CN115378522A - 使用机器学习的误比特率估计 - Google Patents
使用机器学习的误比特率估计 Download PDFInfo
- Publication number
- CN115378522A CN115378522A CN202210537444.3A CN202210537444A CN115378522A CN 115378522 A CN115378522 A CN 115378522A CN 202210537444 A CN202210537444 A CN 202210537444A CN 115378522 A CN115378522 A CN 115378522A
- Authority
- CN
- China
- Prior art keywords
- test
- dut
- waveform image
- machine learning
- composite waveform
- 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.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 94
- 239000002131 composite material Substances 0.000 claims abstract description 55
- 238000005259 measurement Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000001131 transforming effect Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 40
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/317—Testing of digital circuits
- G01R31/3181—Functional testing
- G01R31/319—Tester hardware, i.e. output processing circuits
- G01R31/31903—Tester hardware, i.e. output processing circuits tester configuration
- G01R31/31908—Tester set-up, e.g. configuring the tester to the device under test [DUT], down loading test patterns
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/317—Testing of digital circuits
- G01R31/31708—Analysis of signal quality
- G01R31/31711—Evaluation methods, e.g. shmoo plots
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/0082—Monitoring; Testing using service channels; using auxiliary channels
- H04B17/0085—Monitoring; Testing using service channels; using auxiliary channels using test signal generators
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/10—Monitoring; Testing of transmitters
- H04B17/15—Performance testing
- H04B17/17—Detection of non-compliance or faulty performance, e.g. response deviations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/20—Arrangements for detecting or preventing errors in the information received using signal quality detector
- H04L1/203—Details of error rate determination, e.g. BER, FER or WER
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/24—Testing correct operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/317—Testing of digital circuits
- G01R31/31708—Analysis of signal quality
- G01R31/3171—BER [Bit Error Rate] test
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Nonlinear Science (AREA)
- Tests Of Electronic Circuits (AREA)
- Detection And Prevention Of Errors In Transmission (AREA)
- Dc Digital Transmission (AREA)
Abstract
一种测试和测量系统包括:机器学习系统;测试和测量设备,包括被配置成将所述测试和测量设备连接到被测试设备(DUT)的端口;以及一个或多个处理器,被配置成执行使所述一个或多个处理器执行下述操作的代码:从所述被测试设备(DUT)获取波形;将所述波形变换成合成波形图像;以及将所述合成波形图像发送到所述机器学习系统以获得针对所述DUT的误比特率(BER)值。一种确定针对被测试设备(DUT)的误比特率的方法包括:从所述DUT获取一个或多个波形;将所述一个或多个波形变换成合成波形图像;以及将所述合成波形图像发送到机器学习系统,以获得针对所述DUT的误比特率(BER)值。
Description
相关申请的交叉引用
本公开要求于2021年5月18日提交的名称为“BIT ERROR RATIO ESTIMATIONUSING MACHINE LEARNING”的美国临时申请No. 63/189,886的权益,该美国临时申请的公开内容以其全文通过引用并入本文。
技术领域
本公开涉及测试和测量系统和方法,并且更具体地,涉及估计使用测试和测量仪器而获取的数据的误比特率(BER)。
背景技术
误比特率(BER)测试基于不正确地接收到的所传输的比特的数量或百分比来测量信号信道中的信号完整性。更高数目的不正确比特指示差信道质量。
传统BER测试通常涉及专用的一段BER测试装备,而不是采样示波器。被测试设备(DUT)发送出已知图案,并且装备通过将已知图案与所接收到的图案进行比较来检验误差。
关于该测试方法的问题包括:必须传输大量比特,以便获得足够数据以计算非常小BER值。这占据大量时间,这进而增加了成本。一个客户估计要求四分钟以在制造线路上获得值。线路必须测试数十万个光学收发器或者其他种类的DUT。另一挑战是:行为式接收机均衡器在专用BER测试系统中实现起来是困难的或高成本的。
附图说明
图1示出了具有机器学习训练的误比特率测试系统的实施例。
图2示出了运行时环境中的误比特率测试系统的实施例。
图3示出了测试和测量设备的实施例。
图4示出了合成眼图的示例。
具体实施方式
这里的实施例减少了计算针对被测试设备(DUT)的误比特率(BER)所需的时间量,该被测试设备(DUT)包括光学和电气收发器。这里的实施例提供了用于以比传统测试快得多的方式使用示波器取代专门装备来执行误比特率测试的设备和方法。这里的实施例还是硬件无关的,不限于特定类型的示波器。
图1示出了测试和测量系统的图,该测试和测量系统被配置成在机器学习训练环境中测试DUT并获得针对那些DUT的BER值。系统包括:客户测试自动化系统10,被用在客户的制造线路上;以及DUT 12,其需要被测试为通过/失效。通过的部件将最终被客户售卖。DUT可以经历烤炉或温度室11中的测试。测试自动化系统接收来自烤炉的温度以及传统或“慢”BER测试结果。
测试和测量设备14(典型地,示波器(或“仪器”),但可以包括其他测试和测量设备)从DUT捕获信号并从那些信号生成一个或多个波形。信号可以由DUT与已知设备18发送和接收信号而引起,在该情况下,已知设备18是具有已知且稳定特性的光学收发器。仪器14从DUT和模块16(典型地,机器学习系统的一部分)获取波形,将波形变换成合成波形图像以用在机器学习系统20中。测试自动化系统10将温度提供给模块16,并将传统BER测试结果提供给机器学习系统20以用于训练。在一些实施例中,模块16可以是仪器14的一部分;在一些实施例中,模块16可以与仪器和机器学习系统20分离。
合成波形图像可以采取许多形式。例如,仪器可以取得PAM4(脉冲幅度调制4级)信号并从所获取的波形产生三个图,每个图具有被称作“眼打开”的内容。这些可以被覆盖到具有单个合成阈值的单个合成眼图中。图4示出了所得到的合成眼波形图像的示例。
这是由模块16产生的合成波形图像的一个示例。2022年2月3日提交的美国专利申请No. 17/592,437“EYE CLASSES SEPARATOR WITH OVERLAY, AND COMPOSITE, ANDDYNAMIC EYE-TRIGGER FOR HUMANS AND MACHINE LEARNING”描述了生成合成眼波形图像的方法。该申请以其全文并入本文。这是合成波形图像的类型的一个示例。其他类型包括短模式张量图像、循环回路张量和眼图覆盖。2021年6月11日提交的名称为“A CYCLIC LOOPIMAGE REPRESENTATION FOR WAVEFORM DATA”的美国专利申请No. 17/345,283描述了生成循环回路图像。2021年5月21日提交的美国临时专利申请No. 63/191,908描述了生成短模式张量图像。这些申请以其全文并入本文。
被提供给机器学习系统的图像可以包括被放置到RGB图像输入的不同彩色信道上的张量图像。系统可以创建针对来自仪器的信道1的波形的张量图像,并将该图像放置在彩色输入之一(诸如,红色信道)上。系统还将创建针对来自仪器的信道2的波形的张量图像,并将该图像放置在蓝色信道上。然后可以在绿色信道上提供表示温度的曲线图,作为示例。
图1示出了训练环境。DUT可以是通过依赖于“已知良好”收发器18来测试的,如所示的那样。可替换地,DUT可以使其接收机和发射机以环回方式连接在一起。BER测试涉及:发射已知图案,且然后对所接收到的图案进行解码,且将它与已知图案进行比较。BER是比特误差与图案中的所接收到的比特数目的比率。传统测试要求具有大量比特以计算1e-4、1e-12等范围内的相对小BER值的传输。
然而,机器学习系统需要与每个合成波形图像相关联的BER值以用于训练。每个合成波形图像及其关联BER值被提供给机器学习系统,作为针对一个训练循环的数据样本。该过程针对如充分训练机器学习系统以满足期望准确度水平所必需那样多的收发器而重复。典型地,机器学习系统在训练期间经历测试和证实,以确保预测准确度满足所需要求。一种定义准确度的方式是:在相对于垂直轴上的机器学习“预测值”而绘制的水平轴上作出实际BER值的散点图。然后可以计算预测值与实际值之间的差异的标准差,并将其用作测量的准确度的指示符。这些可以是在训练时间处使用具有关联实际BER值的大波形训练集合来作出的。可以将波形馈送到训练网络中以获得预测值。
假定制造过程将构建DUT以实现相对小范围内的BER值。因此,机器学习系统需要充足的训练,以在设备制造期间看到的范围内辨别针对设备的BER。这要求允许观察小范围的合成波形图像中的足够高分辨率。
一种使较小BER计数在合成波形图像中可见的途经涉及某种动态范围压缩。通过压缩图像的动态范围,它使较小计数相对于较大计数在图像中更可见。动态范围压缩或校正可以采取伽马校正或其他对数函数的形式。伽马校正指代下述过程:将图像中的线性增益值编码成非线性关系,从而最初源于CRT监视器的使用。使用具有动态范围压缩的图像改进了机器学习系统的训练,使得它更容易确定标称制造值周围的BER中的小改变。
一旦被训练,机器学习系统就会已经学习将特定合成波形图像与针对那些图像而提供的BER值相关联。这将允许它将具有BER值的运行时期间的新合成波形图像与高准确度相关联。制造系统然后可以使用来自机器学习系统的所估计的BER作为BER值,以确定DUT的通过或失效。
图2示出了运行时环境。在图2中,系统不再需要传统测量,尽管可以周期性地执行它作为对机器学习估计的准确度检验。DUT 12与已知设备18发射和接收。在一个实施例中,来自DUT的发射路径连接到仪器14的第一信道,并且去往DUT的接收路径连接到分离的信道。
仪器然后获取波形,并且机器学习系统接收它并将它发送到ML BER系统,ML BER系统生成在该实例中使用的不论哪种类型的合成波形图像,如上面在16处所讨论。然后将合成波形图像连同来自测试自动化系统的温度一起发送到机器学习系统20。机器学习系统然后输出来自机器学习系统的BER结果,并将它随BER值传送回到测试自动化软件。这然后将使测试自动化系统使DUT通过或失效。
如果DUT失效,则过程还可以以传统方式计算BER,作为来自机器学习系统的BER估计的复核,但这可能减慢过程太多。可替换地,该部件可能经历远离制造系统的传统测试,以将来自机器学习系统的BER估计与传统结果进行比较。如果值变得一贯相隔太远,则机器学习系统可能需要经历另一训练过程。
获取波形的测试和测量设备14和/或呈现合成波形图像的模块16可以具有执行那些任务的一个或多个处理器。图3示出了测试和测量设备的实施例。测试和测量设备14可以包括若干部件,并且这里描述的部件不意在是穷尽的。测试和测量设备14可以包括一个或多个处理器30。该一个或多个处理器将被配置成执行将使该一个或多个处理器执行这里讨论的过程的代码。在系统内执行的各种处理任务可以分布在测试自动化系统、仪器中的一个或多个处理器与机器学习系统之间。这些处理器全部被包括在测试和测量系统中,测试和测量设备是该测试和测量系统的一个部分。
测试和测量设备14还可以包括提供到(一个或多个)DUT的连接的端口32,诸如,连接到设备中的信道的探测器,如上所讨论。设备可以包括:一个或多个模数转换器(ADC)34,其将传入模拟信号转换成数字化样本。设备将包括至少一个存储器,诸如,存储在训练中使用的数字化样本和BER值等的获取存储器36。存储器38可以与存储器36组合且可以存储要由处理器执行的代码以及存储用户设置等。用户输入44可以包括旋钮、按钮和其他控制装置。显示器42将波形和所得到的测量结果显示给用户。如果显示器42是触摸屏显示器,则显示器可以可选地并入有用户控制装置。设备然后通过通信端口40将来自DUT的信息发送到机器学习系统。
以该方式,机器学习系统可以比传统测试快得多地产生针对DUT的BER估计值。传统测试的一个估计耗费了制造线路上的每DUT 4分钟。使用机器学习,当前测试运行每DUT0.45秒左右,这是使用传统方法进行测试所耗费的时间的大约0.2%。
一般地,获取波形可能耗费2-3秒。然而,存在下述可能性:从机器学习系统得到BER估计可能比波形获取耗费更长时间。如果要发生该情况,则可能通过下述操作来对过程进行并行化:获取第一波形,并将它发送到第一处理器以用于生成合成波形图像且将它发送到机器学习系统,同时,获取第二波形,并将它发送到第二处理器,同时等待第一结果。一旦所有处理器已经接收到它们的结果,就可能对BER估计求平均以提供最终BER值。然而,在当前测试中,机器学习系统比甚至获取波形的时间快得多地提供BER值。
本公开的方面可以在特别地创建的硬件上、在固件、数字信号处理器上、或者在包括根据所编程的指令进行操作的处理器的特殊编程的通用计算机上操作。如本文使用的术语控制器或处理器意在包括微处理器、微型计算机、专用集成电路(ASIC)和专用硬件控制器。本公开的一个或多个方面可以体现在由一个或多个计算机(包括监视模块)或其他设备执行的计算机可使用数据和计算机可执行指令中,诸如在一个或多个程序模块中。一般地,程序模块包括在由计算机或其他设备中的处理器执行时执行特定任务或实现特定抽象数据类型的例程、程序、对象、部件、数据结构等。计算机可执行指令可以被存储在非瞬变计算机可读介质上,该非瞬变计算机可读介质诸如是硬盘、光盘、可移除储存介质、固态存储器、随机存取存储器(RAM)等。如本领域技术人员应当领会的那样,可以如在各种方面中期望的那样组合或分布程序模块的功能。另外,功能可以整个或部分地体现在固件或硬件等同物(诸如集成电路、FPGA(现场可编程门阵列)等等)中。可以使用特定数据结构以更有效地实现本公开的一个或多个方面,并且这种数据结构是在本文描述的计算机可执行指令和计算机可使用数据的范围内考虑到的。
在一些情况下,可以以硬件、固件、软件或其任何组合实现所公开的方面。所公开的方面还可以被实现为由一个或多个非瞬变计算机可读介质携带或者在一个或多个非瞬变计算机可读介质上存储的指令,该指令可以由一个或多个处理器读取和执行。这种指令可以被称作计算机程序产品。如本文所讨论,计算机可读介质意指可由计算设备访问的任何介质。作为示例而非限制,计算机可读介质可以包括计算机储存介质和通信介质。
计算机储存介质意指可以用于存储计算机可读信息的任何介质。作为示例而非限制,计算机储存介质可以包括RAM、ROM、电可擦除可编程只读存储器(EEPROM)、闪速存储器或其他存储器技术、致密盘只读存储器(CD-ROM)、数字视频盘(DVD)、或者其他光盘储存器、磁带盒、磁带、磁盘储存器或其他磁储存设备、以及在任何技术中实现的任何其他易失性或非易失性、可移除或不可移除介质。计算机储存介质排除信号本身和瞬变形式的信号传输。
通信介质意指可以用于计算机可读信息的通信的任何介质、作为示例而非限制,通信介质可以包括同轴线缆、光纤电缆、空气、或者适于电、光学、射频(RF)、红外、声或其他类型的信号的通信的任何其他介质。
另外,该所撰写的描述参考了特定特征。应当理解,本说明书中的公开内容包括那些特定特征的所有可能组合。例如,在特定方面的上下文中公开了特定特征的情况下,还可以尽可能地在其他方面的上下文中使用该特征。
而且,当在本申请中参考了具有两个或更多个所限定的步骤或操作的方法时,所限定的步骤或操作可以是按任何次序或同时地实施的,除非上下文排除那些可能性。
示例
下面提供了所公开的技术的图示性示例。技术的实施例可以包括下面描述的示例中的一个或多个和任何组合。
示例1是一种测试和测量系统,包括:机器学习系统;测试和测量设备,包括被配置成将所述测试和测量设备连接到被测试设备(DUT)的端口;以及一个或多个处理器,被配置成执行使所述一个或多个处理器执行下述操作的代码:从所述DUT获取波形;将所述波形变换成合成波形图像;以及将所述合成波形图像发送到所述机器学习系统以获得针对所述DUT的误比特率(BER)值。
示例2是示例1的测试和测量系统,其中所述一个或多个处理器分布在所述测试和测量设备、测试自动化系统与所述机器学习系统之间。
示例3是示例1和2中任一项的测试和测量系统,其中所述合成波形图像包括短模式张量、循环回路张量或眼图覆盖之一。
示例4是示例1至3中任一项的测试和测量系统,进一步包括连接到所述DUT的已知设备,所述已知设备沿发射路径将已知图案发射到所述DUT并沿接收路径从所述DUT接收图案。
示例5是示例4的测试和测量系统,其中所述端口包括:所述测试和测量设备的第一信道输入,连接到所述发射路径;以及所述测试和测量设备的第二信道输入,连接到所述接收路径。
示例6是示例1至5中任一项的测试和测量系统,其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器训练所述机器学习系统的代码,所述代码使所述一个或多个处理器:获取与已经针对其而测量和存储BER值的信号相关联的训练波形;将所述训练波形变换成训练合成波形图像;以及将所述训练合成波形图像和所存储的BER值提供给所述机器学习系统作为训练数据样本。
示例7是示例6的测试和测量系统,其中所述处理器进一步被配置成重复所述代码,以使所述一个或多个处理器训练所述机器学习系统,直到足够数目的训练样本已经被获得。
示例8是示例1至7中任一项的测试和测量系统,其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器执行下述操作的代码:在所述合成波形图像中的像素上应用动态范围压缩,以使所述合成波形图像中的较小计数相对于所述合成波形图像中的较大计数更可见。
示例9是示例8的测试和测量系统,其中所述动态范围压缩包括伽马校正或对数函数之一。
示例10是示例1至9中任一项的测试和测量系统,其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器执行下述操作的代码:当来自所述DUT的波形被获取时,获得温度;以及将所述温度随所述合成波形图像发送到所述机器学习系统。
示例11是一种确定针对被测试设备(DUT)的误比特率的方法,包括:从所述DUT获取一个或多个波形;将所述一个或多个波形变换成合成波形图像;将所述合成波形图像发送到机器学习系统,以获得针对所述DUT的误比特率(BER)值。
示例12是示例11的方法,其中将所述一个或多个波形变换成合成波形图像包括:将所述一个或多个波形变换成短模式张量、循环回路张量或眼图覆盖之一。
示例13是示例11或12的方法,进一步包括:将已知设备连接到所述DUT;使用所述已知设备以沿发射路径将已知图案发射到所述DUT;以及沿接收路径从所述DUT接收图案。
示例14是示例13的方法,进一步包括:将测试和测量设备的第一信道连接到所述发射路径;将所述测试和测量设备的第二信道连接到所述接收路径;以及将从所述第一信道和所述第二信道获取的波形进行比较。
示例15是示例11至12中任一项的方法,进一步包括:在所述DUT上的发射机和接收机之间连接环回路径;测量针对该DUT的BER;存储针对该DUT的BER;从所述DUT获取训练波形;将所述训练波形变换成训练合成波形图像;以及将所述训练合成波形图像和所存储的BER值提供给所述机器学习系统作为训练数据样本。
示例16是示例15的方法,进一步包括:在附加DUT上重复所述方法,直到足够数目的训练数据样本已经被获得。
示例17是示例11至16中任一项的方法,进一步包括:在所述合成波形图像中的像素上应用动态范围压缩,以使较小计数相对于较大计数在所述合成波形图像中更可见。
示例18是示例17的方法,其中应用动态范围进一步包括:将伽马校正或对数函数之一应用于所述训练合成波形图像中的值。
示例19是示例11至18中任一项的方法,其中从所述DUT获取一个或多个波形进一步包括:获得测试温度。
示例20是示例19的方法,其中将所述一个或多个波形变换成合成波形图像进一步包括:将所述测试温度的图形表示编码到所述合成波形图像中。
尽管已经出于图示的目的图示和描述了本公开的具体方面,但应当理解,在不脱离本公开的精神和范围的情况下,可以作出各种修改。相应地,本公开不应当受限制,除非由所附权利要求限制。
Claims (20)
1.一种测试和测量系统,包括:
机器学习系统;
测试和测量设备,包括被配置成将所述测试和测量设备连接到被测试设备(DUT)的端口;以及
一个或多个处理器,被配置成执行使所述一个或多个处理器执行下述操作的代码:
从所述DUT获取波形;
将所述波形变换成合成波形图像;以及
将所述合成波形图像发送到所述机器学习系统以获得针对所述DUT的误比特率(BER)值。
2.如权利要求1所述的测试和测量系统,其中所述一个或多个处理器分布在所述测试和测量设备、测试自动化系统与所述机器学习系统之间。
3.如权利要求1所述的测试和测量系统,其中所述合成波形图像包括短模式张量、循环回路张量或眼图覆盖之一。
4.如权利要求1所述的测试和测量系统,进一步包括连接到所述DUT的已知设备,所述已知设备沿发射路径将已知图案发射到所述DUT并沿接收路径从所述DUT接收图案。
5.如权利要求4所述的测试和测量系统,其中所述端口包括:所述测试和测量设备的第一信道输入,连接到所述发射路径;以及所述测试和测量设备的第二信道输入,连接到所述接收路径。
6.如权利要求1所述的测试和测量系统,其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器训练所述机器学习系统的代码,所述代码使所述一个或多个处理器:
获取与已经针对其而测量和存储BER值的信号相关联的训练波形;
将所述训练波形变换成训练合成波形图像;以及
将所述训练合成波形图像和所存储的BER值提供给所述机器学习系统作为训练数据样本。
7.如权利要求6所述的测试和测量系统,其中所述处理器进一步被配置成重复所述代码,以使所述一个或多个处理器训练所述机器学习系统,直到足够数目的训练样本已经被获得。
8.如权利要求1所述的测试和测量系统,其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器执行下述操作的代码:在所述合成波形图像中的像素上应用动态范围压缩,以使所述合成波形图像中的较小计数相对于所述合成波形图像中的较大计数更可见。
9.如权利要求8所述的测试和测量系统,其中所述动态范围压缩包括伽马校正或对数函数之一。
10.如权利要求1所述的测试和测量系统,其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器执行下述操作的代码:当来自所述DUT的波形被获取时,获得温度;以及将所述温度随所述合成波形图像发送到所述机器学习系统。
11.一种确定针对被测试设备(DUT)的误比特率的方法,包括:
从所述DUT获取一个或多个波形;
将所述一个或多个波形变换成合成波形图像;以及
将所述合成波形图像发送到机器学习系统,以获得针对所述DUT的误比特率(BER)值。
12.如权利要求11所述的方法,其中将所述一个或多个波形变换成合成波形图像包括:将所述一个或多个波形变换成短模式张量、循环回路张量或眼图覆盖之一。
13.如权利要求11所述的方法,进一步包括:
将已知设备连接到所述DUT;
使用所述已知设备以沿发射路径将已知图案发射到所述DUT;以及
沿接收路径从所述DUT接收图案。
14.如权利要求13所述的方法,进一步包括:
将测试和测量设备的第一信道连接到所述发射路径;
将所述测试和测量设备的第二信道连接到所述接收路径;以及
将从所述第一信道和所述第二信道获取的波形进行比较。
15.如权利要求11所述的方法,进一步包括:
在所述DUT上的发射机和接收机之间连接环回路径;
测量针对该DUT的BER;
存储针对该DUT的BER;
从所述DUT获取训练波形;
将所述训练波形变换成训练合成波形图像;以及
将所述训练合成波形图像和所存储的BER值提供给所述机器学习系统作为训练数据样本。
16.如权利要求15所述的方法,进一步包括:在附加DUT上重复所述方法,直到足够数目的训练数据样本已经被获得。
17.如权利要求11所述的方法,进一步包括:在所述合成波形图像中的像素上应用动态范围压缩,以使较小计数相对于较大计数在所述合成波形图像中更可见。
18.如权利要求17所述的方法,其中应用动态范围进一步包括:将伽马校正或对数函数之一应用于所述训练合成波形图像中的值。
19.如权利要求11所述的方法,其中从所述DUT获取一个或多个波形进一步包括:获得测试温度。
20.如权利要求19所述的方法,其中将所述一个或多个波形变换成合成波形图像进一步包括:将所述测试温度的图形表示编码到所述合成波形图像中。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163189886P | 2021-05-18 | 2021-05-18 | |
US63/189886 | 2021-05-18 | ||
US17/745797 | 2022-05-16 | ||
US17/745,797 US20220373597A1 (en) | 2021-05-18 | 2022-05-16 | Bit error ratio estimation using machine learning |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115378522A true CN115378522A (zh) | 2022-11-22 |
Family
ID=83898637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210537444.3A Pending CN115378522A (zh) | 2021-05-18 | 2022-05-18 | 使用机器学习的误比特率估计 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220373597A1 (zh) |
JP (1) | JP2022177835A (zh) |
CN (1) | CN115378522A (zh) |
DE (1) | DE102022112412A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2024506293A (ja) * | 2021-02-03 | 2024-02-13 | テクトロニクス・インコーポレイテッド | 人間と機械学習のためのオーバーレイ、コンポジット、ダイナミック・アイ・トリガを備えたアイのクラス・セパレータ |
US11923896B2 (en) | 2021-03-24 | 2024-03-05 | Tektronix, Inc. | Optical transceiver tuning using machine learning |
US11923895B2 (en) | 2021-03-24 | 2024-03-05 | Tektronix, Inc. | Optical transmitter tuning using machine learning and reference parameters |
US11907090B2 (en) | 2021-08-12 | 2024-02-20 | Tektronix, Inc. | Machine learning for taps to accelerate TDECQ and other measurements |
US11940889B2 (en) | 2021-08-12 | 2024-03-26 | Tektronix, Inc. | Combined TDECQ measurement and transmitter tuning using machine learning |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US592437A (en) | 1897-10-26 | Peter oberhammer | ||
US6715112B2 (en) * | 2000-11-29 | 2004-03-30 | Agilent Technologies, Inc. | Method and apparatus for displaying triggered waveform on an error performance analyzer |
US8040391B2 (en) * | 2007-08-06 | 2011-10-18 | Panasonic Corporation | White balance adjustment device, image capture device, white balance adjustment method, storage medium, and integrated circuit |
GB2559344A (en) * | 2017-01-31 | 2018-08-08 | Aceaxis Ltd | Intermodulation test method and apparatus |
WO2018162048A1 (en) * | 2017-03-07 | 2018-09-13 | Advantest Corporation | Test apparatus and method for characterizing a device under test |
JP7159317B2 (ja) * | 2017-12-30 | 2022-10-24 | インテル コーポレイション | 無線通信の方法および装置 |
US10592141B2 (en) * | 2018-03-06 | 2020-03-17 | Western Digital Technologies, Inc. | Error characterization for control of non-volatile memory |
US11595289B2 (en) * | 2019-03-29 | 2023-02-28 | Barefoot Networks, Inc. | Network testing using a programmable packet engine |
US10935603B1 (en) * | 2019-08-07 | 2021-03-02 | Seagate Technology Llc | Data channel optimization with smart black box algorithms |
US11388081B1 (en) * | 2021-03-30 | 2022-07-12 | Keysight Technologies, Inc. | Methods, systems, and computer readable media for impairment testing using an impairment device |
US20230194599A1 (en) * | 2021-12-20 | 2023-06-22 | Battelle Memorial Institute | Technologies for verifying and validating electronic devices using electroluminescence |
-
2022
- 2022-05-16 US US17/745,797 patent/US20220373597A1/en active Pending
- 2022-05-17 DE DE102022112412.6A patent/DE102022112412A1/de active Pending
- 2022-05-18 CN CN202210537444.3A patent/CN115378522A/zh active Pending
- 2022-05-18 JP JP2022081509A patent/JP2022177835A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102022112412A1 (de) | 2022-11-24 |
JP2022177835A (ja) | 2022-12-01 |
US20220373597A1 (en) | 2022-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115378522A (zh) | 使用机器学习的误比特率估计 | |
US11923895B2 (en) | Optical transmitter tuning using machine learning and reference parameters | |
US11923896B2 (en) | Optical transceiver tuning using machine learning | |
US10042029B2 (en) | Calibration of test instrument over extended operating range | |
JPH07154378A (ja) | 光伝送特性測定装置 | |
CN106992811B (zh) | 接收灵敏度测量中光调制幅度值的测试方法及系统 | |
US20230228803A1 (en) | Machine learning model training using de-noised data and model prediction with noise correction | |
US20230050162A1 (en) | Machine learning for taps to accelerate tdecq and other measurements | |
TWI509260B (zh) | 低電壓差分信號測試的系統和方法 | |
US11940889B2 (en) | Combined TDECQ measurement and transmitter tuning using machine learning | |
US20080126001A1 (en) | Equipment testing system and method having scaleable test line limits | |
CN109239466B (zh) | 一种基于经典鬼成像的网络测试系统 | |
CN106341831B (zh) | 一种灵敏度的测量方法和装置 | |
US8253804B2 (en) | Electronic device and method for measuring video signals | |
US20180356445A1 (en) | Test and measurement instrument that uses measurement preconditions for making measurements | |
US11218233B2 (en) | Method and system for analyzing a determination of a link transmission quality indicator and method and apparatus for determining a link transmission quality indicator | |
CN107835056B (zh) | 一种多信道功率测量及显示方法和装置 | |
US10761134B2 (en) | Method and measurement system for identifying the noise figure of a device under test | |
US20240214068A1 (en) | Optical transceiver tuning using machine learning | |
US20230408550A1 (en) | Separating noise to increase machine learning prediction accuracy in a test and measurement system | |
US9933984B1 (en) | Method and arrangement for eye diagram display of errors of digital waveforms | |
JP2019016832A (ja) | 誤り検出装置および誤り検出方法 | |
CN218037981U (zh) | 物联网终端设备用的自动测试系统 | |
US20240168471A1 (en) | Interoperability predictor using machine learning and repository of tx, channel, and rx models from multiple vendors | |
Harkin et al. | Comparison of snr assessment techniques for routine multi-element rf coil qc testing |
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 |