如图5所示，本发明一种低频噪声分析方法，包括如下步骤：
步骤S1，利用低噪声放大器模块将待测器件模块输出的小信号噪声放大，采用低噪声放大器实现，便于进行信号处理；
步骤S2，利用可调增益放大模块依据待测器件输出的信号幅度大小选择合适的信号增益将放大后的噪声信号进行再次放大输出模拟噪声信号；
步骤S3，利用低频采样模块对可调增益放大模块输出的模拟噪声信号进行采样，将模拟噪声信号转化为数字噪声信号，便于后续进行噪声处理；
步骤S4，利用噪声处理模块将低频采样模块输出的数字噪声信号根据基于不同噪声源进行噪声建模，并建立神经网络模型，基于构建的神经网络模型，获取各噪声源的权重数据，依据各噪声源的构成与权重分别绘制出各噪声源的频率谱，通过分析各噪声源频谱并与器件基准的噪声源频谱进行比较，从而分析潜在的缺陷和可靠性隐患。
具体地，步骤S4进一步包括：
步骤S400，基于不同噪声源的数据特性，构建不同噪声模型。在本发明具体实施例中，选定的噪声模型包含系统白噪声和缺陷噪声。
白噪声包括热噪声和离散噪声，考虑到其为广谱噪声，频谱为均匀谱，可以构建一个噪声模型，作为一类卷积核。
对于缺陷噪声，依据其器件特性，选定出多种可能的噪声源，依据噪声源选定噪声模型，选定为噪声处理中的多个卷积核。
步骤S401，根据构建的噪声模型确定输入卷积函数，构建神经网络模型。具体地，于步骤S401中，利用多个卷积核对测量的数据进行卷积处理，构建第一层CNN网络，采用三层隐含层(Hidden Layer)用于识别分析噪声源的主成分，并给出各类噪声源的权重。
步骤S402，基于构建的神经网络模型，获取各噪声源的权重数据。
步骤S403，依据各噪声源的构成与权重分别绘制出各噪声源的频率谱，并将白噪声频谱去除。
步骤S404，分析各噪声源频谱，并与器件基准的噪声源频谱进行比较，从而分析潜在的缺陷和可靠性隐患。
图6为本发明实施例中步骤S4的噪声处理的流程图。在本实施例中，鉴于构成系统的低频噪声由多个部分构成，基于不同噪声源的数据特性，可以构建不同参数模型函数，采用机器学习的方式从噪声数据中提取相关的参数。
选定的噪声模型包含系统白噪声和缺陷噪声构成。
白噪声包括热噪声和离散噪声，考虑到其为广谱噪声，频谱为均匀谱，可以构建一个噪声模型，作为一类卷积核。
对于缺陷噪声依据其器件特性，选定出多种可能的噪声源，依据噪声源选定噪声模型，选定为噪声处理中的多个卷积核。利用多个卷积核对测量的数据进行卷积处理，构建第一层CNN网络，采用三层隐含层用于识别分析噪声源的主成分，并给出各类噪声源的权重。
对构建的神经网络模型利用仿真数据进行模型训练。
将采样数据输入训练后的神经网络模型，基于构建的神经网络模型，获取各噪声源的权重数据。依据各噪声源的构成与权重可以分别绘制出各噪声源的频率谱，并将白噪声频谱去除。通过分析各噪声源频谱，并与器件基准的噪声源频谱进行比较，从而分析潜在的缺陷和可靠性隐患。
综上所述，本发明一种低频噪声分析系统及方法通过将所述低频采样模块输出的数字噪声信号根据基于不同噪声源进行噪声建模，并建立神经网络模型，基于构建的神经网络模型，获取各噪声源的权重数据，依据各噪声源的构成与权重分别绘制出各噪声源的频率谱，通过分析各噪声源频谱并与器件基准的噪声源频谱进行比较，从而分析潜在的缺陷和可靠性隐患，从而实现了快速分析器件低频噪声产生因素的目的。
与现有技术相比，本发明具有如下优点：
1、本发明通过将低频噪声依据不同产生原因进行了解构(指将噪声依据来源形成多个噪声模型，分别来计算分析)，便于对采样数据进行分析。
2、本发明提出了低频噪声谱的重建方法(将噪声进行了分解，对应不同的噪声模型，并进行参数估计，在得到各噪声模型后进行累加就能进行重建，重建对应前期的分解)，将其余非关联噪声进行了剔除。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (9)

1.一种低频噪声分析系统，其特征在于，包括：
待检测器件模块、低噪声放大模器模块、可调增益放大模块、低频采样模块和噪声处理模块；
所述待测器件模块，用于在给器件提供外部的偏置电压使其工作与设定状态后，将待测器件需要关注的噪声信号引入；
所述低噪声放大器模块，用于将所述待测器件模块输出的小信号噪声放大；
所述可调增益放大模块，用于依据待测器件输出的信号幅度大小选择信号增益将放大后的噪声信号进行再次放大输出模拟噪声信号；
所述低频采样模块，用于对所述可调增益放大模块输出的模拟噪声信号进行采样，将模拟噪声信号转化为数字噪声信号；
所述噪声处理模块，用于将所述低频采样模块输出的数字噪声信号进行噪声建模和神经网络分析。所述噪声处理模块将所述低频采样模块输出的数字噪声信号根据基于不同噪声源进行噪声建模，并建立神经网络模型，基于构建的神经网络模型，获取各噪声源的权重数据，依据各噪声源的构成与权重分别绘制出各噪声源的频率谱，通过分析各噪声源频谱并与器件基准的噪声源频谱进行比较，从而分析潜在的缺陷和可靠性隐患。
2.如权利要求1所述的一种低频噪声分析系统，其特征在于，所述噪声处理模块进一步包括：
噪声模型构建单元，用于基于不同噪声源的数据特性，构建不同噪声模型；
神经网络模型构建单元，用于根据构建的噪声模型确定输入卷积函数，构建神经网络模型；
权重确定单元，基于构建的神经网络模型，获取各噪声源的权重数据；
频率谱绘制单元，用于依据各噪声源的构成与权重分别绘制出各噪声源的频率谱；
频谱比较单元，用于分析各噪声源频谱，并与器件基准的噪声源频谱进行比较，从而分析潜在的缺陷和可靠性隐患。
3.如权利要求2所述的一种低频噪声分析系统，其特征在于：所述频率谱绘制单元依据各噪声源的构成与权重分别绘制出各噪声源的频率谱，并将白噪声频谱去除。
4.如权利要求2所述的一种低频噪声分析系统，其特征在于：所述噪声模型构建单元选定的噪声模型包含系统白噪声和缺陷噪声。
5.如权利要求4所述的一种低频噪声分析系统，其特征在于：所述白噪声包括热噪声和离散噪声，其构建一个噪声模型，作为一类卷积核。
6.如权利要求4所述的一种低频噪声分析系统，其特征在于：对于缺陷噪声，依据其器件特性，选定出多种可能的噪声源，依据噪声源选定噪声模型，选定为噪声处理中的多个卷积核。
7.如权利要求6所述的一种低频噪声分析系统，其特征在于：所述神经网络模型构建单元利用多个卷积核对测量的数据进行卷积处理，构建第一层CNN网络，采用三层隐含层用于识别分析噪声源的主成分，并给出各类噪声源的权重。
8.一种低频噪声分析方法，其特征在于，包括如下步骤：
步骤S1，利用低噪声放大器模块将待测器件模块输出的小信号噪声放大，采用低噪声放大器实现；
步骤S2，利用可调增益放大模块依据待测器件输出的信号幅度大小选择合适的信号增益将放大后的噪声信号进行再次放大输出模拟噪声信号；
步骤S3，利用低频采样模块对可调增益放大模块输出的模拟噪声信号进行采样，将模拟噪声信号转化为数字噪声信号；
步骤S4，利用噪声处理模块将低频采样模块输出的数字噪声信号根据基于不同噪声源进行噪声建模，并建立神经网络模型，基于构建的神经网络模型，获取各噪声源的权重数据，依据各噪声源的构成与权重分别绘制出各噪声源的频率谱，通过分析各噪声源频谱并与器件基准的噪声源频谱进行比较，从而分析潜在的缺陷和可靠性隐患。
9.如权利要求8所述的一种低频噪声分析方法，其特征在于，步骤S4进一步包括：
步骤S400，基于不同噪声源的数据特性，构建不同噪声模型；
步骤S401，根据构建的噪声模型确定输入卷积函数，构建神经网络模型；
步骤S402，基于构建的神经网络模型，获取各噪声源的权重数据；
步骤S403，依据各噪声源的构成与权重分别绘制出各噪声源的频率谱，并将白噪声频谱去除；
步骤S404，分析各噪声源频谱，并与器件基准的噪声源频谱进行比较，从而分析潜在的缺陷和可靠性隐患。
CN202010556336.1A 2020-06-17 2020-06-17 一种低频噪声分析系统及方法 Active CN111721401B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010556336.1A CN111721401B (zh) 2020-06-17 2020-06-17 一种低频噪声分析系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010556336.1A CN111721401B (zh) 2020-06-17 2020-06-17 一种低频噪声分析系统及方法

Publications (2)

Publication Number Publication Date
CN111721401A CN111721401A (zh) 2020-09-29
CN111721401B true CN111721401B (zh) 2022-03-08

Family

ID=72567148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010556336.1A Active CN111721401B (zh) 2020-06-17 2020-06-17 一种低频噪声分析系统及方法

Country Status (1)

Country Link
CN (1) CN111721401B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189412B (zh) * 2021-05-07 2022-05-03 广州广电计量检测股份有限公司 一种多通道相关的低频噪声测试装置及分析方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1584433A (zh) * 2004-06-04 2005-02-23 广东科龙电器股份有限公司 基于神经网络的空调器噪声源识别方法
CN104102838A (zh) * 2014-07-14 2014-10-15 河海大学 一种基于小波神经网络和小波技术的变压器噪声预测方法
CN108520134A (zh) * 2018-03-30 2018-09-11 天津大学 一种发动机噪声源权重分析方法
CN108614204A (zh) * 2018-05-29 2018-10-02 长春理工大学 一种igbt器件低频噪声可靠性评价方法
CN108981934A (zh) * 2018-06-29 2018-12-11 北京控制工程研究所 一种热敏电阻型红外探测器噪声测试系统及方法
CN109212336A (zh) * 2018-10-24 2019-01-15 西安电子科技大学 一种便携式微弱电信号的低频噪声测试方法
CN109344751A (zh) * 2018-09-20 2019-02-15 上海工程技术大学 一种车内噪声信号的重构方法
CN110426619A (zh) * 2019-08-08 2019-11-08 长春理工大学 Igbt低频噪声检测装置
CN110471000A (zh) * 2019-09-20 2019-11-19 深圳市新威尔电子有限公司 电池噪声测试装置
CN110501623A (zh) * 2019-08-29 2019-11-26 北京航空航天大学 一种低噪声ldo输出噪声测试的实现方法
CN110850261A (zh) * 2019-11-12 2020-02-28 广州广电计量检测股份有限公司 一种在线测量电路及测量方法
CN110956197A (zh) * 2019-10-28 2020-04-03 新绎健康科技有限公司 一种基于卷积神经网络建立脉波噪声信号识别模型的方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10064756A1 (de) * 2000-12-22 2002-07-04 Daimler Chrysler Ag Verfahren und Anordnung zur Verarbeitung von Geräuschsignalen einer Geräuschquelle

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1584433A (zh) * 2004-06-04 2005-02-23 广东科龙电器股份有限公司 基于神经网络的空调器噪声源识别方法
CN104102838A (zh) * 2014-07-14 2014-10-15 河海大学 一种基于小波神经网络和小波技术的变压器噪声预测方法
CN108520134A (zh) * 2018-03-30 2018-09-11 天津大学 一种发动机噪声源权重分析方法
CN108614204A (zh) * 2018-05-29 2018-10-02 长春理工大学 一种igbt器件低频噪声可靠性评价方法
CN108981934A (zh) * 2018-06-29 2018-12-11 北京控制工程研究所 一种热敏电阻型红外探测器噪声测试系统及方法
CN109344751A (zh) * 2018-09-20 2019-02-15 上海工程技术大学 一种车内噪声信号的重构方法
CN109212336A (zh) * 2018-10-24 2019-01-15 西安电子科技大学 一种便携式微弱电信号的低频噪声测试方法
CN110426619A (zh) * 2019-08-08 2019-11-08 长春理工大学 Igbt低频噪声检测装置
CN110501623A (zh) * 2019-08-29 2019-11-26 北京航空航天大学 一种低噪声ldo输出噪声测试的实现方法
CN110471000A (zh) * 2019-09-20 2019-11-19 深圳市新威尔电子有限公司 电池噪声测试装置
CN110956197A (zh) * 2019-10-28 2020-04-03 新绎健康科技有限公司 一种基于卷积神经网络建立脉波噪声信号识别模型的方法及系统
CN110850261A (zh) * 2019-11-12 2020-02-28 广州广电计量检测股份有限公司 一种在线测量电路及测量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
根据RBF神经网络的驱动桥噪声预测与权重分析;石晓辉等;《机械设计与制造》;20170930(第z期);第70-73页 *
电子元器件低频电噪声测试技术及应用研究;王署光;《电子测试》;20160930(第17期);第134-135页 *

Also Published As

Publication number Publication date
CN111721401A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN107894564B (zh) 一种基于交叉小波特征的模拟电路故障诊断方法
CN110389290B (zh) 一种电子元器件噪声测试及寿命评估的系统及方法和装置
CN101674520A (zh) 振动式拾音器参数分析测试方法和装置
CN111125868B (zh) 一种电子产品的多应力寿命评估方法及装置
CN111721401B (zh) 一种低频噪声分析系统及方法
CN110632484A (zh) 一种基于elm的gis局部放电缺陷诊断分类系统及方法
Devarakond et al. Concurrent device/specification cause–effect monitoring for yield diagnosis using alternate diagnostic signatures
JP2009522572A (ja) 非線形動作を決定する方法及び装置
Barragan et al. Improving the accuracy of RF alternate test using multi-VDD conditions: application to envelope-based test of LNAs
CN117434426A (zh) 一种开关电容滤波器的测试方法、系统及装置
CN112881879A (zh) 一种高压电缆终端局部放电模式识别方法、装置及设备
Sindia et al. Test and diagnosis of analog circuits using moment generating functions
CN116881712A (zh) 一种混凝土大坝活动裂纹电磁脉冲信号识别方法
Temme et al. A new method for measuring distortion using a multitone stimulus and noncoherence
CN111650449B (zh) 一种低频噪声测试装置及方法
Verbeyst et al. The Volterra input-output map of a high-frequency amplifier as a practical alternative to load-pull measurements
Moe et al. A miniaturized lock-in amplifier design suitable for impedance measurements in cells [biological cells]
CN113189412B (zh) 一种多通道相关的低频噪声测试装置及分析方法
Negreiros et al. Testing analog circuits using spectral analysis
RU2209410C1 (ru) Способ диагностики подшипников
Bhagat et al. Design and development of signal conditioning unit for acquisition of acoustic emission signal for metallic materials
CN115881501B (zh) 一种电子显微镜的扫描信号检测及调节系统
Srimani et al. Neural network based indirect estimation of functional parameters of amplifier by extracting features from wavelet transform
Stein et al. Data-driven quality assessment of noisy nonlinear sensor and measurement systems
Pal et al. Evaluating capability of a bivariate zero-inflated poisson process

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No. 8 Qishan Road, Shiqi Town, Panyu District, Guangzhou City, Guangdong Province, 510000, 150

Patentee after: Radio and TV Measurement and Testing Group Co.,Ltd.

Address before: No.163, xipingyun Road, Huangpu Avenue, Tianhe District, Guangzhou, Guangdong 510000

Patentee before: GUANGZHOU GRG METROLOGY & TEST Co.,Ltd.