CN115495995B - 仿真测试拟合工艺参数方法、系统、设备和存储介质 - Google Patents

仿真测试拟合工艺参数方法、系统、设备和存储介质 Download PDF

Info

Publication number
CN115495995B
CN115495995B CN202211314144.5A CN202211314144A CN115495995B CN 115495995 B CN115495995 B CN 115495995B CN 202211314144 A CN202211314144 A CN 202211314144A CN 115495995 B CN115495995 B CN 115495995B
Authority
CN
China
Prior art keywords
test
samples
fitting
admittance
parameter
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
CN202211314144.5A
Other languages
English (en)
Other versions
CN115495995A (zh
Inventor
杨睿智
袁军平
胡锦钊
常林森
李帅
张磊
郭嘉帅
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.)
Shenzhen Volans Technology Co Ltd
Original Assignee
Shenzhen Volans Technology 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 Shenzhen Volans Technology Co Ltd filed Critical Shenzhen Volans Technology Co Ltd
Priority to CN202211314144.5A priority Critical patent/CN115495995B/zh
Publication of CN115495995A publication Critical patent/CN115495995A/zh
Application granted granted Critical
Publication of CN115495995B publication Critical patent/CN115495995B/zh
Priority to PCT/CN2023/115029 priority patent/WO2024087848A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种仿真测试拟合工艺参数方法、仿真测试拟合系统、仿真测试拟合设备和计算机可读存储介质，所述仿真测试拟合工艺参数方法包括：将测试原始数据进行清理并得到样本；将样本拟合出单个导纳样本；将抽样出的样本拟合得到多个抽样导纳样本；将所有样本进行分布式计算并拟合得出全部导纳样本；将具有相同几何参数的谐振器相对应的多组参数结果合并为一组进行处理；训练机器学习模型并得到预测调整参数模型；将抽样后的样本通过预测调整参数模型进行验证。与相关技术相比，采用本发明的技术方案可解决在不同工艺和测试波动的情况下实现统计意义上的自动化仿真测试且普适性好，计算速度快且准确性高。

Description

仿真测试拟合工艺参数方法、系统、设备和存储介质
技术领域
本发明涉及声仿真测试拟合设计技术领域，尤其涉及应用于声表滤波器的一种仿真测试拟合工艺参数方法、仿真测试拟合系统、仿真测试拟合设备以及计算机可读存储介质。
背景技术
近年来随着声表滤波器的应用越来越多，各种声表滤波器的应用于不同的场景需求。针对不同的需求，声表滤波器设计越来越重要。声表滤波器的设计是否可靠，很大程度上依赖于声表滤波器的物理仿真模型的准确性。
目前，现有技术中，声表滤波器的物理仿真分为等效电路模型(MBVD)、耦合模模型(COM)以及有限元方法(FEM)。其中等效电路模型(MBVD)对实际物理的简化较大导致准确性较低；而有限元方法(FEM)因为其计算缓慢而无法用于SAW器件的快速迭代设计；在兼顾计算精度与速度方面，耦合模模型(COM)相比其他两种方法更平衡，因此也更广泛的应用在设计迭代中。具体的，耦合模模型(COM)是一种唯象模型。耦合模模型(COM)是利用线性模型加上一些调整参数，来近似表示真实的非线性物理。因此，这些调整参数是决定计算结果与实测结果之间是否近似的关键。调整参数的影响因素很多，与频率、器件的几何参数、压电基底的材料参数、不同代工厂的工艺都有不同程度的相关性。
然而，相关技术的声表滤波器的耦合模模型(COM)在仿真和测试上将调整参数的应用在设计迭代中存在以下问题：第一，现有模型无法做到普适的问题，学术界的耦合模模型是公开的，但是其中的调整参数却不是普适的。学术界的论文往往只需要在一两个例子上证明有效即可，但针对实际工业界的设计仿真需求，却需要在普适的基础上保证准确，难度不可同日而语。不夸张的说，仿真测试的准确程度直接决定了设计的周期和成本。第二，在实际的声表滤波器的批量生产中，综合了工艺波动和测试波动的情况下，普适的仿真测试存在比较大的难度。因为，声表滤波器的器件生产制造会面临不可避免的工艺波动，完全相同的设计在制造中会得到不同的实际结果；并且测试声表滤波器的谐振器导纳需要在晶圆级测试得到，客观存在的测试波动也无法避免。第三，相关技术的声表滤波器的仿真测试有很多方案都依赖于人工尝试寻找调整参数，手动寻找参数的效率很低，人工反复调整所述调整参数的过程，一般取决于需要仿真测试的样本数量，人工一般花费的时间以星期至月为单位。无法自动扩展到大批量数据上，无法实现自动处理大批量仿真测试数据，并无法可以短时间内快速获得匹配不同代工厂工艺的自动化方法。第四，人工手动的方式只能寻找到适用于一定范围内的调整参数，因此必定是离散的，会导致准确度低的情况，如果采用人工进行调整的方法，既不能保证普适性(其中，人工观察的规律有限，并且规律一般是离散的分段函数)，也不能保证大范围准确(其中，人工只能观察有限数量的数据)。如何通过有限的仿真测试数据得到连续模型，在更多没有仿真测试数据的时候保证计算的可靠性是一个需要解决的技术问题。
因此，实有必要提供一种新的方法、系统和设备来解决上述技术问题。
发明内容
本发明的目的是克服上述技术问题，提供一种可解决在不同工艺和测试波动的情况下实现统计意义上的自动化仿真测试且普适性好，计算速度快且准确性高的仿真测试拟合工艺参数方法、仿真测试拟合系统、仿真测试拟合设备以及计算机可读存储介质。
第一方面，本发明实施例提供一种仿真测试拟合工艺参数方法，其应用于声表滤波器，所述声表滤波器包括多个谐振器；该方法包括如下步骤：
步骤S1、获得多个所述谐振器的测试原始数据，根据预设的清理规则将所述测试原始数据进行清理并得到清理后的样本；所述测试原始数据包括用于匹配所述谐振器的几何参数和测试文件，所述清理规则为根据所述测试原始数据在统计上的一致性将不具一致性的部分去除；
步骤S2、将预设的全局类优化方法设置约束，再通过设置所述约束后的所述全局类优化方法将所述样本拟合出单个导纳样本；所述约束为选择的所述全局类优化方法的种类和所述全局类优化方法中相关的参数，所述导纳样本分别与所述全局类优化方法的种类以及所述全局类优化方法中相关的参数一一对应；
步骤S3、将所有所述样本进行抽样，再将抽样出的所述样本按照所述步骤S2进行拟合得到多个抽样导纳样本，再将所述全局类优化方法的种类和所述全局类优化方法中相关的参数在多个所述抽样导纳样本中的分布效果是否小于预设的指标阈值进行判断：
若是，则进入步骤S4；若否，则调整所述约束后返回所述步骤S2；
步骤S4、将所有所述样本进行分布式计算并拟合得出全部所述导纳样本；
步骤S5、根据全部所述导纳样本中的数据获得多组参数结果，将具有相同几何参数的所述谐振器相对应的多组所述参数结果合并为一组进行处理，再将处理后的多组所述参数结果输出；
步骤S6、预选机器学习模型，将所述步骤S1中的所述谐振器的几何参数作为所述机器学习模型的输入数据，将所述步骤S5中输出的多组所述参数结果作为所述机器学习模型的输出数据，训练机器学习模型并得到训练后的预测调整参数模型；
步骤S7、将所述步骤S2中的所有的所述样本进行抽样，再将抽样后的所述样本通过所述预测调整参数模型进行验证，以保证所述抽样的拟合结果符合预设要求。
优选的，所述步骤S2中，所述全局类优化方法的种类包括粒子群优化算法和进化计算算法。
优选的，所述步骤S2中，将所述样本拟合出单个导纳样本的方法为：采用耦合模模型方法计算所述谐振器的导纳，并在计算中调整耦合模模型的参数，以使得耦合模模型方法计算出的导纳与实际测试的导纳相同。
优选的，所述步骤S3中，所述测试原始数据包括第一几何参数、第一测试文件、第二几何参数以及第二测试文件；其中，所述第一几何参数为同一批所述声表滤波器的流片测试数据中的多个不相同的所述几何参数；所述第一测试文件为同一批所述声表滤波器的流片测试数据中的多个不相同的所述测试文件；所述第二几何参数为所述声表滤波器的流片测试数据中不同晶圆且不同位置上的相同的所述几何参数；所述第二测试文件为所述声表滤波器的流片测试数据中不同晶圆且不同位置上的相同的所述测试文件。
优选的，所述步骤S3中，多个所述导纳样本中的分布效果为所述谐振器的偏差指标的统计指标的平均值，所述谐振器的偏差指标包括振点频率偏差、反谐振点频率偏差和静态电容偏差。
优选的，所述步骤S5具体包括：
步骤S51、将全部所述参数结果根据预设的参考指标评估拟合效果，并将所述拟合效果中超过所述指标阈值的参数结果所对应的所述导纳样本去除；
步骤S52、将所述参数结果中相同几何参数的所述谐振器所对应的多组所述参数结果进行平均值计算，将计算得出的平均值数据作为一组所述参数结果。
优选的，所述步骤S6之前还包括：
步骤S60、根据所述输入数据和/或所述输出数据的数据量是否大于预设的数据量阈值进行判断：
若是，则将所述机器学习模型选择为深度学习的模型；
若否，则将所述机器学习模型选择为决策树类的模型。
第二方面，本发明实施例还提供一种仿真测试拟合系统，所述仿真测试拟合系统应用如本发明实施例提供的上述的仿真测试拟合工艺参数方法；
所述仿真测试拟合系统包括依次连接的仿真测试拟合器、训练器以及验证器；
所述仿真测试拟合器用于实施所述的仿真测试拟合工艺参数方法的所述步骤S1至所述步骤S5；具体为：用于实施所述步骤S1，获得多个谐振器的测试原始数据，根据预设的清理规则将所述测试原始数据进行清理并得到清理后的样本；所述测试原始数据包括用于匹配所述谐振器的几何参数和测试文件，所述清理规则为根据所述测试原始数据在统计上的一致性将不具一致性的部分去除；还用于实施所述步骤S2，将预设的全局类优化方法设置约束，再通过设置所述约束后的所述全局类优化方法将所述样本拟合出单个导纳样本；所述约束为选择的所述全局类优化方法的种类和所述全局类优化方法中相关的参数，所述导纳样本分别与所述全局类优化方法的种类以及所述全局类优化方法中相关的参数一一对应；还用于实施所述步骤S3，将所有所述样本进行抽样，再将抽样出的所述样本按照所述步骤S2进行拟合得到多个抽样导纳样本，再将所述全局类优化方法的种类和所述全局类优化方法中相关的参数在多个所述抽样导纳样本中的分布效果是否小于预设的指标阈值进行判断：若是，则进入步骤S4；若否，则调整所述约束后返回所述步骤S2；还用于实施所述步骤S4，根据将所有所述样本进行分布式计算并拟合得出全部所述导纳样本；还用于实施所述步骤S5，根据全部所述导纳样本中的数据获得多组参数结果，将具有相同几何参数的所述谐振器相对应的多组所述参数结果合并为一组进行处理，再将处理后的多组所述参数结果输出；
所述训练器用于实施所述步骤S6，预选机器学习模型，将所述步骤S1中的所述谐振器的几何参数作为所述机器学习模型的输入数据，将所述步骤S5中输出的多组所述参数结果作为所述机器学习模型的输出数据，训练机器学习模型并得到训练后的预测调整参数模型；
所述验证器用于实施所述步骤S7，将所述步骤S2中的所有的所述样本进行抽样，再将抽样后的所述样本通过所述预测调整参数模型进行验证，以保证所述抽样的拟合结果符合预设要求。
第三方面，本发明实施例还提供一种仿真测试拟合设备，包括处理器和存储器，所述处理器用于读取所述存储器中的程序，执行如本发明实施例提供的上述的仿真测试拟合工艺参数方法中的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现如本发明实施例提供的上述的仿真测试拟合工艺参数方法中的步骤。
与现有技术相比，本发明的仿真测试拟合工艺参数方法通过实施步骤S1和步骤S2，其中，步骤S1、将测试原始数据进行清理并得到样本；步骤S2、将样本拟合出单个导纳样本；实施步骤S1和步骤S2通过选择合理的优化方法，实现了准确的单个导纳曲线的仿真测试。本发明的仿真测试拟合工艺参数方法再通过实施步骤S3和步骤S4，其中，步骤S3将抽样出的样本拟合得到多个抽样导纳样本；步骤S4、将所有样本进行分布式计算并拟合得出全部导纳样本；实施步骤S3和步骤S4通过代码层面的并行，实现了大量测试的快速拟合。本发明的仿真测试拟合工艺参数方法再通过实施步骤S5，其中，步骤S5、将具有相同几何参数的谐振器相对应的多组参数结果合并为一组进行处理；实施步骤S5可以进一步筛选后，得到抑制了工艺和测试波动的平均数据。本发明的仿真测试拟合工艺参数方法再通过实施步骤S6，其中，步骤S6、训练机器学习模型并得到预测调整参数模型；实施步骤S6通过机器学习模型内，获得了可靠的连续模型。本发明的仿真测试拟合工艺参数方法再通过实施步骤S7，其中，步骤S7、将抽样后的样本通过预测调整参数模型进行验证。实施步骤S7可以提高本发明的仿真测试拟合工艺参数方法准确度和可靠性。执行上述步骤，整个流程完全自动化地实现了对声表滤波器的不同工艺特点代工厂、不同压电基底、不同声表面波种类的自动快速仿真测试拟合。在原始工艺和测试波动的条件下，实现了统计意义上准确的仿真测试对比。更优的，本发明的仿真测试拟合工艺参数方法使得适配不同工艺或不同代工厂的过程非常迅速，省去了人工反复调整COM参数的过程，而且可以保证普适性和保证大范围的数据准确性。因此，使得本发明的仿真测试拟合工艺参数方法、仿真测试拟合系统、仿真测试拟合设备以及计算机可读存储介质可解决在不同工艺和测试波动的情况下实现统计意义上的自动化仿真测试且普适性好，计算速度快且准确性高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其它的附图，其中，
图1为本发明实施例提供的仿真测试拟合工艺参数方法的流程框图；
图2为本发明实施例提供的仿真测试拟合工艺参数方法的步骤S5的流程框图；
图3为本发明实施例提供的仿真测试拟合工艺参数方法的步骤S60的流程框图；
图4为本发明实施例提供的仿真测试拟合工艺参数方法的在实施仿真测试拟合前的测试数据的谐振点的频率和抽样点曲线关系图；
图5为本发明实施例提供的仿真测试拟合工艺参数方法的在实施仿真测试拟合后的测试数据的谐振点的频率和抽样点曲线关系图；
图6为本发明实施例提供的仿真测试拟合系统的结构示意图；
图7为本发明实施例提供的仿真测试拟合设备的结构示意图。
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清楚、完整地描述，显然，所描述的实施例仅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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本申请的说明书和权利要求书及附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。在本文中提及“实施例或本实施方式”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供一种仿真测试拟合工艺参数方法。所述仿真测试拟合工艺参数方法应用于声表滤波器，具体的，所述仿真测试拟合工艺参数方法应用于声表滤波器的自动设计所需的电子设计自动化(英语：Electronic design automation，缩写：EDA)软件。所述声表滤波器包括多个所述谐振器。本实施例中，所述声表滤波器为Ladder声表滤波器并由多个所述谐振器通过电学级联组成。
请参照图1所示，图1为本发明实施例提供的仿真测试拟合工艺参数方法的流程框图。
所述仿真测试拟合工艺参数方法包括如下步骤：
步骤S1、获得多个所述谐振器的测试原始数据，根据预设的清理规则将所述测试原始数据进行清理并得到清理后的样本。
所述测试原始数据包括用于匹配所述谐振器的几何参数和测试文件，所述清理规则为根据所述测试原始数据在统计上的一致性将不具一致性的部分去除。其中，所述不具一致性的部分为非常规统计规律的部分。
例如统计相同的所述谐振器在不同测试文件上计算出来的谐振频率，计算方差。如果方差较小，则舍弃方差大于设定的阈值的部分；如果方差较大，则舍弃这个所述谐振器的所有数据。自动按所述清理规则去除因为测试造成明显错误的样本(例如限制所述谐振器的谐振点与反谐振点频率差距不能大于1GHz)，以此保证所有所述样本的正确性。
步骤S2、将预设的全局类优化方法设置约束，再通过设置所述约束后的所述全局类优化方法将所述样本拟合出单个导纳样本。
所述约束为选择的所述全局类优化方法的种类和所述全局类优化方法中相关的参数，所述导纳样本分别与所述全局类优化方法的种类以及所述全局类优化方法中相关的参数一一对应。
本实施例中，所述步骤S2中，所述全局类优化方法的种类包括粒子群优化算法和进化计算算法。
本实施例中，所述步骤S2中，将所述样本拟合出单个导纳样本的方法为：为采用耦合模模型方法计算所述谐振器的导纳，并在计算中调整耦合模模型的参数，以使得耦合模模型方法计算出的导纳与实际测试的导纳相同。所述步骤S2中的拟合过程依赖于耦合模模型方法计算谐振器导纳，拟合单个样本的过程即为寻找合适的耦合模模型调整参数，使得通过耦合模模型方法计算出的导纳与实际测试的导纳尽量接近。
所述步骤S2的拟合需要根据要拟合导纳的中心频率，寻找合适的耦合模模型调整参数范围，尽量在满足优化空间大小的前提下，减小优化方法落在不同局部最优解上的可能性。降低重复拟合结果的波动，对于后续处理的效果非常重要。所述全局类优化方法的本身也对应了一些参数，例如最大迭代次数等，需要通过反复尝试观察实际效果来决定。最终想要实现单根导纳曲线的拟合结果尽量贴合测试结果。
实施步骤S1和步骤S2通过选择合理的优化方法，实现了准确的单个导纳曲线的仿真测试。
步骤S3、将所有所述样本进行抽样，再将抽样出的所述样本按照所述步骤S2进行拟合得到多个抽样导纳样本，再将所述全局类优化方法的种类和所述全局类优化方法中相关的参数在多个所述抽样导纳样本中的分布效果是否小于预设的指标阈值进行判断：
若是，则进入步骤S4；若否，则返回调整所述约束后所述步骤S2。
本实施例中，所述步骤S3中，所述测试原始数据包括第一几何参数、第一测试文件、第二几何参数以及第二测试文件；其中，所述第一几何参数为同一批所述声表滤波器的流片测试数据中的多个不相同的所述几何参数；所述第一测试文件为同一批所述声表滤波器的流片测试数据中的多个不相同的所述测试文件；所述第二几何参数为所述声表滤波器的流片测试数据中不同晶圆且不同位置上的相同的所述几何参数；所述第二测试文件为所述声表滤波器的流片测试数据中不同晶圆且不同位置上的相同的所述测试文件。所述样本即为测试数据，同一批流片的测试数据中既包含不同几何参数的所述谐振器的测试结果，也包含相同几何参数的所述谐振器在不同晶圆、不同位置上的测试结果。流片中需要包含不同几何参数的所述谐振器，是为了满足所述谐振器结构的多样性，用于仿真测试提参。而相同几何参数的所述谐振器在不同晶圆和不同位置上的测试结果，是为了考虑到工艺和测试波动，使得仿真测试得到的计算参数尽可能贴近实际量产情况。
本实施例中，所述步骤S3中，多个所述导纳样本中的分布效果为所述谐振器的偏差指标的统计指标的平均值，所述谐振器的偏差指标包括振点频率偏差、反谐振点频率偏差和静态电容偏差。
评价所述步骤S3中在抽样的所有所述样本上的效果，可以通过统计指标的平均值来衡量，例如统计平均的谐振点频率偏差(例如拟合谐振点频率偏差与测试谐振点频率偏差进行比较)、反谐振点频率偏差、静态电容偏差等。如果所有指标的平均值都小于预设的所述指标阈值，则进入到步骤S4。
步骤S4、将所有所述样本进行分布式计算并拟合得出全部所述导纳样本。
本实施例中，实施步骤S4利用40个进程，进行3万个所述导纳样本的拟合计算只需5小时左右，因此，实施步骤S4大量测试的快速拟合。
实施步骤S3和步骤S4通过代码层面的并行，实现了大量测试的快速拟合。
步骤S5、根据全部所述导纳样本中的数据获得多组参数结果，将具有相同几何参数的所述谐振器相对应的多组所述参数结果合并为一组进行处理，再将处理后的多组所述参数结果输出。
请参照图2所示，图2为本发明实施例提供的仿真测试拟合工艺参数方法的步骤S5的流程框图。所述步骤S5具体包括：
步骤S51、将全部所述参数结果根据预设的参考指标评估拟合效果，并将所述拟合效果中超过所述指标阈值的参数结果所对应的所述导纳样本去除。其中，所述拟合效果为实施步骤S4拟合出全部所述导纳样本的指标，例如谐振点频率偏差。本实施例中，所述拟合效果相对于测试结果的谐振点频率偏差大于0.5MHz。
步骤S52、将所述参数结果中相同几何参数的所述谐振器所对应的多组所述参数结果进行平均值计算，将计算得出的平均值数据作为一组所述参数结果。
工艺和测试的波动是不可避免的，一般认为工艺带来的谐振器频率波动在3MHz左右，而本实施例中，测试带来的所述谐振器的导纳波动可以超过3db。所述步骤S52做平均的过程可以实际为寻找到工艺和测试的中间值。
实施步骤S5可以进一步筛选后，得到抑制了工艺和测试波动的平均数据。
步骤S6、预选机器学习模型，将所述步骤S1中的所述谐振器的几何参数作为所述机器学习模型的输入数据，将所述步骤S5中输出的多组所述参数结果作为所述机器学习模型的输出数据，训练机器学习模型并得到训练后的预测调整参数模型。
所述步骤S6中的所述机器学习模型为本领域常用的模式。例如vanilla neuralnetwork模型和deep learning模型等。
实施步骤S6通过机器学习模型内，获得了可靠的连续模型。
请参照图3所示，图3为本发明实施例提供的仿真测试拟合工艺参数方法的步骤S60的流程框图。
本实施例中，所述步骤S6之前还包括：
步骤S60、根据所述输入数据和/或所述输出数据的数据量是否大于预设的数据量阈值进行判断：
若是，则将所述机器学习模型选择为深度学习的模型；
若否，则将所述机器学习模型选择为决策树类的模型。
本实施例中，所述深度学习的模型为MLP方法相对应的机器学习模型。所述决策树类的模型为Xgboost方法相对应的机器学习模型。
步骤S60根据数据量大小的不同，自动适配不同类型的机器学习方法。例如数据量较大的情况下，可以应用深度学习来进行训练；数据量较小的情况下，可以利用决策树类的模型来做训练。步骤S60之后，步骤S6就从离散的数据中得到了连续的预测调整参数模型。
步骤S7、将所述步骤S2中的所有的所述样本进行抽样，再将抽样后的所述样本通过所述预测调整参数模型进行验证，以保证所述抽样的拟合结果符合预设要求。
其中，所述步骤S7中的验证具体为：将预测到的所述预测调整参数模型的调整参数带回步骤S2,调整参数更新步骤S2中的所述约束后进行谐振器导纳计算并得出计算结果后，将所述计算结果与拟合目标进行对比，若对比一致则验证通过，若对比不一致则验证不通过。
实施步骤S7可以提高本发明的仿真测试拟合工艺参数方法准确度和可靠性。
执行上述步骤S1至步骤S7，本发明的所述仿真测试拟合工艺参数方法的整个流程完全自动化地实现了对声表滤波器的不同工艺特点代工厂、不同压电基底、不同声表面波种类的自动快速仿真测试拟合。在原始工艺和测试波动的条件下，实现了统计意义上准确的仿真测试对比。更优的，本发明的仿真测试拟合工艺参数方法使得适配不同工艺或不同代工厂的过程非常迅速，省去了人工反复调整COM参数的过程，而且可以保证普适性和保证大范围的数据准确性。因此，使得本发明的仿真测试拟合工艺参数方法可解决在不同工艺和测试波动的情况下实现统计意义上的自动化仿真测试且普适性好，计算速度快且准确性高。
以下用一组数据证明的所述仿真测试拟合工艺参数方法在实践中的效果。本组数据采用本发明的仿真测试拟合工艺参数方法拟合1G频段的两万组测试数据，抽样展示拟合前后的效果。
请同时参照图4和图5所示，图4为本发明实施例提供的仿真测试拟合工艺参数方法的在实施仿真测试拟合前的测试数据的谐振点的频率和抽样点曲线关系图。其中，图4为原始数据平均谐振点频偏0.36MHz的情况下的谐振点的频率和抽样点曲线关系图。图5为本发明实施例提供的仿真测试拟合工艺参数方法的在实施仿真测试拟合后的测试数据的谐振点的频率和抽样点曲线关系图。图5为仿真测试后谐振点频偏1.03MHz的谐振点的频率和抽样点曲线关系图。由图4和图5所的得，本发明的仿真测试拟合工艺参数方法可解决在不同工艺和测试波动的情况下实现统计意义上的自动化仿真测试且普适性好，计算速度快且准确性高。
本发明还提供一种仿真测试拟合系统100。请参照图6所示，图6为本发明仿真测试拟合系统100的结构示意图。所述仿真测试拟合系统100应用本发明的所述仿真测试拟合工艺参数方法。
具体的，所述仿真测试拟合系统100包括连接的仿真测试拟合器1、训练器2以及验证器3。本实施例中，仿真测试拟合器1、训练器2以及验证器3均为数字处理器或软件程序。
所述仿真测试拟合器用于实施所述的仿真测试拟合工艺参数方法的所述步骤S1至所述步骤S5。
具体为：所述仿真测试拟合器1用于实施所述步骤S1，获得多个谐振器的测试原始数据，根据预设的清理规则将所述测试原始数据进行清理并得到清理后的样本。所述测试原始数据包括用于匹配所述谐振器的几何参数和测试文件。所述清理规则为根据所述测试原始数据在统计上的一致性将不具一致性的部分去除。
所述仿真测试拟合器1还用于实施所述步骤S2，将预设的全局类优化方法设置约束，再通过设置所述约束后的所述全局类优化方法将所述样本拟合出单个导纳样本。所述约束为选择的所述全局类优化方法的种类和所述全局类优化方法中相关的参数。所述导纳样本分别与所述全局类优化方法的种类以及所述全局类优化方法中相关的参数一一对应。
所述仿真测试拟合器1还用于实施所述步骤S3，将所有所述样本进行抽样，再将抽样出的所述样本按照所述步骤S2进行拟合得到多个抽样导纳样本，再将所述全局类优化方法的种类和所述全局类优化方法中相关的参数在多个所述抽样导纳样本中的分布效果是否小于预设的指标阈值进行判断：若是，则进入步骤S4；若否，则调整所述约束后返回所述步骤S2。
所述仿真测试拟合器1还用于实施所述步骤S4，根据将所有所述样本进行分布式计算并拟合得出全部所述导纳样本。
所述仿真测试拟合器1还用于实施所述步骤S5，根据全部所述导纳样本中的数据获得多组参数结果，将具有相同几何参数的所述谐振器相对应的多组所述参数结果合并为一组进行处理，再将处理后的多组所述参数结果输出。
所述训练器2用于实施所述步骤S6，预选机器学习模型，将所述步骤S1中的所述谐振器的几何参数作为所述机器学习模型的输入数据，将所述步骤S5中输出的多组所述参数结果作为所述机器学习模型的输出数据，训练机器学习模型并得到训练后的预测调整参数模型。
所述验证器3用于实施所述步骤S7，将所述步骤S2中的所有的所述样本进行抽样，再将抽样后的所述样本通过所述预测调整参数模型进行验证，以保证所述抽样的拟合结果符合预设要求。
本发明实施例提供的所述仿真测试拟合系统100能够实现仿真测试拟合工艺参数方法实施例中的各个实施方式，以及相应有益效果，为避免重复，这里不再赘述。
本发明还提供一种仿真测试拟合设备1000。请参照图7所示，图7为本发明仿真测试拟合设备1000的结构示意图。
所述仿真测试拟合设备1000包括处理器1001、存储器1002、网络接口1003及存储在存储器1002上并可在处理器1001上运行的计算机程序，所述处理器1001用于读取所述存储器中1002的程序，处理器1001执行计算机程序时实现实施例提供的仿真测试拟合工艺参数方法中的步骤。即处理器1001执行所述仿真测试拟合工艺参数方法中的步骤。
具体的，处理器1001用于执行以下步骤：
步骤S1、获得多个所述谐振器的测试原始数据，根据预设的清理规则将所述测试原始数据进行清理并得到清理后的样本。所述测试原始数据包括用于匹配所述谐振器的几何参数和测试文件。所述清理规则为根据所述测试原始数据在统计上的一致性将不具一致性的部分去除。
步骤S2、将预设的全局类优化方法设置约束，再通过设置所述约束后的所述全局类优化方法将所述样本拟合出单个导纳样本。所述约束为选择的所述全局类优化方法的种类和所述全局类优化方法中相关的参数。所述导纳样本分别与所述全局类优化方法的种类以及所述全局类优化方法中相关的参数一一对应。
步骤S3、将所有所述样本进行抽样，再将抽样出的所述样本按照所述步骤S2进行拟合得到多个抽样导纳样本，再将所述全局类优化方法的种类和所述全局类优化方法中相关的参数在多个所述抽样导纳样本中的分布效果是否小于预设的指标阈值进行判断：
若是，则进入步骤S4；若否，则调整所述约束后返回所述步骤S2。步骤S4、将所有所述样本进行分布式计算并拟合得出全部所述导纳样本。
步骤S5、根据全部所述导纳样本中的数据获得多组参数结果，将具有相同几何参数的所述谐振器相对应的多组所述参数结果合并为一组进行处理，再将处理后的多组所述参数结果输出。
步骤S6、预选机器学习模型，将所述步骤S1中的所述谐振器的几何参数作为所述机器学习模型的输入数据，将所述步骤S5中输出的多组所述参数结果作为所述机器学习模型的输出数据，训练机器学习模型并得到训练后的预测调整参数模型。
步骤S7、将所述步骤S2中的所有的所述样本进行抽样，再将抽样后的所述样本通过所述预测调整参数模型进行验证，以保证所述抽样的拟合结果符合预设要求。
本发明实施例提供的所述仿真测试拟合设备1000能够实现仿真测试拟合工艺参数方法实施例中的各个实施方式，以及相应有益效果，为避免重复，这里不再赘述。
需要指出的是，图7中仅示出了具有组件的1001-1003，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的所述仿真测试拟合设备1000是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述存储器1002至少包括一种类型的可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器1002可以是所述仿真测试拟合设备1000的内部存储单元，例如所述仿真测试拟合设备1000的硬盘或内存。在另一些实施例中，所述存储器1002也可以是所述仿真测试拟合设备1000的外部存储设备，例如该仿真测试拟合设备1000上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器1002还可以既包括所述仿真测试拟合设备1000的内部存储单元也包括其外部存储设备。本实施例中，所述存储器1002通常用于存储安装于所述仿真测试拟合设备1000的操作系统和各类应用软件，例如仿真测试拟合设备1000的仿真测试拟合工艺参数方法的程序代码等。此外，所述存储器1002还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器1001在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该所述处理器1001通常用于控制所述仿真测试拟合设备1000的总体操作。本实施例中，所述处理器1001用于运行所述存储器1002中存储的程序代码或者处理数据，例如运行仿真测试拟合设备1000的仿真测试拟合工艺参数方法的程序代码。
网络接口1003可包括无线网络接口或有线网络接口，该网络接口1003通常用于在仿真测试拟合设备1000与其他电子设备之间建立通信连接。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器1001执行时实现如上所述的仿真测试拟合工艺参数方法中的步骤。
本领域普通技术人员可以理解实现实施例仿真测试拟合设备1000的仿真测试拟合工艺参数方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random Access Memory，简称RAM)等。
在本发明实施例中提到的本实施方式为了便于表述。以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
与现有技术相比，本发明的仿真测试拟合工艺参数方法通过实施步骤S1和步骤S2，其中，步骤S1、将测试原始数据进行清理并得到样本；步骤S2、将样本拟合出单个导纳样本；实施步骤S1和步骤S2通过选择合理的优化方法，实现了准确的单个导纳曲线的仿真测试。本发明的仿真测试拟合工艺参数方法再通过实施步骤S3和步骤S4，其中，步骤S3将抽样出的样本拟合得到多个抽样导纳样本；步骤S4、将所有样本进行分布式计算并拟合得出全部导纳样本；实施步骤S3和步骤S4通过代码层面的并行，实现了大量测试的快速拟合。本发明的仿真测试拟合工艺参数方法再通过实施步骤S5，其中，步骤S5、将具有相同几何参数的谐振器相对应的多组参数结果合并为一组进行处理；实施步骤S5可以进一步筛选后，得到抑制了工艺和测试波动的平均数据。本发明的仿真测试拟合工艺参数方法再通过实施步骤S6，其中，步骤S6、训练机器学习模型并得到预测调整参数模型；实施步骤S6通过机器学习模型内，获得了可靠的连续模型。本发明的仿真测试拟合工艺参数方法再通过实施步骤S7，其中，步骤S7、将抽样后的样本通过预测调整参数模型进行验证。实施步骤S7可以提高本发明的仿真测试拟合工艺参数方法准确度和可靠性。执行上述步骤，整个流程完全自动化地实现了对声表滤波器的不同工艺特点代工厂、不同压电基底、不同声表面波种类的自动快速仿真测试拟合。在原始工艺和测试波动的条件下，实现了统计意义上准确的仿真测试对比。更优的，本发明的仿真测试拟合工艺参数方法使得适配不同工艺或不同代工厂的过程非常迅速，省去了人工反复调整COM参数的过程，而且可以保证普适性和保证大范围的数据准确性。因此，使得本发明的仿真测试拟合工艺参数方法、仿真测试拟合系统、仿真测试拟合设备以及计算机可读存储介质可解决在不同工艺和测试波动的情况下实现统计意义上的自动化仿真测试且普适性好，计算速度快且准确性高。
以上所述的仅是本发明的实施方式，在此应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出改进，但这些均属于本发明的保护范围。

Claims (9)

1.一种仿真测试拟合工艺参数方法，其应用于声表滤波器，所述声表滤波器包括多个谐振器；其特征在于，该方法包括如下步骤：
步骤S1、获得多个所述谐振器的测试原始数据，根据预设的清理规则将所述测试原始数据进行清理并得到清理后的样本；所述测试原始数据包括用于匹配所述谐振器的几何参数和测试文件，所述清理规则为根据所述测试原始数据在统计上的一致性将不具一致性的部分去除；
步骤S2、将预设的全局类优化方法设置约束，再通过设置所述约束后的所述全局类优化方法将所述样本拟合出单个导纳样本；所述约束为选择的所述全局类优化方法的种类和所述全局类优化方法中相关的参数，所述导纳样本分别与所述全局类优化方法的种类以及所述全局类优化方法中相关的参数一一对应；
步骤S3、将所有所述样本进行抽样，再将抽样出的所述样本按照所述步骤S2进行拟合得到多个抽样导纳样本，再将所述全局类优化方法的种类和所述全局类优化方法中相关的参数在多个所述抽样导纳样本中的分布效果是否小于预设的指标阈值进行判断：
若是，则进入步骤S4；若否，则调整所述约束后返回所述步骤S2；
其中，所述测试原始数据包括第一几何参数、第一测试文件、第二几何参数以及第二测试文件；所述第一几何参数为同一批所述声表滤波器的流片测试数据中的多个不相同的所述几何参数；所述第一测试文件为同一批所述声表滤波器的流片测试数据中的多个不相同的所述测试文件；所述第二几何参数为所述声表滤波器的流片测试数据中不同晶圆且不同位置上的相同的所述几何参数；所述第二测试文件为所述声表滤波器的流片测试数据中不同晶圆且不同位置上的相同的所述测试文件；
步骤S4、将所有所述样本进行分布式计算并拟合得出全部所述导纳样本；
步骤S5、根据全部所述导纳样本中的数据获得多组参数结果，将具有相同几何参数的所述谐振器相对应的多组所述参数结果合并为一组进行处理，再将处理后的多组所述参数结果输出；
步骤S6、预选机器学习模型，将所述步骤S1中的所述谐振器的几何参数作为所述机器学习模型的输入数据，将所述步骤S5中输出的多组所述参数结果作为所述机器学习模型的输出数据，训练机器学习模型并得到训练后的预测调整参数模型；
步骤S7、将所述步骤S2中的所有的所述样本进行抽样，再将抽样后的所述样本通过所述预测调整参数模型进行验证，以保证所述抽样的拟合结果符合预设要求。
2.根据权利要求1所述的仿真测试拟合工艺参数方法，其特征在于，所述步骤S2中，所述全局类优化方法的种类包括粒子群优化算法和进化计算算法。
3.根据权利要求1所述的仿真测试拟合工艺参数方法，其特征在于，所述步骤S2中，将所述样本拟合出单个导纳样本的方法为：采用耦合模模型方法计算所述谐振器的导纳，并在计算中调整耦合模模型的参数，以使得耦合模模型方法计算出的导纳与实际测试的导纳相同。
4.根据权利要求1所述的仿真测试拟合工艺参数方法，其特征在于，所述步骤S3中，多个所述导纳样本中的分布效果为所述谐振器的偏差指标的统计指标的平均值，所述谐振器的偏差指标包括振点频率偏差、反谐振点频率偏差和静态电容偏差。
5.根据权利要求1所述的仿真测试拟合工艺参数方法，其特征在于，所述步骤S5具体包括：
步骤S51、将全部所述参数结果根据预设的参考指标评估拟合效果，并将所述拟合效果中超过所述指标阈值的参数结果所对应的所述导纳样本去除；
步骤S52、将所述参数结果中相同几何参数的所述谐振器所对应的多组所述参数结果进行平均值计算，将计算得出的平均值数据作为一组所述参数结果。
6.根据权利要求1所述的仿真测试拟合工艺参数方法，其特征在于，所述步骤S6之前还包括：
步骤S60、根据所述输入数据和/或所述输出数据的数据量是否大于预设的数据量阈值进行判断：
若是，则将所述机器学习模型选择为深度学习的模型；
若否，则将所述机器学习模型选择为决策树类的模型。
7.一种仿真测试拟合系统，其特征在于，所述仿真测试拟合系统应用如权利要求1至6中任一项所述的仿真测试拟合工艺参数方法；
所述仿真测试拟合系统包括依次连接的仿真测试拟合器、训练器以及验证器；
所述仿真测试拟合器用于实施所述的仿真测试拟合工艺参数方法的所述步骤S1至所述步骤S5；具体为：用于实施所述步骤S1，获得多个谐振器的测试原始数据，根据预设的清理规则将所述测试原始数据进行清理并得到清理后的样本；所述测试原始数据包括用于匹配所述谐振器的几何参数和测试文件，所述清理规则为根据所述测试原始数据在统计上的一致性将不具一致性的部分去除；还用于实施所述步骤S2，将预设的全局类优化方法设置约束，再通过设置所述约束后的所述全局类优化方法将所述样本拟合出单个导纳样本；所述约束为选择的所述全局类优化方法的种类和所述全局类优化方法中相关的参数，所述导纳样本分别与所述全局类优化方法的种类以及所述全局类优化方法中相关的参数一一对应；还用于实施所述步骤S3，将所有所述样本进行抽样，再将抽样出的所述样本按照所述步骤S2进行拟合得到多个抽样导纳样本，再将所述全局类优化方法的种类和所述全局类优化方法中相关的参数在多个所述抽样导纳样本中的分布效果是否小于预设的指标阈值进行判断：若是，则进入步骤S4；若否，则调整所述约束后返回所述步骤S2；其中，所述测试原始数据包括第一几何参数、第一测试文件、第二几何参数以及第二测试文件；所述第一几何参数为同一批所述声表滤波器的流片测试数据中的多个不相同的所述几何参数；所述第一测试文件为同一批所述声表滤波器的流片测试数据中的多个不相同的所述测试文件；所述第二几何参数为所述声表滤波器的流片测试数据中不同晶圆且不同位置上的相同的所述几何参数；所述第二测试文件为所述声表滤波器的流片测试数据中不同晶圆且不同位置上的相同的所述测试文件；还用于实施所述步骤S4，根据将所有所述样本进行分布式计算并拟合得出全部所述导纳样本；还用于实施所述步骤S5，根据全部所述导纳样本中的数据获得多组参数结果，将具有相同几何参数的所述谐振器相对应的多组所述参数结果合并为一组进行处理，再将处理后的多组所述参数结果输出；
所述训练器用于实施所述步骤S6，预选机器学习模型，将所述步骤S1中的所述谐振器的几何参数作为所述机器学习模型的输入数据，将所述步骤S5中输出的多组所述参数结果作为所述机器学习模型的输出数据，训练机器学习模型并得到训练后的预测调整参数模型；
所述验证器用于实施所述步骤S7，将所述步骤S2中的所有的所述样本进行抽样，再将抽样后的所述样本通过所述预测调整参数模型进行验证，以保证所述抽样的拟合结果符合预设要求。
8.一种仿真测试拟合设备，其特征在于，包括处理器和存储器，所述处理器用于读取所述存储器中的程序，执行如权利要求1至6中任一项所述的仿真测试拟合工艺参数方法中的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现如权利要求1-6中任意一项所述的仿真测试拟合工艺参数方法中的步骤。
CN202211314144.5A 2022-10-25 2022-10-25 仿真测试拟合工艺参数方法、系统、设备和存储介质 Active CN115495995B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211314144.5A CN115495995B (zh) 2022-10-25 2022-10-25 仿真测试拟合工艺参数方法、系统、设备和存储介质
PCT/CN2023/115029 WO2024087848A1 (zh) 2022-10-25 2023-08-25 仿真测试拟合工艺参数方法、系统、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211314144.5A CN115495995B (zh) 2022-10-25 2022-10-25 仿真测试拟合工艺参数方法、系统、设备和存储介质

Publications (2)

Publication Number Publication Date
CN115495995A CN115495995A (zh) 2022-12-20
CN115495995B true CN115495995B (zh) 2023-07-07

Family

ID=85114589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211314144.5A Active CN115495995B (zh) 2022-10-25 2022-10-25 仿真测试拟合工艺参数方法、系统、设备和存储介质

Country Status (2)

Country Link
CN (1) CN115495995B (zh)
WO (1) WO2024087848A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115495995B (zh) * 2022-10-25 2023-07-07 深圳飞骧科技股份有限公司 仿真测试拟合工艺参数方法、系统、设备和存储介质
CN116136938B (zh) * 2023-04-18 2023-07-04 深圳飞骧科技股份有限公司 声表面波器件仿真参数的快速拟合方法、系统及相关设备
CN116401964B (zh) * 2023-06-08 2023-09-29 深圳飞骧科技股份有限公司 弹性波器件的仿真参数获取方法、系统及相关设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6750733B1 (en) * 2002-03-14 2004-06-15 Agilent Technologies, Inc. Coupled resonator filter tuning having inter-resonator interaction compensation
CN107169232A (zh) * 2017-06-09 2017-09-15 京信通信系统（中国）有限公司 声波滤波器电路模型参数的提取方法及装置
CN110096041A (zh) * 2019-05-07 2019-08-06 中江联合(北京)科技有限公司 基于谐振器装配工艺的滤波器一致性质量控制方法
CN110765651A (zh) * 2019-11-12 2020-02-07 中国电子科技集团公司第二十九研究所 一种微带直接耦合滤波器的建模与智能设计方法
CN114492263A (zh) * 2022-02-17 2022-05-13 广东广纳芯科技有限公司 滤波器设计系统、方法及计算机可读取介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150073768A1 (en) * 2011-11-04 2015-03-12 Witricity Corporation Wireless energy transfer modeling tool
WO2018032052A1 (en) * 2016-08-16 2018-02-22 Macquarie University Optimisation of designs of electromagnetic devices
CN109063374B (zh) * 2018-08-31 2021-07-09 中国地质大学（武汉） 一种基于参数优化的耦合矩阵提取方法、设备及存储设备
CN115495995B (zh) * 2022-10-25 2023-07-07 深圳飞骧科技股份有限公司 仿真测试拟合工艺参数方法、系统、设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6750733B1 (en) * 2002-03-14 2004-06-15 Agilent Technologies, Inc. Coupled resonator filter tuning having inter-resonator interaction compensation
CN107169232A (zh) * 2017-06-09 2017-09-15 京信通信系统（中国）有限公司 声波滤波器电路模型参数的提取方法及装置
CN110096041A (zh) * 2019-05-07 2019-08-06 中江联合(北京)科技有限公司 基于谐振器装配工艺的滤波器一致性质量控制方法
CN110765651A (zh) * 2019-11-12 2020-02-07 中国电子科技集团公司第二十九研究所 一种微带直接耦合滤波器的建模与智能设计方法
CN114492263A (zh) * 2022-02-17 2022-05-13 广东广纳芯科技有限公司 滤波器设计系统、方法及计算机可读取介质

Also Published As

Publication number Publication date
CN115495995A (zh) 2022-12-20
WO2024087848A1 (zh) 2024-05-02

Similar Documents

Publication Publication Date Title
CN115495995B (zh) 仿真测试拟合工艺参数方法、系统、设备和存储介质
KR101987761B1 (ko) 마이크로웨이브 필터들에서의 소자 제거 설계
CN109815991A (zh) 机器学习模型的训练方法、装置、电子设备及存储介质
CN112598537B (zh) 电力设备故障诊断方法、装置及终端设备
JP2017091499A (ja) 音響マイクロ波フィルタの温度影響のシミュレーション
CN108092996B (zh) 一种鉴权通道选取方法及终端设备
CN112115047A (zh) 一种硬实时操作系统延时测试方法及系统
CN108463813B (zh) 一种进行数据处理的方法和装置
CN115792583B (zh) 一种车规级芯片的测试方法、装置、设备及介质
Rebola-Pardo et al. Two flavors of DRAT.
CN115358286A (zh) 一种直升机振动健康状态监测方法
CN114595216A (zh) 数据校验方法、装置、存储介质及电子设备
US11436069B2 (en) Method and apparatus for predicting hard drive failure
CN109086207B (zh) 页面响应故障分析方法、计算机可读存储介质及终端设备
CN111950778A (zh) 一种硬件开发工作量预估方法、装置、终端及存储介质
CN117057168B (zh) 声表面波谐振器横向模式仿真方法及相关设备
CN107132471B (zh) 一种调试微波器件的方法和设备
CN107562266B (zh) 电容屏校准方法、装置及终端设备
CN113672426A (zh) 存储设备的异常确定方法及装置、存储介质、电子装置
CN116401964B (zh) 弹性波器件的仿真参数获取方法、系统及相关设备
KR102335050B1 (ko) mBVD 모델의 파라미터를 결정하는 방법
US11113360B2 (en) Plant abnormality prediction system and method
CN113220725B (zh) 基于批计算的流计算数据测试方法及相关设备
CN113474796A (zh) 信息处理装置、信息处理方法以及信息处理程序
CN112241613B (zh) 检测电路的引脚关联性的方法及其计算机处理系统

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