CN113469239A - 线损值评估模型生成方法、系统、设备及介质 - Google Patents
线损值评估模型生成方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN113469239A CN113469239A CN202110728103.XA CN202110728103A CN113469239A CN 113469239 A CN113469239 A CN 113469239A CN 202110728103 A CN202110728103 A CN 202110728103A CN 113469239 A CN113469239 A CN 113469239A
- Authority
- CN
- China
- Prior art keywords
- line loss
- loss value
- data set
- type
- parameters
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明提供了一种线损值评估模型生成方法、系统、设备及介质,该方法包括:获取影响射频信号的数据集合,数据集合包括N类参数的数据,对数据集合中的数据进行特征识别,得到每类参数的特征信息,根据每类参数的特征信息,构建每类参数的数据与线损值之间的初始网络模型,利用预设的训练数据集合、测试数据集合和验证数据集合,对初始网络模型进行训练,得到线损值评估模型。本发明利用预设的训练数据集合、测试数据集合和验证数据集合,对得到初始网络模型进行大量的训练,得到线损值评估模型,所以无论影响射频信号的数据集合中的参数如何变化,根据参数与线损值准确的对应关系,即可得到准确的线损值,提高了获得线损值的准确性和效率。
Description
技术领域
本发明涉及线损的测试技术领域,尤其涉及一种线损值评估模型生成方法、系统、设备及介质。
背景技术
目前,手机、智能手表、蓝牙耳机、蜂窝网络、直放站等中的无线通信技术已经非常普及。在生产过程中,通常需要对采用无线技术的电子设备中进行射频传导测试,已检测其射频性能是否符合需求。
在测试过程中,由于线缆和连接器的差异,导致射频线路的损耗值大小也不相同,为了保证测试结果的准确性,通常会采用金板校准的方式测得线损补偿值,用以进行待测产品的校准。但是这种方法不仅效率低下,且由于标准金板长期使用会出现磨损的情况,所以测试结果的准确较差。
发明内容
本发明的目的在于提供一种线损值评估模型生成方法、系统、设备及介质,提高了测量线损值的准确性和效率。
为实现上述目的,第一方面,本发明提供了一种线损值评估模型生成方法,该方法包括:获取影响射频信号的数据集合,数据集合包括N类参数的数据,N为正整数,对数据集合中的数据进行特征识别,得到每类参数的特征信息,根据每类参数的特征信息,构建每类参数的数据与线损值之间的初始网络模型,利用预设的训练数据集合、测试数据集合和验证数据集合,对初始网络模型进行训练,得到线损值评估模型。
本发明提供的实施例线损值评估模型生成方法有益效果在于:通过获取影响射频信号的数据集合,然后对数据集合中的数据进行特征识别,得到每类参数的特征信息,从而除去了数据集合中多余的信息,根据每类参数的特征信息,构建每类参数的数据与线损值之间的初始网络模型。最重要的是,利用预设的训练数据集合、测试数据集合和验证数据集合,对初始网络模型进行大量的训练,得到线损值评估模型,所以无论影响射频信号的数据集合中的参数如何变化,根据参数与线损值准确的对应关系,即可得到准确的线损值,提高了获得线损值的准确性和效率。
在一种可能的实现中,所述初始网络模型的数学表达式满足:
其中,wi为每类参数的权重值,xi为输入的每类参数的特征信息,b为偏置,f为传递函数,y为线损值,i的取值范围为(0,n],n为N类参数的数据的总数。其有益效果在于:通过该计算方法获得线损值。
在一种可能的实现中,N类参数包括如下至少一类:射频线缆和连接器的长度、介电常数、电阻率、阻抗、电压驻波比、频率或使用时长。其有益效果在于:把影响线损值较大的参数进行特征识别,构建初始网络模型,并最终得到线损值评估模型,从而提高了获得线损值得准确性。
第二方面,本发明提供了一种线损校准方法,基于上述的线损值评估模型生成方法,该线损校准方法包括:
向线损值评估模型中输入目标待测产品的N类参数的数据,从线损值评估模型获取输出结果,输出结果包括目标待测通信产品的线损值。
本发明提供的实施例线损校准方法有益效果在于:通过采用线损值评估模型获取目标待测通信产品的线损值,提高了获取到的线损值的精度,采用该线损值校准,提高了测试待测通讯产品射频信号的准确性。
第三方面,本发明提供了一种射频参数测试方法,基于上述的线损校准方法,该方法包括:获得测试座与测试仪器端口之间的线损值,基于获得的线损值,测试移动终端的射频参数。
本发明提供的实施例射频参数测试方法有益效果在于:提高了测试移动终端的射频参数的准确性。
第四方面,本发明提供了一种线损值评估模型生成系统,包括:获取模块,用于获取影响射频信号的数据集合,数据集合包括N类参数的数据,N为正整数,特征识别模块,用于对数据集合中的数据进行特征识别,得到每类参数的特征信息,处理模块,用于根据每类参数的特征信息,构建每类参数的数据与线损值之间的初始网络模型,处理模块,还用于利用预设的训练数据集合、测试数据集合和验证数据集合,对初始网络模型进行训练,得到线损值评估模型。
本发明提供的实施例线线损值评估模型生成系统有益效果在于:通过获取影响射频信号的数据集合,然后对数据集合中的数据进行特征识别,得到每类参数的特征信息,从而除去了数据集合中多余的信息,根据每类参数的特征信息,构建每类参数的数据与线损值之间的初始网络模型。最重要的是,利用预设的训练数据集合、测试数据集合和验证数据集合,对初始网络模型进行大量的训练,得到线损值评估模型,所以无论影响射频信号的数据集合中的参数如何变化,通过线损评估模型即可得到准确的线损值,从而提高了线损值的准确性,提高了测试电子设备中射频性能的精度和效率。
在一种可能的实现中,所述初始网络模型的数学表达式满足:
其中,wi为每类参数的权重值,xi为输入的每类参数的特征信息,b为偏置,f为传递函数,y为线损值,i的取值范围为(0,n],n为N类参数的数据的总数。其有益效果在于:通过该计算方法获得线损值。
在一种可能的实现中,N类参数包括如下至少一类:射频线缆和连接器的长度、介电常数、电阻率、阻抗、电压驻波比、频率或使用时长。其有益效果在于:把影响线损值较大的参数进行特征识别,构建初始网络模型,并最终得到线损值评估模型,从而提高了获得线损值得准确性。
在一种可能的实现中,还包括,输入模块,用于向线损值评估模型中输入目标待测产品的N类参数的数据,处理模块,还用于从线损值评估模型获取输出结果,输出结果包括目标待测通信产品的线损值。其有益效果在于:通过向线损值评估模型中输入目标待测产品的N类参数的数据,得到目标待测通信产品的线损值,提高了获得线损值得准确度。
在第五方面,本发明实施例提供一种电子设备,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,处理器执行计算机程序时实现上述的方法步骤。
本发明电子设备的有益效果在于:通过处理器执行计算机程序实现上述方法的运行。
在第六方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的方法步骤。
本发明计算机可读存储介质的有益效果在于,通过执行计算机程序实现上述方法的运行。
附图说明
图1为本发明的提供的线损值评估模型生成方法的流程图;
图2为本发明的提供的初始网络模型的数学表达式的计算过程的示意图;
图3为本发明的提供的线损校准方法的流程图;
图4为本发明的提供的射频参数测试方法的流程图;
图5为本发明的提供的线损值评估模型生成系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,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作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。除非另外定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本文中使用的“包括”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
目前,手机、智能手表、蓝牙耳机、蜂窝网络、直放站、wifi模块、GPS等中的无线通信技术已非常普及。在这些产品的生产过程中,通常需要对采用无线技术的电子设备进行射频传导测试,以检测其射频性能是否符合要求。在测试过程中,由于测试线缆与连接器等的差异,导致射频线路的损耗值大小也不一样,为保证测试结果的准确性,通常会采用金板校准的方式测试得到线损补偿值,以进行待测产品的校准。校准待测产品的前提是确保金板的准确性,而测试人员在制作金板时,通过无线通信测试仪发送既定发射功率的射频信号,通过测试线缆与射频连接器后反馈,然后人工计算该既定发射功率同无线通信测试仪所接收射频信号的功率的差值,得到线损补偿值。这种测试线损的方式不仅效率低,且由于标准金板长期使用会出现磨损等情况,因而还存在测试结果准确性较差的问题。
并且局限于通过外接仪器设备进行线损值的测试,需要专业的团队对不同的仪表进行校准,对不同的测试产品进行金板制作,人工进行测试无法满足一致性的要求。不同的仪器之间存在差异,这将导致不同的测试环境所测的校准偏差非常大。长期的使用仪器及射频线缆也将导致老化问题产生线损值的变化,需要阶段性的进行测试,测量过程将花费大量的时间。
针对上述存在的问题,本发明的实施例提供了一种线损值评估模型生成方法,参考图1所示,该方法包括:
S101:获取影响射频信号的数据集合,数据集合包括N类参数的数据,N为正整数。
该步骤中,N类参数包括如下至少一类:射频线缆和连接器的长度、介电常数、电阻率、阻抗、电压驻波比、频率或使用时长。由于影响线损值较大的因素为射频线缆和连接器的长度、介电常数、电阻率、阻抗、电压驻波比、频率和使用时长这7类因素。在本实施例中,N类参数包括上述的全部的7类因素。从而使获取到影响射频信号的数据集合更加全面。
S102:对数据集合中的数据进行特征识别,得到每类参数的特征信息。
该步骤中,由于数据集合中的数据为获取原始数据,原始数据通常是高维的,其中包含了许多冗余信息,所以需要对数据集合中的数据进行特征识别,剔除多余的信息。
通过对数据集合中的数据进行特征识别,可以从数据集合中解析出主要影响线损值的因素,即得到每类参数的特征信息。在本实施例中,特征识别的具体方式是将高维的数据集合中的数据投影映射到较低维空间,从而解析出主要影响线损值的因素,降低了数据集合中的数据的维度,增加了所提供数据的特征向量,从而促进后续的学习和泛化步骤。
S103:根据每类参数的特征信息,构建所述每类参数的数据与线损值之间的初始网络模型。
该步骤中,影响射频信号的数据集合中有很多冗余的信息,降维的目的就是剔除这些冗余的信息,得到每类参数的特征信息,然后构建一个新的坐标轴,使数据点能够投影到新的坐标轴上。即根据每类参数的特征信息,构建每类参数的数据与线损值之间的初始网络模型。
其中,wi为每类参数的权重值,xi为输入的每类参数的特征信息,b为偏置,f为传递函数,y为线损值,i的取值范围为(0,n],n为N类参数的数据的总数类参数。
在本实施例中,总共有7类参数的特征信息,输入7类参数的特征信息通过与对应的权重值进行计算,得到输入向量与权重向量的内积后减去偏置的大小,再对其进行非线性计算,通过上述方程的计算,我们就能得到最终的输出值y。
S104:利用预设的训练数据集合、测试数据集合和验证数据集合,对初始网络模型进行训练,得到线损值评估模型。
该步骤中,通过预设的训练数据集合、测试数据集合和验证数据集合对初始网络模型进行训练,即通过大量的数据训练初始网络模型,找到这个最优的坐标轴,得到最终的线损值评估模型。
在本实施例中,通过获取影响射频信号的数据集合,然后对数据集合中的数据进行特征识别,得到每类参数的特征信息,从而除去了数据集合中多余的信息,根据每类参数的特征信息,构建每类参数的数据与线损值之间的初始网络模型。最重要的是,利用预设的训练数据集合、测试数据集合和验证数据集合,对初始网络模型进行大量的训练,得到线损值评估模型,所以无论影响射频信号的数据集合中的参数如何变化,根据参数与线损值准确的对应关系,即可得到准确的线损值,提高了获得线损值的准确性和效率。
在本发明公开的另一个实施例中,在上述实施例线损值评估模型生成方法的基础上,提供了一种线损校准方法,参考图3所示,该方法包括:
S301:向线损值评估模型中输入目标待测产品的N类参数的数据。
该步骤中,需要将目标待测产品中N类参数的数据输入损值评估模型中。
S302:从线损值评估模型获取输出结果,输出结果包括目标待测通信产品的线损值。
该步骤中,通过上述步骤输入的N类参数的数据,得到目标待测通信产品的线损值。
在本实施例中,通过采用线损值评估模型获取目标待测通信产品的线损值,提高了获取到的线损值的精度,采用该线损值校准,提高了测试待测通讯产品射频信号的准确性。
在本发明公开的又一个实施例中,于上述的线损校准方法,一种射频参数测试方法,参考图4所示,该方法包括:
S401:获得测试座与测试仪器端口之间的线损值。
该步骤中,采用上述线损校准方法获取测试座与测试仪器端口之间的线损值,保障了线损值的准确度,
S402:基于获得的线损值,测试移动终端的射频参数。
本实施例中,通过获取的线损值校准移动终端,提高了测试移动终端的射频参数的准确性。
在本发明公开的另一个实施例中,一种线损值评估模型生成系统,参考图5所示,该系统包括:获取模块501,用于获取影响射频信号的数据集合,数据集合包括N类参数的数据,N为正整数,特征识别模块502,用于对数据集合中的数据进行特征识别,得到每类参数的特征信息,处理模块503,用于根据每类参数的特征信息,构建每类参数的数据与线损值之间的初始网络模型,处理模块503,还用于利用预设的训练数据集合、测试数据集合和验证数据集合,对初始网络模型进行训练,得到线损值评估模型。
本实施例中,获取模块501通过获取影响射频信号的数据集合,然后特征识别模块502接受数据集合并对数据集合中的数据进行特征识别,得到每类参数的特征信息,从而除去了数据集合中多余的信息。处理模块503,根据每类参数的特征信息,构建每类参数的数据与线损值之间的初始网络模型。最重要的是,利用预设在处理模块503的训练数据集合、测试数据集合和验证数据集合,对初始网络模型进行大量的训练,得到线损值评估模型,所以无论影响射频信号的数据集合中的参数如何变化,通过线损评估模型即可得到准确的线损值,从而提高了线损值的准确性,高了测试电子设备中射频性能的精度和效率。
具体的,初始网络模型的数学表达式满足:其中,wi为每类参数的权重值,xi为输入的每类参数的特征信息,b为偏置,f为传递函数,y为线损值,i的取值范围为(0,n],n为N类参数的数据的总数。在处理模块中,进行上述计算,得到线损值y。且N类参数包括如下至少一类:射频线缆和连接器的长度、介电常数、电阻率、阻抗、电压驻波比、频率或使用时长。
进一步的,还包括,输入模块504,用于向线损值评估模型中输入目标待测产品的N类参数的数据,处理模块503,还用于从线损值评估模型获取输出结果,输出结果包括目标待测通信产品的线损值。通过向线损值评估模型中输入目标待测产品的N类参数的数据,得到目标待测通信产品的线损值,提高了获得线损值得准确度。
在本发明公开的另一个实施例中,在上述实施例的基础上,一种计算机可读存储介质,其上存储有计算机程序计算机程序被处理器执行时实现如上述实施例中线损值评估模型生成方法。
在本申请的另一些实施例中,本申请实施例公开了一种电子设备,该设备可以包括: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,处理器执行计算机程序时可以用于执行如图1及相应实施例中的各个步骤。
以上所述,仅为本申请实施例的具体实施方式,但本申请实施例的保护范围并不局限于此,任何在本申请实施例揭露的技术范围内的变化或替换,都应涵盖在本申请实施例的保护范围之内。因此,本申请实施例的保护范围应以所述权利要求的保护范围为准。
Claims (11)
1.一种线损值评估模型生成方法,其特征在于,包括:
获取影响射频信号的数据集合,所述数据集合包括N类参数的数据,N为正整数;
对所述数据集合中的数据进行特征识别,得到每类参数的特征信息;
根据所述每类参数的特征信息,构建所述每类参数的数据与线损值之间的初始网络模型;
利用预设的训练数据集合、测试数据集合和验证数据集合,对所述初始网络模型进行训练,得到线损值评估模型。
3.根据权利要求1或2所述的方法,其特征在于,所述N类参数包括如下至少一类:射频线缆和连接器的长度、介电常数、电阻率、阻抗、电压驻波比、频率或使用时长。
4.一种线损校准方法,基于如权利要求1至3任一项所述的线损值评估模型生成方法,其特征在于,包括:
向所述线损值评估模型中输入目标待测产品的N类参数的数据;
从所述线损值评估模型获取输出结果,所述输出结果包括所述目标待测通信产品的线损值。
5.一种射频参数测试方法,基于如4所述的线损校准方法,其特征在于,包括:
获得测试座与测试仪器端口之间的线损值;
基于获得的所述线损值,测试移动终端的射频参数。
6.一种线损值评估模型生成系统,其特征在于,包括:
获取模块,用于获取影响射频信号的数据集合,所述数据集合包括N类参数的数据,N为正整数;
特征识别模块,用于对所述数据集合中的数据进行特征识别,得到每类参数的特征信息;
处理模块,用于根据所述每类参数的特征信息,构建所述每类参数的数据与线损值之间的初始网络模型,所述处理模块,还用于利用预设的训练数据集合、测试数据集合和验证数据集合,对所述初始网络模型进行训练,得到线损值评估模型。
8.根据权利要求6或7所述的系统,其特征在于,所述N类参数包括如下至少一类:射频线缆和连接器的长度、介电常数、电阻率、阻抗、电压驻波比、频率或使用时长。
9.根据权利要求6至8任一项所述的系统,其特征在于,还包括:
输入模块,用于向所述线损值评估模型中输入目标待测产品的N类参数的数据;
所述处理模块,还用于从所述线损值评估模型获取输出结果,所述输出结果包括所述目标待测通信产品的线损值。
10.一种电子设备,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任一项所述的方法。
11.一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中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110728103.XA CN113469239B (zh) | 2021-06-29 | 2021-06-29 | 线损值评估模型生成方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110728103.XA CN113469239B (zh) | 2021-06-29 | 2021-06-29 | 线损值评估模型生成方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469239A true CN113469239A (zh) | 2021-10-01 |
CN113469239B CN113469239B (zh) | 2023-01-31 |
Family
ID=77873888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110728103.XA Active CN113469239B (zh) | 2021-06-29 | 2021-06-29 | 线损值评估模型生成方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469239B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109217955A (zh) * | 2018-07-13 | 2019-01-15 | 北京交通大学 | 基于机器学习的无线环境电磁参数拟合方法 |
CN109636009A (zh) * | 2018-11-22 | 2019-04-16 | 中国电力科学研究院有限公司 | 一种建立确定电网线损的神经网络模型的方法和系统 |
US10262214B1 (en) * | 2018-09-05 | 2019-04-16 | StradVision, Inc. | Learning method, learning device for detecting lane by using CNN and testing method, testing device using the same |
CN111313987A (zh) * | 2020-02-14 | 2020-06-19 | 南京工程学院 | 适于智能家居的基于神经网络的路径损耗预测方法 |
-
2021
- 2021-06-29 CN CN202110728103.XA patent/CN113469239B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109217955A (zh) * | 2018-07-13 | 2019-01-15 | 北京交通大学 | 基于机器学习的无线环境电磁参数拟合方法 |
US10262214B1 (en) * | 2018-09-05 | 2019-04-16 | StradVision, Inc. | Learning method, learning device for detecting lane by using CNN and testing method, testing device using the same |
CN109636009A (zh) * | 2018-11-22 | 2019-04-16 | 中国电力科学研究院有限公司 | 一种建立确定电网线损的神经网络模型的方法和系统 |
CN111313987A (zh) * | 2020-02-14 | 2020-06-19 | 南京工程学院 | 适于智能家居的基于神经网络的路径损耗预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113469239B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11275103B2 (en) | Calibration method, system and device of on-wafer s parameter of vector network analyzer | |
US8793093B2 (en) | Tools for design and analysis of over-the-air test systems with channel model emulation capabilities | |
CN112019279B (zh) | 线损校准方法、装置、系统及计算机可读存储介质 | |
CN111478737B (zh) | 射频测试方法、装置、电子装置及存储介质 | |
JP4348375B2 (ja) | 全等方感度(tis)を決定するシステムおよびその関連方法 | |
CN101459477B (zh) | 一种手机天线辐射性能自动测试方法 | |
CN110535539B (zh) | 针对射频模块的功率补偿方法、装置、设备及介质 | |
CN109444786B (zh) | 提高在片负载牵引测量准确度的方法、系统及终端设备 | |
CN113486617B (zh) | 线损值评估模型生成方法、系统、设备及介质 | |
CN113469239B (zh) | 线损值评估模型生成方法、系统、设备及介质 | |
CN114692427A (zh) | 设备校准方法及装置 | |
CN102340360B (zh) | 测试移动终端总全向灵敏度的方法和装置 | |
CN111025214B (zh) | 获取功率校准模型的方法及终端设备 | |
CN110011943A (zh) | 电子产品调试设备的调试方法和装置 | |
CN107483122B (zh) | 功率测试系统、功率补偿方法及装置 | |
CN112737706B (zh) | 一种测试治具射频校准系统及方法 | |
CN113271160B (zh) | 用于数字钥匙系统的信号定位标定方法及系统 | |
CN112751627B (zh) | 无线模组的功率校准方法及装置 | |
CN210075247U (zh) | 无线射频设备的功率校准装置 | |
CN115062729A (zh) | 分类模型及其训练方法、分类方法、设备及介质 | |
CN111682907B (zh) | 一种卫星天线隔离度高精度测试系统 | |
CN113612717A (zh) | 频偏校准方法、装置、电子设备及存储介质 | |
CN107796993B (zh) | 一种带Cable线的天线的测试方法、装置及设备 | |
CN110391854A (zh) | 无线射频设备的功率校准方法和装置 | |
CN116566509A (zh) | 射频测试方法、装置、设备及存储介质 |
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 |