CN117149551A - 一种车载无线通信芯片的测试方法 - Google Patents

一种车载无线通信芯片的测试方法 Download PDF

Info

Publication number
CN117149551A
CN117149551A CN202311416795.XA CN202311416795A CN117149551A CN 117149551 A CN117149551 A CN 117149551A CN 202311416795 A CN202311416795 A CN 202311416795A CN 117149551 A CN117149551 A CN 117149551A
Authority
CN
China
Prior art keywords
model
data
chip
test
cluster
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
Application number
CN202311416795.XA
Other languages
English (en)
Other versions
CN117149551B (zh
Inventor
郑智宇
邓志颖
李浩然
庄少伟
凌荣超
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.)
Eagle Drive Technology Shenzhen Co Ltd
Original Assignee
Eagle Drive Technology Shenzhen 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 Eagle Drive Technology Shenzhen Co Ltd filed Critical Eagle Drive Technology Shenzhen Co Ltd
Priority to CN202311416795.XA priority Critical patent/CN117149551B/zh
Publication of CN117149551A publication Critical patent/CN117149551A/zh
Application granted granted Critical
Publication of CN117149551B publication Critical patent/CN117149551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
    • G06F11/2236—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested to test CPU or processors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2273—Test methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/26—Functional testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3024—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • H04B17/10—Monitoring; Testing of transmitters
    • H04B17/15—Performance testing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/20—Monitoring; Testing of receivers
    • H04B17/29—Performance testing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提出了一种车载无线通信芯片的测试方法。该方法首先收集一些芯片的测试数据，然后利用这些数据训练出一个机器学习模型，将这些数据进行聚类以生成预期性能分组。在新芯片的性能测试中，使用已经训练好的模型，通过将新芯片的数据带入模型来预测新芯片的性能指标。模型亦可用于对芯片的实时工作状态进行监控，若预测出可能的性能下降或故障，会及时发出预警。本发明提高了芯片测试的效率和准确性，节省了人力和时间，并能进行实时预警，以便尽早处理可能出现的问题。

Description

一种车载无线通信芯片的测试方法
技术领域
本发明属于芯片测试领域，更具体的说涉及一种车载无线通信芯片的测试方法。
背景技术
在车载无线通信芯片的生产和应用过程中，进行性能测试是至关重要的一环，以保证其能够满足各类功能需求，提供稳定的工作性能。常见的测试方法包括功率输出测试、接收灵敏度测试、频率稳定度测试等。然而，这些测试方法通常需要专业人员进行操作和分析，而且这些操作过程往往复杂且耗时，对测试数据的处理和分析也较难掌握。
现有技术的缺点：
效率低下：传统的测试方法通常需要花费大量的时间和人力，效率较低。特别是在大规模的芯片生产中，这种低效的测试方法无法满足快速检测的需求。
精度问题：由于传统的测试方法主要依赖于人工操作，因此可能存在误差，难以保证测试的准确性。而且，对于一些复杂性能指标的测试，传统方法往往难以做出准确的判断。
分析能力欠缺：传统的测试方法通常只能获取到单一的测试结果，缺乏对数据之间相关性的深入理解，无法从中提取出有价值的信息，如识别出可能影响芯片性能的关键因素。
发明内容
本发明采用了机器学习算法，特别是K聚类算法，通过自动化和智能化的方式对车载无线通信芯片进行性能测试和预测，提高了测试的效率和精度，并让芯片性能的检测和分析更为全面和深入。
为了实现上述目的，本发明是采用以下技术方案实现的：所述的测试方法采用以下步骤：
S1数据收集：记录芯片进行功率输出、接收灵敏度和频率稳定度测试时的性能数据，作为机器学习模型的输入；
S2模型训练：利用已收集的数据，根据芯片的性能参数及其相应的功能指标，采用聚类算法训练预测模型；
S3模型验证与优化：将模型在已知输出的测试集上进行验证，通过调整模型参数和改变模型结构对模型进行优化；
S4自动化测试：根据训练的预测模型，自动地对新芯片进行性能测试并预测其性能指标。
进一步地，所述的S1数据收集采用以下实现的：
功率输出检测：开始时，将芯片连接到测试设备上启动，然后，通过特定的测试软件来测试芯片的功率输出，确保其输出的能量符合预定的规格。
接收灵敏度检测：通过在预定的每个频点上输入逐渐降低的信号强度，找到芯片正常解调信号的最低输入电平；
频率稳定度检测：检测芯片在待机状态和工作状态时的频率偏差。
进一步地，所述的S2模型训练具体方法如下：
S201定义特征向量：将已收集的数据，功率输出、接收灵敏度和频率稳定度等性能参数，构成一个多维的特征向量；
S202初始化中心点：数据集中随机挑选 K 个数据点作为初始的聚类中心；
S203距离计算与数据归类：计算数据集中每个点到 K 个中心点的距离，并将每个数据点归类到距离最近的中心；
S204重新计算中心点：在每个类别中，计算所有数据点的均值，并将这个均值作为新的中心点；
以上步骤反复迭代进行，直到中心点变动的幅度小于某一给定的阈值，或者达到最大的迭代次数为止；
新的中心点k 的计算公式：
其中，表示新的中心点；/>表示第k个簇中所有的数据点；/>表示第i个数据点；表示第k个簇中的数据点数量；
距离计算公式一般采用欧氏距离：
其中，x 和 y 表示两个数据点，n 为特征向量的维度。
进一步地，所述的S3模型验证与优化：
S301划分数据集：将收集的数据分为训练集和测试集，通常以8:2的比例进行划分。
S302训练模型：使用训练集中的数据适应（fit）模型；
S303验证模型：用测试集中的数据对模型进行评估，检查模型的预测错误率，使用公式：
预测错误率 = (预测错误的数目 / 测试集的总数目) * 100%；
S304优化模型：如果验证结果未达到预期，会选择调整模型的参数，在K-means算法中，需要调整簇数(K值)；
S305再次验证：调整后的模型再次进行验证，重复步骤3；
S306模型选择：根据验证结果选择最优模型，即模型错误率最低的那一个。
进一步地，所述的S304优化模型：如果验证结果未达到预期，会选择调整模型的参数，在K-means算法中，需要调整簇数(K值)的具体过程如下：
设置一个K值范围，从1到10；
对于每一个K值，运行K-means算法，计算其对应的聚类误差平方和，也被称为斜度WCSS；按照每个簇中所有点到簇中心距离的平方和来作为该簇的误差平方和；
画出K值与其对应误差平方和的关系图，随着K值的增加，误差平方和会逐渐变小，但在某一点之后，即“肘部”，下降幅度会大大减小。这就是寻找的最佳K值;
WCSS可以用以下公式计算：
其中，i 是数据点的索引，k 是集群的索引，是第k个簇的中心，/>是数据点的特征向量，第一个求和符号是对簇内的所有点求和，第二个求和符号是对所有簇求和。
进一步地，所述的S4自动化测试的详细过程如下：
S401数据预处理：首先，将收集到的芯片性能测试数据进行预处理，使得数据符合K聚类算法的输入需求；
S402初始聚类中心的选择：然后，初始化K个聚类中心，K个聚类中心是根据先验知识选择的；
S403数据点分配：对于每一个测试数据点，计算其到K个聚类中心的距离，将数据点分配到距离最近的聚类中心所在的群组；
S404重新计算聚类中心：在所有数据点分配完毕后，重新计算每个群组的聚类中心，具体来说，就是计算群组内所有数据点的平均值，得到新的聚类中心；
S405重复迭代：重复S403和S404，直到所有的聚类中心的变化足够小，或是达到预设的迭代次数；
S406聚类结果生成：将最后得到的K个聚类中心及其对应的群组视为新芯片的预期性能分组；每个群组代表了一种不同的性能水平。
S407新芯片的性能预测：对新芯片进行性能测试，然后把这些测试数据点带入到上述生成的K聚类模型中，看新的测试数据点属于哪个群组，从而预测新芯片的性能水平。
本发明有益效果：
1、提高测试效率：传统的测试方法需要人工操作和分析，耗时且效率低下。而本发明的机器学习方法可以自动化进行测试，并可以快速获取测试结果，明显提高测试效率。特别是在大规模的芯片生产中，能够满足快速、高效的检测需求。
2、提高测试精度：机器学习模型通过大量数据的训练，能够有效提高测试结果的精度。同时，由于模型本质上依赖于数据，而不是人为判断，因此能够避免人为因素带来的误差，提高测试结果的准确性。
3、实时预警功能：基于机器学习模型，实现对芯片工作状态的实时监控，如果模型预测出芯片可能存在性能下降或故障，能及时发出预警，让维护人员能够尽早进行处理，避免或减少可能出现的损失。
4、降低测试成本：由于大大减少了人工参与，运营成本能够显著降低。同时，快速、准确的测试结果能够避免因测试误差导致的额外开销。
附图说明
图1为本发明方法流程图；
图2为本发明模型训练方法流程图；
图3为模型验证与优化流程图；
图4自动化测试方法流程图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是，本发明可以以许多不同的形式来实现，并不限于本发明所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本发明所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本发明中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
所述的测试方法采用以下步骤：
S1数据收集：在进行功率输出、接收灵敏度和频率稳定度测试时，记录芯片的性能数据；这些数据可以作为机器学习模型的输入；
所述的S1数据收集采用以下实现的：
功率输出检测：开始时，将芯片连接到测试设备上启动，然后，通过特定的测试软件来测试芯片的功率输出，确保其输出的能量符合预定的规格。
接收灵敏度检测：通过在预定的每个频点上输入逐渐降低的信号强度，找到芯片正常解调信号的最低输入电平；
频率稳定度检测：检测芯片在待机状态和工作状态时的频率偏差。
S2模型训练：利用已收集的数据，根据芯片的性能参数和其相应的功能指标，训练一个预测模型；模型采用聚类算法；
所述的S2模型训练具体方法如下：
S201定义特征向量：将已收集的数据，功率输出、接收灵敏度和频率稳定度等性能参数，构成一个多维的特征向量；
S202初始化中心点：数据集中随机挑选 K 个数据点作为初始的聚类中心；
S203距离计算与数据归类：计算数据集中每个点到 K 个中心点的距离，并将每个数据点归类到距离最近的中心；
S204重新计算中心点：在每个类别中，计算所有数据点的均值，并将这个均值作为新的中心点；
以上步骤反复迭代进行，直到中心点变动的幅度小于某一给定的阈值，或者达到最大的迭代次数为止；
新的中心点k 的计算公式：
其中，表示新的中心点；/>表示第k个簇中所有的数据点；/>表示第i个数据点；表示第k个簇中的数据点数量；
距离计算公式一般采用欧氏距离：
其中，x 和 y 表示两个数据点，n 为特征向量的维度。
S3模型验证与优化：将模型在已知输出的测试集上进行验证；通过调整模型参数或改变模型结构等方式对其进行优化；
所述的S3模型验证与优化：
S301划分数据集：将收集的数据分为训练集和测试集，通常以8:2的比例进行划分。
S302训练模型：使用训练集中的数据适应（fit）模型；
S303验证模型：用测试集中的数据对模型进行评估，检查模型的预测错误率，使用公式：
预测错误率 = (预测错误的数目 / 测试集的总数目) * 100%；
S304优化模型：如果验证结果未达到预期，会选择调整模型的参数，在K-means算法中，需要调整簇数(K值)；
S305再次验证：调整后的模型再次进行验证，重复步骤3；
S306模型选择：根据验证结果选择最优模型，即模型错误率最低的那一个。
S4自动化测试：根据学习到的模型，自动地对新芯片进行性能测试并预测其性能指标。
所述的S304优化模型：如果验证结果未达到预期，会选择调整模型的参数，在K-means算法中，需要调整簇数(K值)的具体过程如下：
设置一个K值范围，从1到10；
对于每一个K值，运行K-means算法，计算其对应的聚类误差平方和，也被称为斜度WCSS；按照每个簇中所有点到簇中心距离的平方和来作为该簇的误差平方和；
画出K值与其对应误差平方和的关系图，随着K值的增加，误差平方和会逐渐变小，但在某一点之后，即“肘部”，下降幅度会大大减小。这就是寻找的最佳K值;
WCSS可以用以下公式计算：
其中，i 是数据点的索引，k 是集群的索引，是第k个簇的中心，/>是数据点的特征向量，第一个求和符号是对簇内的所有点求和，第二个求和符号是对所有簇求和。
所述的S4自动化测试的详细过程如下：
S401数据预处理：首先，将收集到的芯片性能测试数据进行预处理，使得数据符合K聚类算法的输入需求；
S402初始聚类中心的选择：然后，初始化K个聚类中心，K个聚类中心是根据先验知识选择的；
S403数据点分配：对于每一个测试数据点，计算其到K个聚类中心的距离，将数据点分配到距离最近的聚类中心所在的群组；
S404重新计算聚类中心：在所有数据点分配完毕后，重新计算每个群组的聚类中心，具体来说，就是计算群组内所有数据点的平均值，得到新的聚类中心；
S405重复迭代：重复S403和S404，直到所有的聚类中心的变化足够小，或是达到预设的迭代次数；
S406聚类结果生成：将最后得到的K个聚类中心及其对应的群组视为新芯片的预期性能分组；每个群组代表了一种不同的性能水平。
S407新芯片的性能预测：对新芯片进行性能测试，然后把这些测试数据点带入到上述生成的K聚类模型中，看新的测试数据点属于哪个群组，从而预测新芯片的性能水平。
实施例一
首先，公司搜集了一批性能数据，包括功率输出、接收灵敏度和频率稳定度等，数据如下（随机）：
芯片A:功率输出10dBm, 接收灵敏度-98dBm, 频率稳定度0.1ppm
芯片B:功率输出11dBm, 接收灵敏度-97dBm, 频率稳定度0.1ppm
芯片C:功率输出9dBm, 接收灵敏度-99dBm, 频率稳定度0.15ppm
然后，利用这些已经收集好的数据，训练了一个K-means聚类模型。假设设定K=3，算法将所有数据进行聚类，假设结果如下：
群组1：{芯片A}
群组2：{芯片B}
群组3：{芯片C}
接着，他们使用了这个训练好的模型，对新生产的芯片进行测试。比如，新生产的一个芯片X的功率输出为10dBm, 接收灵敏度为-98dBm，频率稳定度为0.1ppm, 通过模型测试，芯片X被分配到了群组1。
通过测试，知道了新的芯片与芯片A的性能相似。因此，可期望芯片X在真实的运行环境中，表现出与芯片A类似的性能。这就帮助公司事先知道他们生产的新的芯片可能的实际表现，有助于他们的决策制定。
此外，模型在实际的应用中仍旧运行，对芯片实时进行工作状态监控，若存在可能性能下降或故障，会及时发出预警。这使得公司能够尽早进行处理，避免了可能的损失。
本领域普通技术人员可以理解实现上述实施例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，所述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，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnlyMemory，ROM)或随机存储记忆体(RandomABBessMemory，RAM)等。
应当理解，以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种车载无线通信芯片的测试方法，其特征在于：所述的测试方法采用以下步骤：
S1数据收集：记录芯片进行功率输出、接收灵敏度和频率稳定度测试时的性能数据，作为机器学习模型的输入；
S2模型训练：利用已收集的数据，根据芯片的性能参数及其相应的功能指标，采用聚类算法训练预测模型；
S3模型验证与优化：将模型在已知输出的测试集上进行验证，通过调整模型参数和改变模型结构对模型进行优化；
S4自动化测试：根据训练的预测模型，自动地对新芯片进行性能测试并预测其性能指标。
2.根据权利要求1所述的一种车载无线通信芯片的测试方法，其特征在于：所述的S1数据收集采用以下方法实现的：
功率输出检测：将芯片连接到测试设备上启动，测试芯片的功率输出，确保其输出的能量符合预定的规格；
接收灵敏度检测：通过在预定的每个频点上输入逐渐降低的信号强度，找到芯片正常解调信号的最低输入电平；
频率稳定度检测：检测芯片在待机状态和工作状态时的频率偏差。
3.根据权利要求1所述的一种车载无线通信芯片的测试方法，其特征在于：所述的S2模型训练具体方法如下：
S201定义特征向量：将已收集的数据，功率输出、接收灵敏度和频率稳定度性能参数，构成一个多维的特征向量；
S202初始化中心点：数据集中随机挑选K个数据点作为初始的聚类中心；
S203距离计算与数据归类：计算数据集中每个点到 K 个中心点的距离，并将每个数据点归类到距离最近的中心；
S204重新计算中心点：在每个类别中，计算所有数据点的均值，并将这个均值作为新的中心点；
以上步骤反复迭代进行，直到中心点变动的幅度小于某一给定的阈值，或者达到最大的迭代次数为止；
新的中心点k的计算公式：
；
其中，表示新的中心点；/>表示第k个簇中所有的数据点；/>表示第i个数据点；/>表示第k个簇中的数据点数量；
距离计算公式采用欧氏距离：
；
其中，x 和 y 表示两个数据点，n 为特征向量的维度。
4.根据权利要求1所述的一种车载无线通信芯片的测试方法，其特征在于：所述的S3模型验证与优化方法如下：
S301划分数据集：将收集的数据分为训练集和测试集，以8:2的比例进行划分；
S302训练模型：使用训练集中的数据适应fit模型；
S303验证模型：用测试集中的数据对模型进行评估，检查模型的预测错误率，使用公式：
预测错误率 = (预测错误的数目 / 测试集的总数目) * 100%；
S304优化模型：如果验证结果未达到预期，会选择调整模型的参数，在K-means算法中，需要调整簇数K值；
S305再次验证：调整后的模型再次进行验证，重复步骤3；
S306模型选择：根据验证结果选择最优模型，即模型错误率最低的那一个。
5.根据权利要求4所述的一种车载无线通信芯片的测试方法，其特征在于：所述的S304优化模型：如果验证结果未达到预期，会选择调整模型的参数，在K-means算法中，需要调整簇数K值的具体过程如下：
设置一个K值范围，从1到10；
对于每一个K值，运行K-means算法，计算其对应的聚类误差平方和，也被称为斜度WCSS；按照每个簇中所有点到簇中心距离的平方和来作为该簇的误差平方和；
画出K值与其对应误差平方和的关系图，随着K值的增加，误差平方和会逐渐变小，但在某一点之后，即“肘部”，下降幅度会大大减小；这就是寻找的最佳K值;
WCSS用以下公式计算：
；
其中，i 是数据点的索引，k 是集群的索引，是第k个簇的中心，/>是数据点的特征向量，第一个求和符号是对簇内的所有点求和，第二个求和符号是对所有簇求和。
6.根据权利要求4所述的一种车载无线通信芯片的测试方法，其特征在于：所述的S4自动化测试的详细过程如下：
S401数据预处理：将收集到的芯片性能测试数据进行预处理，使得数据符合K聚类算法的输入需求；
S402初始聚类中心的选择：初始化K个聚类中心，K个聚类中心是根据先验知识选择的；
S403数据点分配：对于每一个测试数据点，计算其到K个聚类中心的距离，将数据点分配到距离最近的聚类中心所在的群组；
S404重新计算聚类中心：在所有数据点分配完毕后，重新计算每个群组的聚类中心，具体来说，就是计算群组内所有数据点的平均值，得到新的聚类中心；
S405重复迭代：重复S403和S404，直到所有的聚类中心的变化足够小，或是达到预设的迭代次数；
S406聚类结果生成：将最后得到的K个聚类中心及其对应的群组视为新芯片的预期性能分组；每个群组代表了一种不同的性能水平；
S407新芯片的性能预测：对新芯片进行性能测试，然后把这些测试数据点带入到上述生成的K聚类模型中，看新的测试数据点属于哪个群组，从而预测新芯片的性能水平。
CN202311416795.XA 2023-10-30 2023-10-30 一种车载无线通信芯片的测试方法 Active CN117149551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311416795.XA CN117149551B (zh) 2023-10-30 2023-10-30 一种车载无线通信芯片的测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311416795.XA CN117149551B (zh) 2023-10-30 2023-10-30 一种车载无线通信芯片的测试方法

Publications (2)

Publication Number Publication Date
CN117149551A true CN117149551A (zh) 2023-12-01
CN117149551B CN117149551B (zh) 2024-02-09

Family

ID=88904676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311416795.XA Active CN117149551B (zh) 2023-10-30 2023-10-30 一种车载无线通信芯片的测试方法

Country Status (1)

Country Link
CN (1) CN117149551B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109976997A (zh) * 2017-12-28 2019-07-05 北京京东尚科信息技术有限公司 测试方法和装置
CN112101486A (zh) * 2020-11-16 2020-12-18 成都天锐星通科技有限公司 芯片筛选方法、装置、电子设备和可读存储介质
CN112506724A (zh) * 2020-12-02 2021-03-16 深圳米飞泰克科技有限公司 芯片测试方法、装置及计算机可读存储介质
CN113656255A (zh) * 2021-08-26 2021-11-16 韩玉兰 一种基于芯片运行数据的运行异常判断方法
CN113656256A (zh) * 2021-08-26 2021-11-16 韩玉兰 一种基于芯片异常运行的调控方法及系统
CN113900869A (zh) * 2021-09-28 2022-01-07 普赛微科技(杭州)有限公司 一种芯片测试数据判断方法、装置、存储介质及测试方法
WO2022042002A1 (zh) * 2020-08-31 2022-03-03 华为技术有限公司 一种半监督学习模型的训练方法、图像处理方法及设备
CN114155213A (zh) * 2021-11-24 2022-03-08 杭州涿溪脑与智能研究所 基于主动学习的芯片缺陷检测方法和装置
CN114513266A (zh) * 2022-04-19 2022-05-17 深圳市华普微电子有限公司 无线收发芯片灵敏度测试方法、装置以及电子设备
CN115308562A (zh) * 2021-05-08 2022-11-08 腾讯科技（深圳）有限公司 芯片测试方法及相关设备
CN115563520A (zh) * 2022-10-24 2023-01-03 苏州斐波那契信息技术有限公司 一种基于kmeans聚类的半监督学习方法及其应用
CN116414639A (zh) * 2023-03-14 2023-07-11 珠海芯业测控有限公司 芯片测试机的测试调度方法及装置、电子设备、存储介质
CN116825169A (zh) * 2023-08-31 2023-09-29 悦芯科技股份有限公司 一种基于测试设备的异常存储芯片检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109976997A (zh) * 2017-12-28 2019-07-05 北京京东尚科信息技术有限公司 测试方法和装置
WO2022042002A1 (zh) * 2020-08-31 2022-03-03 华为技术有限公司 一种半监督学习模型的训练方法、图像处理方法及设备
CN112101486A (zh) * 2020-11-16 2020-12-18 成都天锐星通科技有限公司 芯片筛选方法、装置、电子设备和可读存储介质
CN112506724A (zh) * 2020-12-02 2021-03-16 深圳米飞泰克科技有限公司 芯片测试方法、装置及计算机可读存储介质
CN115308562A (zh) * 2021-05-08 2022-11-08 腾讯科技（深圳）有限公司 芯片测试方法及相关设备
CN113656256A (zh) * 2021-08-26 2021-11-16 韩玉兰 一种基于芯片异常运行的调控方法及系统
CN113656255A (zh) * 2021-08-26 2021-11-16 韩玉兰 一种基于芯片运行数据的运行异常判断方法
CN113900869A (zh) * 2021-09-28 2022-01-07 普赛微科技(杭州)有限公司 一种芯片测试数据判断方法、装置、存储介质及测试方法
CN114155213A (zh) * 2021-11-24 2022-03-08 杭州涿溪脑与智能研究所 基于主动学习的芯片缺陷检测方法和装置
CN114513266A (zh) * 2022-04-19 2022-05-17 深圳市华普微电子有限公司 无线收发芯片灵敏度测试方法、装置以及电子设备
CN115563520A (zh) * 2022-10-24 2023-01-03 苏州斐波那契信息技术有限公司 一种基于kmeans聚类的半监督学习方法及其应用
CN116414639A (zh) * 2023-03-14 2023-07-11 珠海芯业测控有限公司 芯片测试机的测试调度方法及装置、电子设备、存储介质
CN116825169A (zh) * 2023-08-31 2023-09-29 悦芯科技股份有限公司 一种基于测试设备的异常存储芯片检测方法

Also Published As

Publication number Publication date
CN117149551B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN106371427B (zh) 基于层次分析法和模糊融合的工业过程故障分类方法
CN103914064B (zh) 基于多分类器和d-s证据融合的工业过程故障诊断方法
CN105871879B (zh) 网元异常行为自动检测方法及装置
CN110837866A (zh) 基于XGBoost的电力二次设备缺陷程度评估方法
CN110335168B (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
CN105373894A (zh) 基于稽查数据的电力营销业务诊断模型的建立方法及系统
CN105184084A (zh) 一种电力计量自动化终端故障类型预测方法和系统
CN108304567B (zh) 高压变压器工况模式识别与数据分类方法及系统
CN110223193A (zh) 基于模糊聚类和rs-knn模型用于电网运行状态的判别方法及系统
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
CN111340248A (zh) 一种基于智能集成算法的变压器故障诊断方法及系统
CN110738232A (zh) 一种基于数据挖掘技术的电网电压越限成因诊断方法
CN110827169A (zh) 一种基于分级指标的分布式电网业务监控方法
CN114266289A (zh) 一种复杂装备健康状态评估方法
CN112241606A (zh) 基于cps决策模块的船舶智能设备运维的协同决策方法
CN116796271A (zh) 一种居民用能异常识别方法
CN112305441A (zh) 一种集成式聚类下的动力电池健康状态评估方法
CN112287980A (zh) 基于典型特征向量的动力电池筛选方法
CN117113232A (zh) 一种电动汽车锂离子电池组热失控风险识别方法
CN107977672A (zh) 基于海量数据并行运算的sf6设备二级故障诊断方法
CN114595762A (zh) 一种光伏电站异常数据序列提取方法
CN113469252A (zh) 一种考虑不平衡样本的特高压换流阀运行状态评估方法
CN111934903B (zh) 一种基于时序演化基因的Docker容器故障智能预测方法
CN117149551B (zh) 一种车载无线通信芯片的测试方法
CN110321930B (zh) 一种基于循环神经网络的非法广播信号分类方法

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