CN111863104B - 眼图判定模型训练方法、眼图判定方法、装置、设备及介质 - Google Patents

Abstract

本发明提供一种眼图判定模型训练方法、眼图判定方法、装置、设备及介质，该训练方法包括：获取样本数据集，所述样本数据集包含若干信号眼图，其中，各所述信号眼图分别标记有对应的实际稳定性测试结果；对所述样本数据集进行特征提取处理，以提取各所述信号眼图对应的特征值；基于特征提取处理后的样本数据集，对预先建立的眼图判定模型进行训练，得到目标眼图判定模型。本发明通过目标眼图判定模型对目标信号眼图进行处理可以准确得到目标信号眼图的眼图质量，从而提高控制器端判定眼图质量的准确性。

Description

眼图判定模型训练方法、眼图判定方法、装置、设备及介质

技术领域

本发明涉及眼图判定领域，尤其涉及一种眼图判定模型训练方法、眼图判定方法、装置、设备及介质。

背景技术

DDR全称是DDR SDRAM(Double Data Rate Synchronous Dynamic Random AccessMemory，双倍速率同步动态随机存储器)，具有双倍速率传输数据的特性，是现有市场上的主流内存规范，被广泛应用于各大芯片组厂商的主流产品。

通过DDR信号眼图，可以比较全面的评价DDR信号的质量。基于JEDEC(固态技术协会)标准定义了DDR信号眼图对应的Rx MASK(数据接收掩模)，以判定DDR是否满足协议规定。具体地，当眼图中信号能够覆盖到标准定义的RX Mask即表示满足，反之表示不满足。

然而，JEDEC标准仅提供了DDR端的Rx Mask标准，而未提供与DDR进行读写交互的控制器端的Rx Mask标准，即，JEDEC制定的Rx MASK标准仅针对控制器端向DDR写数据的场景，针对控制器端从DDR读数据的场景并没有相应的Rx MASK标准。

在现有技术中，控制器端的Rx Mask通常设定为与对应DDR端的标准Rx Mask相同，这会造成控制器端DDR信号眼图判定不够精确。具体而言，在实际应用中可能出现以下两种情况：第一种，控制器端根据设定的Rx Mask判定DDR信号眼图的眼图质量达标，然而DDR却未通过稳定性测试(稳定性测试是指分别在不同的温度(高温、常温、低温)下对DDR施加压力，例如以一定的码型写入DDR，然后进行读取，并比对读取结果与写入的数据是否一致，若一致表示通过稳定性测试，反之表示未通过稳定性测试)，这是因为控制器端DDR信号眼图的Rx Mask设定偏松导致的；第二种，控制器端根据设定的Rx Mask判定DDR信号眼图的眼图质量不达标，然而DDR却通过稳定性测试，这是因为控制器端DDR信号眼图的Rx Mask设定偏严导致的。无论偏松或偏严，都将影响控制器端对DDR信号质量判断的准确性。

发明内容

针对上述现有技术的不足，本发明提供一种眼图判定模型训练方法、眼图判定方法、装置、设备及介质，以提高控制器端判定眼图信号质量的准确性。

为了实现上述目的，本发明提供一种眼图判定模型训练方法，包括：

获取样本数据集，所述样本数据集包含若干信号眼图，其中，各所述信号眼图分别标记有对应的实际稳定性测试结果；

对所述样本数据集进行特征提取处理，以提取各所述信号眼图对应的特征值；

基于特征提取处理后的样本数据集，对预先建立的眼图判定模型进行训练，得到目标眼图判定模型。

在本发明一个实施例中，所述基于特征提取处理后的样本数据集，对预先建立的眼图判定模型进行训练，得到目标眼图判定模型的步骤包括：

将特征提取处理后的样本数据集划分为训练集和验证集；

基于所述训练集，对预先建立的眼图判定模型进行训练；

基于所述验证集，对训练后的眼图判定模型进行验证，当验证成功时，将训练后的眼图判定模型作为所述目标眼图判定模型。

在本发明一个实施例中，所述基于所述训练集，对预先建立的眼图判定模型进行训练的步骤包括循环执行以下步骤：

将所述训练集中某信号眼图对应的特征值输入预先建立的眼图判定模型进行处理，得到所述某信号眼图的质量预测判定结果；

获取所述某信号眼图对应的质量预测判定结果与实际稳定性测试结果之间的误差；

基于所述误差对所述眼图判定模型的参数进行调整，直至所述误差满足预定条件。

在本发明一个实施例中，所述眼图判定模型采用BP神经网络。

在本发明一个实施例中，所述方法还包括：对各所述信号眼图对应的特征值进行归一化预处理。

为了实现上述目的，本发明还提供一种眼图判定方法，包括：

获取目标信号眼图，所述目标信号眼图配置有对应的Rx Mask；

提取所述目标信号眼图对应的特征值；

将所述目标信号眼图对应的特征值输入所述目标眼图判定模型进行处理，得到所述目标信号眼图的质量预测判定结果。

为了实现上述目的，本发明还提供一种眼图判定模型训练装置，包括：

样本获取模块，用于获取样本数据集，所述样本数据集包含若干信号眼图，其中，各所述信号眼图分别标记有对应的实际稳定性测试结果；

样本特征提取模块，用于对所述样本数据集进行特征提取处理，以提取各所述信号眼图对应的特征值；

模型训练模块，用于基于特征提取处理后的样本数据集，对预先建立的眼图判定模型进行训练，得到目标眼图判定模型。

在本发明一个实施例中，所述模型训练模块包括：

划分单元，用于将特征提取处理后的样本数据集划分为训练集和验证集；

训练单元，用于基于所述训练集，对预先建立的眼图判定模型进行训练；

验证单元，用于基于所述验证集，对训练后的眼图判定模型进行验证，当验证成功时，将训练后的眼图判定模型作为所述目标眼图判定模型。

在本发明一个实施例中，所述训练单元具体用于：

将所述训练集中某信号眼图对应的特征值输入预先建立的眼图判定模型进行处理，得到所述某信号眼图的质量预测判定结果；

获取所述某信号眼图对应的质量预测判定结果与实际稳定性测试结果之间的误差；

基于所述误差对所述眼图判定模型的参数进行调整，直至所述误差满足预定条件。

在本发明一个实施例中，所述眼图判定模型采用BP神经网络。

在本发明一个实施例中，所述装置还包括：预处理模块，用于对各所述信号眼图对应的特征值进行归一化预处理。

为了实现上述目的，本发明还提供一种眼图判定装置，包括：

目标眼图获取模块，用于获取目标信号眼图；

目标眼图特征提取模块，用于提取所述目标信号眼图对应的特征值；

处理模块，用于将所述目标信号眼图对应的特征值输入所述目标眼图判定模型进行处理，得到所述目标信号眼图的质量预测判定结果。

为了实现上述目的，本发明还提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述眼图判定模型训练方法或眼图判定方法的步骤。

为了实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述眼图判定模型训练方法或眼图判定方法的步骤。

通过采用上述技术方案，本发明具有如下有益效果：

本发明利用机器学习的方法对信号眼图对应的特征值和实际稳定性测试结果进行学习，从而得到准确率较高的眼图判定模型，通过该眼图判定模型可以提高控制器端判定眼图信号质量的准确性，进而减少因Rx Mask设定偏松或偏严导致的误判。

附图说明

图1A为本发明实施例1的眼图判定模型训练方法的流程图；

图1B为本发明实施例1中信号眼图的示意图；

图1C为本发明实施例1中采用的BP神经网络的架构图；

图2为本发明实施例2的眼图判定方法的流程图；

图3为本发明实施例3的眼图判定模型训练装置的结构框图；

图4为本发明实施例4的眼图判定装置的结构图；

图5为本发明实施例5的电子设备的硬件架构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开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。

实施例1

本实施例提供一种眼图判定模型训练方法，适用于控制器端，如图1A所示，该方法包括以下步骤：

S1，获取样本数据集，所述样本数据集包含若干历史信号眼图，其中，各所述信号眼图分别标记有对应的实际稳定性测试结果。

在本实施例中，信号眼图可以是控制器端通过DDR扫描得到的DDR信号眼图。本实施例预先针对样本数据集中各信号眼图对应的DDR设备进行了稳定性测试，并对各信号眼图对应的DDR设备的实际稳定性测试结果进行了标记，例如，若通过稳定性测试，则标记为1，若未通过稳定性测试，则标记为0。

S2，对所述样本数据集进行特征提取处理，以提取各所述信号眼图对应的关键参数作为特征值。

本步骤可以首先获取各信号眼图的log(日志)文件，该log文件中包含眼图的相关数据，例如眼图对应的Rx Mask的有关参数。在本实施例中，每个信号眼图分别配置有对应的Rx Mask(即适用于对应DDR端的Rx Mask)，Rx Mask的相关参数根据DDR的类型和数据手册确定，其规定了DDR正常工作必须满足的眼图质量要求。例如，如图1B所示，中间的六边形框为预先定义的Rx Mask区域，其表示禁止信号分布区域，若实际的眼图能够将六边形框定义的区域包含在内即表示质量达标，反之则表示质量不达标。针对图1所示的信号眼图，可以提取眼图的最大宽度eyewindows以及与其Rx Mask区域上下边界齐平位置处的眼图宽度W1和W2作为对应眼图的特征值。

S3，基于特征提取处理后的样本数据集，对预先建立的眼图判定模型进行训练，得到目标眼图判定模型，具体通过如下步骤S31-S32实现：

S31，按预定比例将特征提取处理后的样本数据集划分为训练集和验证集。例如，65％作为训练集，35％作为验证集。其中，划分比例可根据需要取值，本实施例并不对划分比例做任何具体限定。

S32，基于所述训练集，对预先建立的眼图判定模型进行训练，具体过程如下：

S321，从所述训练集中选取一个信号眼图对应的特征值输入预先建立的眼图判定模型进行处理，得到该信号眼图的质量预测判定结果，若预测判定该信号眼图质量达标，则模型输出的判定结果为1，反之，则模型输出的判定结果为0。

在本实施例中，眼图判定模型优选采用BP神经网络。如图1C所示，BP神经网络的架构分为三层：输入层、隐含层和输出层。BP神经网络包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐含层节点的联接强度和隐含层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。步骤S321即为信号的正向传播过程。

S322，获取步骤S321得到的该信号眼图对应的质量预测判定结果与步骤S1中该信号眼图所标记的实际稳定性测试结果之间的误差。

S323，基于所述误差对所述眼图判定模型的参数进行调整，而后返回步骤S321，直至所述误差满足预定条件时，训练结束。步骤S323即为误差的反向传播过程。

S33，基于所述验证集，对训练后的眼图判定模型的性能(如准确率)进行验证，当验证成功时，将训练后的眼图判定模型作为所述目标眼图判定模型，当验证失败时，增加样本集中的样本，进行重新训练。

随着训练次数的增加，输出误差不断减小，经过多次的训练逼近，最终可以使得误差控制在4％以内。后续通过样本的不断积累，会有更丰富和典型的数据加入到模型的训练中，这样不断优化模型，最终可以得到一个极为精准的判定模型。

优选地，在执行步骤S3之前，本实施例还可以包括对提取到的特征值进行归一化预处理。因为神经网络涉及到很多层的叠加，而每一层的参数更新会导致上层的输入数据分布发生变化，通过层层叠加，高层的输入分布变化会非常剧烈。虽然神经网络各层的输入信号分布不同，但最终“指向”的样本标记是不变的，即边缘概率不同而条件概率一致。为了降低分布变化的影响，使用归一化策略，把数据分布映射到一个确定的区间。

具体地，可以根据公式(x-mean)/std进行归一化处理，其中，x表示目标特征值，mean表示多个特征值的平均值，std表示多个特征值的标准差。根据前述公式处理得到的数据在0和1附近，以此降低分布变化的影响。

需要说明的是，对于本实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明所必须的。

实施例2

本实施例提供一种适用于控制器端的眼图判定方法，如图2所示，该方法包括以下步骤：

S4，获取待判定的目标信号眼图。

S5，提取所述目标信号眼图对应的特征值，提取过程与步骤S2的过程相同，在此不再赘述。

S6，将所述目标信号眼图对应的特征值输入所述目标眼图判定模型进行处理，得到所述目标信号眼图的质量预测判定结果。

对于控制器端而言，若直接采用DDR端的判定标准是不够准确的。本实施例利用经过训练的目标眼图判定模型对目标信号眼图进行处理，可以得到更为准确的判定结果。

实施例3

本实施例提供一种眼图判定模型训练装置，如图3所示，该装置1包括样本获取模块11、样本特征提取模块12和模型训练模块13，下面分别对每个模块进行详细描述：

样本获取模块11用于获取样本数据集，所述样本数据集包含若干历史信号眼图，其中，各所述信号眼图分别标记有对应的实际稳定性测试结果。

在本实施例中，信号眼图可以是通过DDR扫描得到的DDR信号眼图。本实施例预先针对样本数据集中各信号眼图对应的DDR设备进行了稳定性测试，并对各信号眼图对应的DDR设备的实际稳定性测试结果进行了标记，例如，若通过稳定性测试，标记为1，若未通过稳定性测试，标记为0。

样本特征提取模块12用于对所述样本数据集进行特征提取处理，以提取各所述信号眼图对应的特征值。

本模块可以首先获取各信号眼图的log(日志)文件，该log文件中包含眼图的相关数据，例如眼图对应的Rx Mask的有关参数。在本实施例中，每个信号眼图分别配置有对应的Rx Mask(即适用于对应DDR端的Rx Mask)，Rx Mask的相关参数根据DDR的类型和数据手册确定，其规定了DDR正常工作必须满足的眼图质量要求。例如，如图1A所示，中间的六边形框为预先定义的Rx Mask区域，其表示禁止信号分布区域，若实际的眼图能够将六边形框定义的区域包含在内即表示质量达标，反之则表示质量不达标。针对图1所示的信号眼图，可以提取眼图的最大宽度eyewindows以及与其Rx Mask区域上下边界齐平位置处的眼图宽度W1和W2作为对应眼图的特征值。

模型训练模块13用于基于特征提取处理后的样本数据集，对预先建立的眼图判定模型进行训练，得到目标眼图判定模型。在本实施例中，模型训练模块13包括：

划分单元131，用于按预定比例将特征提取处理后的样本数据集划分为训练集和验证集。例如，65％作为训练集，35％作为验证集。其中，划分比例可根据需要取值，本实施例并不对划分比例做任何具体限定。

训练单元132，用于基于所述训练集，对预先建立的眼图判定模型进行训练，具体训练过程如下：

首先，从所述训练集中选取一个信号眼图对应的特征值输入预先建立的眼图判定模型进行处理，得到该信号眼图的质量预测判定结果，若预测该信号眼图质量达标，则模型输出的判定结果为1，反之，则模型输出的判定结果为0。

在本实施例中，眼图判定模型优选采用BP神经网络。如图1B所示，BP神经网络的架构分为三层：输入层、隐含层和输出层。BP神经网络包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐含层节点的联接强度和隐含层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。而后，获取模型输出的该信号眼图对应的质量预测判定结果与该信号眼图标记的实际稳定性测试结果之间的误差。

最后，基于所述误差对所述眼图判定模型的参数进行调整，直至所述误差满足预定条件。

验证单元133，用于基于所述验证集，对训练后的眼图判定模型的性能(如准确率)进行验证，当验证成功时，将训练后的眼图判定模型作为所述目标眼图判定模型，当验证失败时，增加样本集中的样本，进行重新训练。

随着训练次数的增加，输出误差不断减小，经过多次的训练逼近，最终可以使得误差控制在4％以内。后续通过样本的不断积累，会有更丰富和典型的数据加入到模型的训练中，这样不断优化模型，最终可以得到一个极为精准的判定模型。

优选地，本实施例还可以包括预处理模块14，用于对提取到的特征值进行归一化预处理。因为神经网络涉及到很多层的叠加，而每一层的参数更新会导致上层的输入数据分布发生变化，通过层层叠加，高层的输入分布变化会非常剧烈。虽然神经网络各层的输入信号分布不同，但最终“指向”的样本标记是不变的，即边缘概率不同而条件概率一致。为了降低分布变化的影响，使用归一化策略，把数据分布映射到一个确定的区间。

具体地，可以根据公式(x-mean)/std进行归一化处理，其中，x表示目标特征值，mean表示多个特征值的平均值，std表示多个特征值的标准差。根据前述公式处理得到的数据在0和1附近，以此降低分布变化的影响。

实施例4

本实施例提供一种适用于控制器端的眼图判定装置，如图4所示，该装置2包括：

目标眼图获取模块21，用于获取待判定的目标信号眼图。

目标眼图特征提取模块22，用于提取所述目标信号眼图对应的特征值。

模型处理模块23，用于将所述目标信号眼图对应的特征值输入所述目标眼图判定模型进行处理，得到所述目标信号眼图的质量预测判定结果。

对于控制器端而言，若直接采用DDR端的判定标准是不够准确的。本实施例利用经过训练的目标眼图判定模型对目标信号眼图进行处理，可以得到更为准确的判定结果。

实施例5

本实施例提供一种电子设备，电子设备可以通过计算设备的形式表现(例如可以为服务器设备)，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中处理器执行计算机程序时可以实现实施例1或2提供的眼图判定模型训练方法或眼图判定方法。

图5示出了本实施例的硬件结构示意图，如图5所示，电子设备9具体包括：

至少一个处理器91、至少一个存储器92以及用于连接不同系统组件(包括处理器91和存储器92)的总线93，其中：

总线93包括数据总线、地址总线和控制总线。

存储器92包括易失性存储器，例如随机存取存储器(RAM)921和/或高速缓存存储器922，还可以进一步包括只读存储器(ROM)923。

存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

处理器91通过运行存储在存储器92中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1或2所提供的眼图判定模型训练方法或眼图判定方法。

电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且，电子设备9还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备9使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

实施例6

本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，所述程序被处理器执行时实现实施例1或2所提供的眼图判定模型训练方法或眼图判定方法的步骤。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1或2所述的眼图判定模型训练方法或眼图判定方法的步骤。

其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (16)

1.一种眼图判定模型训练方法，其特征在于，包括：

获取样本数据集，所述样本数据集包含若干通过DDR扫描得到的信号眼图，其中，各所述信号眼图分别标记有对应的DDR设备的实际稳定性测试结果，所述实际稳定性测试结果包括通过稳定性测试和未通过稳定性测试；

对所述样本数据集进行特征提取处理，以提取各所述信号眼图对应的Rx Mask的相关参数作为特征值；

基于特征提取处理后的样本数据集，对预先建立的眼图判定模型进行训练，得到目标眼图判定模型。

2.根据权利要求1所述的眼图判定模型训练方法，其特征在于，所述基于特征提取处理后的样本数据集，对预先建立的眼图判定模型进行训练，得到目标眼图判定模型的步骤包括：

将特征提取处理后的样本数据集划分为训练集和验证集；

基于所述训练集，对预先建立的眼图判定模型进行训练；

基于所述验证集，对训练后的眼图判定模型进行验证，当验证成功时，将训练后的眼图判定模型作为所述目标眼图判定模型。

3.根据权利要求2所述的眼图判定模型训练方法，其特征在于，所述基于所述训练集，对预先建立的眼图判定模型进行训练的步骤包括循环执行以下步骤：

将所述训练集中某信号眼图对应的特征值输入预先建立的眼图判定模型进行处理，得到所述某信号眼图的质量预测判定结果；

获取所述某信号眼图对应的质量预测判定结果与实际稳定性测试结果之间的误差；

基于所述误差对所述眼图判定模型的参数进行调整，直至所述误差满足预定条件。

4.根据权利要求1所述的眼图判定模型训练方法，其特征在于，所述眼图判定模型采用BP神经网络。

5.根据权利要求1所述的眼图判定模型训练方法，其特征在于，所述方法还包括：对各所述信号眼图对应的特征值进行归一化预处理。

6.一种眼图判定方法，其特征在于，包括：

获取目标信号眼图；

提取所述目标信号眼图对应的Rx Mask的相关参数作为特征值；

将所述特征值输入前述权利要求1-5中任一项得到的所述目标眼图判定模型进行处理，得到所述目标信号眼图的质量预测判定结果。

7.一种眼图判定模型训练装置，其特征在于，包括：

样本获取模块，用于获取样本数据集，所述样本数据集包含若干通过DDR扫描得到的信号眼图，其中，各所述信号眼图分别标记有对应的DDR设备的实际稳定性测试结果，所述实际稳定性测试结果包括通过稳定性测试和未通过稳定性测试；

样本特征提取模块，用于对所述样本数据集进行特征提取处理，以提取各所述信号眼图对应的Rx Mask的相关参数作为特征值；

模型训练模块，用于基于特征提取处理后的样本数据集，对预先建立的眼图判定模型进行训练，得到目标眼图判定模型。

8.根据权利要求7所述的眼图判定模型训练装置，其特征在于，所述模型训练模块包括：

划分单元，用于将特征提取处理后的样本数据集划分为训练集和验证集；

训练单元，用于基于所述训练集，对预先建立的眼图判定模型进行训练；

验证单元，用于基于所述验证集，对训练后的眼图判定模型进行验证，当验证成功时，将训练后的眼图判定模型作为所述目标眼图判定模型。

9.根据权利要求8所述的眼图判定模型训练装置，其特征在于，所述训练单元具体用于：

将所述训练集中某信号眼图对应的特征值输入预先建立的眼图判定模型进行处理，得到所述某信号眼图的质量预测判定结果；

获取所述某信号眼图对应的质量预测判定结果与实际稳定性测试结果之间的误差；

基于所述误差对所述眼图判定模型的参数进行调整，直至所述误差满足预定条件。

10.根据权利要求7所述的眼图判定模型训练装置，其特征在于，所述眼图判定模型采用BP神经网络。

11.根据权利要求7所述的眼图判定模型训练装置，其特征在于，所述装置还包括：预处理模块，用于对各所述信号眼图对应的特征值进行归一化预处理。

12.一种眼图判定装置，其特征在于，包括：

目标眼图获取模块，用于获取目标信号眼图；

目标眼图特征提取模块，用于提取所述目标信号眼图对应的Rx Mask的相关参数作为特征值；

模型处理模块，用于将所述特征值输入前述权利要求7-11中任一项得到的所述目标眼图判定模型进行处理，得到所述目标信号眼图的质量预测判定结果。

13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的眼图判定模型训练方法的步骤。

14.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求6所述的眼图判定方法的步骤。

15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的眼图判定模型训练方法的步骤。

16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求6所述的眼图判定方法的步骤。

Images