CN117872248A - 一种非线性失真度测量仪的检定方法及系统 - Google Patents
一种非线性失真度测量仪的检定方法及系统 Download PDFInfo
- Publication number
- CN117872248A CN117872248A CN202410038056.XA CN202410038056A CN117872248A CN 117872248 A CN117872248 A CN 117872248A CN 202410038056 A CN202410038056 A CN 202410038056A CN 117872248 A CN117872248 A CN 117872248A
- Authority
- CN
- China
- Prior art keywords
- output waveform
- semantic feature
- sequence
- nonlinear distortion
- waveform segment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012795 verification Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 90
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 239000012634 fragment Substances 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000003416 augmentation Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000003556 assay Methods 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种非线性失真度测量仪的检定方法及系统,涉及非线性失真度测量仪检定技术领域。其首先获取由非线性失真度测量仪采集的被检电压表对象的输出波形,接着,提取所述输出波形的局部波形语义特征以得到输出波形片段语义特征图的序列,然后,对所述输出波形片段语义特征图的序列进行关联语义特征提取以得到输出波形全局语义特征向量,最后,基于所述输出波形全局语义特征向量,确定所述被检定电压表对象的非线性失真度是否符合要求,可以避免传统复杂的计算方法和专业知识的需求。
Description
技术领域
本申请涉及非线性失真度测量仪检定技术领域,且更为具体地,涉及一种非线性失真度测量仪的检定方法及系统。
背景技术
在电子设备中,非线性失真是指输入信号和输出信号之间存在非线性关系,导致输出信号中出现与输入信号不同频率的谐波成分或其他非线性失真成分。非线性失真度测量仪的主要功能是测量和分析设备输出信号中的非线性失真程度。
非线性失真度测量仪的检定是指通过一系列标准化的测试和验证过程,确认该仪器的测量结果符合事先规定的准确度和可靠度要求。检定的目的是确保非线性失真度测量仪能够提供准确的非线性失真度评估,并且在不同条件下具有一致性和稳定性。
传统的检定过程中,通常会使用已知的标准信号源作为输入,然后测量和分析仪器输出信号中的非线性失真成分。通过与已知标准进行比较和校准,以验证测量仪器的准确性、灵敏度和线性度。但是,这种方法需要复杂的计算方法和专业的领域知识,且过程比较耗时。
因此,期待一种优化的非线性失真度测量仪的检定方法及系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请提供了一种非线性失真度测量仪的检定方法及系统,其可以利用深度学习算法,充分挖掘被检电压表对象的输出波形的局部波形特征信息,并挖掘各个局部波形特征信息之间的全局上下文关联关系,以这种全局上下文关联关系来实现对非线性失真度的评估和判断。
根据本申请的一个方面,提供了一种非线性失真度测量仪的检定方法,其包括:
获取由非线性失真度测量仪采集的被检电压表对象的输出波形;
提取所述输出波形的局部波形语义特征以得到输出波形片段语义特征图的序列;
对所述输出波形片段语义特征图的序列进行关联语义特征提取以得到输出波形全局语义特征向量,其包括:
对所述输出波形片段语义特征图的序列进行波形特征显著化处理以得到空间显著化输出波形片段语义特征图的序列;
对所述空间显著化输出波形片段语义特征图的序列进行特征分布修正以得到修正后空间显著化输出波形片段语义特征图的序列;
将所述修正后空间显著化输出波形片段语义特征图的序列映射到同一特征空间以得到空间显著化输出波形片段语义特征向量的序列;以及
提取所述空间显著化输出波形片段语义特征向量的序列的全局上下文语义关联特征以得到所述输出波形全局语义特征向量;
基于所述输出波形全局语义特征向量,确定所述被检定电压表对象的非线性失真度是否符合要求。
根据本申请的另一个方面,提供了一种非线性失真度测量仪的检定系统,其包括:
波形采集模块,用于获取由非线性失真度测量仪采集的被检电压表对象的输出波形;
局部波形语义特征提取模块,用于提取所述输出波形的局部波形语义特征以得到输出波形片段语义特征图的序列;
关联语义特征提取模块,用于对所述输出波形片段语义特征图的序列进行关联语义特征提取以得到输出波形全局语义特征向量;以及
还包括非线性失真度分析模块,用于基于所述输出波形全局语义特征向量,确定所述被检定电压表对象的非线性失真度是否符合要求。
与现有技术相比,本申请提供的非线性失真度测量仪的检定方法及系统,其首先获取由非线性失真度测量仪采集的被检电压表对象的输出波形,接着,提取所述输出波形的局部波形语义特征以得到输出波形片段语义特征图的序列,然后,对所述输出波形片段语义特征图的序列进行关联语义特征提取以得到输出波形全局语义特征向量,最后,基于所述输出波形全局语义特征向量,确定所述被检定电压表对象的非线性失真度是否符合要求。这样,可以避免传统复杂的计算方法和专业知识的需求。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的非线性失真度测量仪的检定方法的流程图。
图2为根据本申请实施例的非线性失真度测量仪的检定方法的架构示意图。
图3为根据本申请实施例的非线性失真度测量仪的检定方法的子步骤S130的流程图。
图4为根据本申请实施例的非线性失真度测量仪的检定系统的框图。
图5为根据本申请实施例的非线性失真度测量仪的检定方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
针对上述技术问题,本申请的技术构思为利用深度学习算法,充分挖掘被检电压表对象的输出波形的局部波形特征信息,并挖掘各个局部波形特征信息之间的全局上下文关联关系,以这种全局上下文关联关系来实现对非线性失真度的评估和判断。这样,避免了传统复杂的计算方法和专业知识的需求。
基于此,图1为根据本申请实施例的非线性失真度测量仪的检定方法的流程图。图2为根据本申请实施例的非线性失真度测量仪的检定方法的架构示意图。如图1和图2所示,根据本申请实施例的非线性失真度测量仪的检定方法,包括步骤:S110,获取由非线性失真度测量仪采集的被检电压表对象的输出波形;S120,提取所述输出波形的局部波形语义特征以得到输出波形片段语义特征图的序列;S130,对所述输出波形片段语义特征图的序列进行关联语义特征提取以得到输出波形全局语义特征向量;以及,S140,基于所述输出波形全局语义特征向量,确定所述被检定电压表对象的非线性失真度是否符合要求。
应可以理解,S110步骤的目的是通过测量仪器获取被检电压表对象的输出波形,以便后续的分析和处理。S120步骤的目的是对输出波形进行分析,提取局部波形的语义特征,如波形的峰值、波形的周期等,以得到输出波形片段的语义特征图的序列。S130步骤的目的是通过对输出波形片段语义特征图序列的关联分析,提取出输出波形的全局语义特征向量,用于后续的判断和评估。S140步骤的目的是根据输出波形的全局语义特征向量,判断被检定电压表对象的非线性失真度是否符合要求,以确定其性能是否正常。
具体地,在本申请的技术方案中,首先获取由非线性失真度测量仪采集的被检电压表对象的输出波形。其中,所述输出波形是所述被检电压表对象在输入信号作用下的响应,通过分析所述输出波形可以了解电压表对象的非线性失真度的程度,进而判断非线性失真度是否符合要求。
接着,对所述输出波形进行波形切分以得到输出波形片段的序列;并将所述输出波形片段的序列分别通过基于卷积神经网络模型的波形特征提取器以得到输出波形片段语义特征图的序列。其中,对所述输出波形进行波形切分可以凸显所述输出波形的局部细节,以更好地捕捉和分析波形中的细微变化和局部语义特征分布。再利用所述卷积神经网络模型来构建所述波形特征提取器,来捕捉各个输出波形片段的局部隐含波形关联特征信息。
相应地,在步骤S120中,提取所述输出波形的局部波形语义特征以得到输出波形片段语义特征图的序列,包括:对所述输出波形进行波形切分以得到输出波形片段的序列;以及,将所述输出波形片段的序列分别通过基于卷积神经网络模型的波形特征提取器以得到所述输出波形片段语义特征图的序列。
值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,特别适用于图像和序列数据的处理。它由多个卷积层、池化层和全连接层组成,通过学习卷积核的权重来提取输入数据的特征。在步骤S120中,通过卷积神经网络模型的波形特征提取器来提取输出波形片段的语义特征图的序列。具体步骤如下:1.首先,将输出波形进行切分,得到输出波形片段的序列。这一步骤将输出波形分割成多个片段,每个片段包含一段连续的波形数据。2.然后,将输出波形片段的序列输入到基于卷积神经网络模型的波形特征提取器中。该特征提取器通过学习卷积核的权重,对输入的波形数据进行卷积操作,以提取波形数据的局部特征。3.最后,得到输出波形片段语义特征图的序列。这些特征图反映了输出波形片段的语义信息,例如波形的形状、振幅等。通过使用卷积神经网络模型的波形特征提取器,可以有效地提取波形数据的特征,从而更好地理解和分析输出波形的语义特征,为后续的关联分析和判断提供有用的信息。
然后,将所述输出波形片段语义特征图的序列通过基于空间自注意力层的波形空间显著器以得到空间显著化输出波形片段语义特征图的序列;并将所述空间显著化输出波形片段语义特征图的序列分别通过基于全连接层的空间映射器以将所述空间显著化输出波形片段语义特征图的序列映射到同一特征空间以得到空间显著化输出波形片段语义特征向量的序列;
再将所述空间显著化输出波形片段语义特征向量的序列通过基于转换器模块的上下文编码器以得到输出波形全局语义特征向量。其中,所述基于空间自注意力层的波形空间显著器可以将所述输出波形片段语义特征图的序列中重要区域的波形特征被施加更大的关注度,以使得重要的特征能够更好地被捕捉和表示。具体来说,空间自注意力机制可以使得各个所述空间显著化输出波形片段语义特征图在空间维度上关注到各个所述输出波形片段语义特征图中需要给予关注的部分,从而使得各个所述空间显著化输出波形片段语义特征图能够更好地反映各个所述输出波形片段语义特征图中对于图像语义特征有更本质表达的空间位置的特征。这样以后,将所述空间显著化输出波形片段语义特征图的序列分别通过基于全连接层的空间映射器以将所述空间显著化输出波形片段语义特征图的序列映射到同一特征空间,以将不同波形片段的语义特征进行统一的表示,从而得到空间显著化输出波形片段语义特征向量的序列。应可以理解,通过将特征映射到同一特征空间,可以消除不同波形片段之间的特征尺度和差异,使得它们可以直接进行有效的比较和融合。再将所述空间显著化输出波形片段语义特征向量的序列通过基于转换器模块的上下文编码器以提取各个输出波形片段之间的上下文信息,捕捉全局依赖性的语义关联特征,从而得到输出波形全局语义特征向量。
相应地,在步骤S130中,如图3所示,对所述输出波形片段语义特征图的序列进行关联语义特征提取以得到输出波形全局语义特征向量,包括:S131,对所述输出波形片段语义特征图的序列进行波形特征显著化处理以得到空间显著化输出波形片段语义特征图的序列;S132,对所述空间显著化输出波形片段语义特征图的序列进行特征分布修正以得到修正后空间显著化输出波形片段语义特征图的序列;S133,将所述修正后空间显著化输出波形片段语义特征图的序列映射到同一特征空间以得到空间显著化输出波形片段语义特征向量的序列;以及,S134,提取所述空间显著化输出波形片段语义特征向量的序列的全局上下文语义关联特征以得到所述输出波形全局语义特征向量。
其中,在步骤S131中,对所述输出波形片段语义特征图的序列进行波形特征显著化处理以得到空间显著化输出波形片段语义特征图的序列,包括:将所述输出波形片段语义特征图的序列通过基于空间自注意力层的波形空间显著器以得到所述空间显著化输出波形片段语义特征图的序列。
值得一提的是,空间自注意力层(Spatial Self-Attention Layer)是一种在自注意力机制中应用于空间维度的特殊类型的注意力机制。它用于处理具有空间关系的数据,如图像或序列数据。在步骤S131中,通过基于空间自注意力层的波形空间显著器对输出波形片段语义特征图的序列进行处理,以得到空间显著化输出波形片段语义特征图的序列。具体步骤如下:1.首先,将输出波形片段语义特征图的序列输入到波形空间显著器中。2波形空间显著器利用空间自注意力层来计算序列中每个特征图之间的相关性。通过计算注意力权重,它能够自动地关注与当前特征图最相关的其他特征图。3.接着,根据计算得到的注意力权重,对输出波形片段语义特征图的序列进行加权求和,以得到空间显著化输出波形片段语义特征图的序列。4.最后,得到的空间显著化输出波形片段语义特征图的序列反映了波形片段之间的空间关系和重要性,有助于后续的关联分析和判断。空间自注意力层能够捕捉序列中不同特征图之间的空间关系,从而提高特征的表达能力和泛化能力,可以提取出数据中的空间结构信息,有助于提高模型的性能和效果。
具体地,在一个示例中,将所述输出波形片段语义特征图的序列通过基于空间自注意力层的波形空间显著器以得到所述空间显著化输出波形片段语义特征图的序列,包括:以如下空间自注意力显化公式对所述输出波形片段语义特征图进行处理以得到所述空间显著化输出波形片段语义特征图;其中,所述空间自注意力显化公式为:
Foutput=Finput⊙Fself-attention
Fself-attention=Active{Cov[Aug(Finput)]}
其中,Foutput为所述空间显著化输出波形片段语义特征图,Finput为所述输出波形片段语义特征图,⊙表示按位置点乘,Active表示激活函数,Cov表示卷积层,且Aug表示当卷积核的大小大于一时,对所述输出波形片段语义特征图进行低廉增广处理,Fself-attention为自注意力特征图。
其中,在步骤S133中,将所述修正后空间显著化输出波形片段语义特征图的序列映射到同一特征空间以得到空间显著化输出波形片段语义特征向量的序列,包括:将所述修正后空间显著化输出波形片段语义特征图的序列分别通过基于全连接层的空间映射器以得到所述空间显著化输出波形片段语义特征向量的序列。
值得一提的是,全连接层(Fully Connected Layer)是深度神经网络中的一种常见层类型,也被称为密集连接层或全连接层。它将输入层的每个神经元与输出层的每个神经元都连接起来,每个连接都有一个权重,用于将输入特征映射到输出特征。在步骤S133中,通过基于全连接层的空间映射器将修正后的空间显著化输出波形片段语义特征图的序列映射到同一特征空间,以得到空间显著化输出波形片段语义特征向量的序列。具体步骤如下:1.首先,将修正后的空间显著化输出波形片段语义特征图的序列输入到空间映射器中。2.空间映射器是一个全连接层,其中每个神经元与输出特征空间中的一个维度相对应。它通过学习权重和偏置,将输入特征图映射到输出特征向量。3.对于每个输入特征图,空间映射器会根据权重和偏置计算出对应的输出特征向量。4.最终得到的空间显著化输出波形片段语义特征向量的序列,每个特征向量都表示了一个修正后的空间显著化输出波形片段语义特征图在特征空间中的表示。全连接层在深度神经网络中起到了特征映射和特征提取的作用。它可以将输入数据的高维特征映射到一个更低维的特征空间,有助于提取数据的高级语义特征,从而更好地表示和区分不同的数据样本。全连接层常用于神经网络的输出层或中间层,是深度学习中非常重要的组成部分之一。
其中,在步骤S134中,提取所述空间显著化输出波形片段语义特征向量的序列的全局上下文语义关联特征以得到所述输出波形全局语义特征向量,包括:将所述空间显著化输出波形片段语义特征向量的序列通过基于转换器模块的上下文编码器以得到所述输出波形全局语义特征向量。值得一提的是,转换器模块(Transformer Module)是一种用于序列建模的深度学习模型,它基于自注意力机制,能够捕捉序列中不同位置之间的关系,具有较强的建模能力。在步骤S134中,转换器模块被用作上下文编码器,用于将空间显著化输出波形片段语义特征向量的序列转换成输出波形的全局语义特征向量。具体来说,转换器模块由多个编码器层组成,每个编码器层由两个子层组成:多头自注意力层和前馈神经网络层。
具体地,在一个示例中,将所述空间显著化输出波形片段语义特征向量的序列通过基于转换器模块的上下文编码器以得到所述输出波形全局语义特征向量,包括:将所述空间显著化输出波形片段语义特征向量的序列进行一维排列以得到波形全局词序列特征向量;计算所述波形全局词序列特征向量与所述空间显著化输出波形片段语义特征向量的序列中各个空间显著化输出波形片段语义特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述空间显著化输出波形片段语义特征向量的序列中各个空间显著化输出波形片段语义特征向量进行加权以得到输出波形局部语义特征向量的序列;以及,将所述输出波形局部语义特征向量的序列进行级联以得到所述输出波形全局语义特征向量。
进一步地,将所述输出波形全局语义特征向量通过分类器以得到分类结果,所述分类结果用于表示被检定电压表对象的非线性失真度是否符合要求。
相应地,在步骤S140中,基于所述输出波形全局语义特征向量,确定所述被检定电压表对象的非线性失真度是否符合要求,包括:将所述输出波形全局语义特征向量通过分类器以得到分类结果,所述分类结果用于表示被检定电压表对象的非线性失真度是否符合要求。
具体地,将所述输出波形全局语义特征向量通过分类器以得到分类结果,所述分类结果用于表示被检定电压表对象的非线性失真度是否符合要求,包括:使用所述分类器的全连接层对所述输出波形全局语义特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括被检定电压表对象的非线性失真度符合要求(第一标签),以及,被检定电压表对象的非线性失真度不符合要求(第二标签),其中,所述分类器通过软最大值函数来确定所述输出波形全局语义特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“被检定电压表对象的非线性失真度是否符合要求”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,被检定电压表对象的非线性失真度是否符合要求的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“被检定电压表对象的非线性失真度是否符合要求”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
在本申请的技术方案中,所述输出波形片段语义特征图的序列中的每个输出波形片段语义特征图表达所述输出波形的波形图像在全局时域下的局部时域内的图像语义特征,而考虑到所述输出波形的波形图像的图像源语义沿时序分布的不均匀性,所述输出波形片段语义特征图的序列中的各个输出波形片段语义特征图的图像语义特征表达会存在显著不均衡,这在通过基于空间自注意力层的波形空间显著器进行图像语义特征的局部特征空间分布强化后会更加显著,从而影响所述空间显著化输出波形片段语义特征图的序列作为整体的特征分布整体性,进而影响得到的所述输出波形全局语义特征向量的表达效果。
因此,本申请的申请人首先对所述空间显著化输出波形片段语义特征图的序列进行线性变换以使得特征矩阵的宽度和高度相等,然后对转换后的空间显著化输出波形片段语义特征图的序列进行基于特征矩阵的优化。
相应地,在一个示例中,在步骤S132中,对所述空间显著化输出波形片段语义特征图的序列进行特征分布修正以得到修正后空间显著化输出波形片段语义特征图的序列,包括:对所述空间显著化输出波形片段语义特征图的序列分别进行线性变换以使得所述空间显著化输出波形片段语义特征图的序列中沿通道维度的每个特征矩阵的宽度和高度相等以得到转换后的空间显著化输出波形片段语义特征图的序列;以及,对所述转换后的空间显著化输出波形片段语义特征图的序列中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述修正后空间显著化输出波形片段语义特征图的序列。
具体地,对所述转换后的空间显著化输出波形片段语义特征图的序列中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述修正后空间显著化输出波形片段语义特征图的序列,包括:以如下优化公式对所述转换后的空间显著化输出波形片段语义特征图的序列中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述修正后空间显著化输出波形片段语义特征图的序列;其中,所述优化公式为:
其中,Mi和Mi+1分别是所述转换后的空间显著化输出波形片段语义特征图的序列的沿通道方向的第i和第i+1位置的特征矩阵,且ε是尺度调节超参数,表示矩阵乘法,⊙表示按位置点乘,/>表示矩阵加法,(·)T表示转置操作,Mi+1′是所述修正后空间显著化输出波形片段语义特征图的序列的沿通道方向的第i+1位置的特征矩阵。
这里,通过所述转换后的空间显著化输出波形片段语义特征图的序列的具有通道相邻分布的特征矩阵的递进式结构化嵌入计算,来在高维特征空间内预测所述转换后的空间显著化输出波形片段语义特征图的序列的局部特征分布沿通道的耦合分布方向,从而以分布递进中心为基础来确定基于通道耦合的迭代生成的传递图式表示,以经由细化所述转换后的空间显著化输出波形片段语义特征图的序列整体沿通道维度由下而上的投影规范化提议的方式,来重建所述转换后的空间显著化输出波形片段语义特征图的序列的以特征矩阵的场景布局为基础的上下文关系,从而提升所述转换后的空间显著化输出波形片段语义特征图的序列的特征表示的整体性,以改进所述输出波形全局语义特征向量的表达效果,提升其通过分类器得到的分类结果的准确性。
综上,基于本申请实施例的非线性失真度测量仪的检定方法被阐明,其可以利用深度学习算法,充分挖掘被检电压表对象的输出波形的局部波形特征信息,并挖掘各个局部波形特征信息之间的全局上下文关联关系,以这种全局上下文关联关系来实现对非线性失真度的评估和判断。
图4为根据本申请实施例的非线性失真度测量仪的检定系统100的框图。如图4所示,根据本申请实施例的非线性失真度测量仪的检定系统100,包括:波形采集模块110,用于获取由非线性失真度测量仪采集的被检电压表对象的输出波形;局部波形语义特征提取模块120,用于提取所述输出波形的局部波形语义特征以得到输出波形片段语义特征图的序列;关联语义特征提取模块130,用于对所述输出波形片段语义特征图的序列进行关联语义特征提取以得到输出波形全局语义特征向量;以及,非线性失真度分析模块140,用于基于所述输出波形全局语义特征向量,确定所述被检定电压表对象的非线性失真度是否符合要求。
这里,本领域技术人员可以理解,上述非线性失真度测量仪的检定系统100中的各个模块的具体功能和操作已经在上面参考图1到图3的非线性失真度测量仪的检定方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的非线性失真度测量仪的检定系统100可以实现在各种无线终端中,例如具有非线性失真度测量仪的检定算法的服务器等。在一个示例中,根据本申请实施例的非线性失真度测量仪的检定系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该非线性失真度测量仪的检定系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该非线性失真度测量仪的检定系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该非线性失真度测量仪的检定系统100与该无线终端也可以是分立的设备,并且该非线性失真度测量仪的检定系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的非线性失真度测量仪的检定方法的应用场景图。如图5所示,在该应用场景中,首先,获取由非线性失真度测量仪采集的被检电压表对象的输出波形(例如,图5中所示意的D),然后,将所述输出波形输入至部署有非线性失真度测量仪的检定算法的服务器(例如,图5中所示意的S)中,其中,所述服务器能够使用所述非线性失真度测量仪的检定算法对所述输出波形进行处理以得到用于表示被检定电压表对象的非线性失真度是否符合要求的分类结果。
应可以理解,本申请进一步提供一种失真仪检定装置,失真仪检定装置是一种频带宽、高精度的标准失真波信号发生器。仪器输出的标准失真波的频率范围为5Hz-200kHz,且连续可调,不定频;输出的失真度范围为0.01%-100%,最小调节间隔为0.01%,输出的标准失真波的基本误差为0.5%。该仪器主要用于检定非线性失真度测量仪,包括失真仪的失真度示值误差、频率刻度误差、机内引入失真、不平衡电压表的基本误差及频率附加误差;也可以用来调试高保真放大器及其他音频网络;仪器输出的宽频带、宽量程的精确电压信号,还可以用来检定电压表。
失真仪检定装置采用集成电路、单片计算机、基波加二次谐波法产生标准失真源方案设计而成的谐波失真度计量标准器。它主要由独立低失真基波振荡器、二次谐波振荡器、高精度谐波分压器、阻抗变换器、频率计、基波和谐波叠加电路、低噪声电源、电压表(FPGA、AD模数转换芯片、ARM芯片通过FFT快速傅里叶软件变换计算出交流电压有效值)组成,内置嵌入式系统软件,可靠性高、仪器体积小、重量轻、操作使用简便、特别适用于计量检定部门、实验室检定/校准失真度测量仪、音频分析仪的计量标准仪器和相关企业使用。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本申请所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本申请的说明,而不应被认为是对其的限制。尽管描述了本申请的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本申请的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本申请范围内。应当理解,上面是对本申请的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本申请由权利要求书及其等效物限定。
Claims (10)
1.一种非线性失真度测量仪的检定方法,其特征在于,包括:
获取由非线性失真度测量仪采集的被检电压表对象的输出波形;
提取所述输出波形的局部波形语义特征以得到输出波形片段语义特征图的序列;
对所述输出波形片段语义特征图的序列进行关联语义特征提取以得到输出波形全局语义特征向量,其包括:
对所述输出波形片段语义特征图的序列进行波形特征显著化处理以得到空间显著化输出波形片段语义特征图的序列;
对所述空间显著化输出波形片段语义特征图的序列进行特征分布修正以得到修正后空间显著化输出波形片段语义特征图的序列;
将所述修正后空间显著化输出波形片段语义特征图的序列映射到同一特征空间以得到空间显著化输出波形片段语义特征向量的序列;以及
提取所述空间显著化输出波形片段语义特征向量的序列的全局上下文语义关联特征以得到所述输出波形全局语义特征向量;
基于所述输出波形全局语义特征向量,确定所述被检定电压表对象的非线性失真度是否符合要求。
2.根据权利要求1所述的非线性失真度测量仪的检定方法,其特征在于,提取所述输出波形的局部波形语义特征以得到输出波形片段语义特征图的序列,包括:
对所述输出波形进行波形切分以得到输出波形片段的序列;以及
将所述输出波形片段的序列分别通过基于卷积神经网络模型的波形特征提取器以得到所述输出波形片段语义特征图的序列。
3.根据权利要求2所述的非线性失真度测量仪的检定方法,其特征在于,对所述输出波形片段语义特征图的序列进行波形特征显著化处理以得到空间显著化输出波形片段语义特征图的序列,包括:
将所述输出波形片段语义特征图的序列通过基于空间自注意力层的波形空间显著器以得到所述空间显著化输出波形片段语义特征图的序列。
4.根据权利要求3所述的非线性失真度测量仪的检定方法,其特征在于,将所述输出波形片段语义特征图的序列通过基于空间自注意力层的波形空间显著器以得到所述空间显著化输出波形片段语义特征图的序列,包括:
以如下空间自注意力显化公式对所述输出波形片段语义特征图进行处理以得到所述空间显著化输出波形片段语义特征图;
其中,所述空间自注意力显化公式为:
Foutput=Finput⊙Fself-attention
Fself-attention=Active{Cov[Aug(Finput)]}
其中,Foutput为所述空间显著化输出波形片段语义特征图,Finput为所述输出波形片段语义特征图,⊙表示按位置点乘,Active表示激活函数,Cov表示卷积层,且Aug表示当卷积核的大小大于一时,对所述输出波形片段语义特征图进行低廉增广处理,Fself-attention为自注意力特征图。
5.根据权利要求4所述的非线性失真度测量仪的检定方法,其特征在于,将所述修正后空间显著化输出波形片段语义特征图的序列映射到同一特征空间以得到空间显著化输出波形片段语义特征向量的序列,包括:
将所述修正后空间显著化输出波形片段语义特征图的序列分别通过基于全连接层的空间映射器以得到所述空间显著化输出波形片段语义特征向量的序列。
6.根据权利要求5所述的非线性失真度测量仪的检定方法,其特征在于,提取所述空间显著化输出波形片段语义特征向量的序列的全局上下文语义关联特征以得到所述输出波形全局语义特征向量,包括:
将所述空间显著化输出波形片段语义特征向量的序列通过基于转换器模块的上下文编码器以得到所述输出波形全局语义特征向量。
7.根据权利要求6所述的非线性失真度测量仪的检定方法,其特征在于,将所述空间显著化输出波形片段语义特征向量的序列通过基于转换器模块的上下文编码器以得到所述输出波形全局语义特征向量,包括:
将所述空间显著化输出波形片段语义特征向量的序列进行一维排列以得到波形全局词序列特征向量;
计算所述波形全局词序列特征向量与所述空间显著化输出波形片段语义特征向量的序列中各个空间显著化输出波形片段语义特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;
分别以所述多个概率值中各个概率值作为权重对所述空间显著化输出波形片段语义特征向量的序列中各个空间显著化输出波形片段语义特征向量进行加权以得到输出波形局部语义特征向量的序列;以及
将所述输出波形局部语义特征向量的序列进行级联以得到所述输出波形全局语义特征向量。
8.根据权利要求7所述的非线性失真度测量仪的检定方法,其特征在于,基于所述输出波形全局语义特征向量,确定所述被检定电压表对象的非线性失真度是否符合要求,包括:
将所述输出波形全局语义特征向量通过分类器以得到分类结果,所述分类结果用于表示被检定电压表对象的非线性失真度是否符合要求。
9.一种非线性失真度测量仪的检定系统,其特征在于,包括:
波形采集模块,用于获取由非线性失真度测量仪采集的被检电压表对象的输出波形;
局部波形语义特征提取模块,用于提取所述输出波形的局部波形语义特征以得到输出波形片段语义特征图的序列;
关联语义特征提取模块,用于对所述输出波形片段语义特征图的序列进行关联语义特征提取以得到输出波形全局语义特征向量。
10.根据权利要求9所述的非线性失真度测量仪的检定系统,其特征在于,还包括:
非线性失真度分析模块,用于基于所述输出波形全局语义特征向量,确定所述被检定电压表对象的非线性失真度是否符合要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038056.XA CN117872248A (zh) | 2024-01-10 | 2024-01-10 | 一种非线性失真度测量仪的检定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038056.XA CN117872248A (zh) | 2024-01-10 | 2024-01-10 | 一种非线性失真度测量仪的检定方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117872248A true CN117872248A (zh) | 2024-04-12 |
Family
ID=90582408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410038056.XA Pending CN117872248A (zh) | 2024-01-10 | 2024-01-10 | 一种非线性失真度测量仪的检定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117872248A (zh) |
-
2024
- 2024-01-10 CN CN202410038056.XA patent/CN117872248A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036301B (zh) | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 | |
CN103033362A (zh) | 一种基于改进多变量预测模型的齿轮故障诊断方法 | |
WO2014065032A1 (ja) | 電磁界特徴分類提示装置 | |
CN108694273B (zh) | 用于评估稀有失效事件的电路良率分析方法及系统 | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
US11443137B2 (en) | Method and apparatus for detecting signal features | |
Ma et al. | Measurement error prediction of power metering equipment using improved local outlier factor and kernel support vector regression | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN116295752B (zh) | 用于smt上料设备的测试力度控制方法及系统 | |
Shirmohammadi et al. | Machine learning in measurement part 1: Error contribution and terminology confusion | |
CN117171696B (zh) | 一种基于物联网的传感器生产监测方法及系统 | |
CN116383727A (zh) | 一种电厂系统测量粗大误差识别方法、系统、设备及介质 | |
CN116416884A (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN109782158B (zh) | 一种基于多级分类的模拟电路诊断方法 | |
Ma et al. | Measurement error assessment for smart electricity meters under extreme natural environmental stresses | |
CN112541524A (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
CN110110784B (zh) | 一种基于变压器相关运行数据的变压器故障辨识方法 | |
Wan et al. | Software Defect Prediction Using Dictionary Learning. | |
CN111950605A (zh) | 表计识别模型的学习方法、装置、设备和表计识别方法 | |
CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
CN117872248A (zh) | 一种非线性失真度测量仪的检定方法及系统 | |
CN116559619A (zh) | 半导体器件的测试方法及相关装置 | |
CN114383648A (zh) | 一种温度仪表故障诊断方法及装置 | |
Liu et al. | A novel incipient fault diagnosis method for analogue circuits based on an MLDLCN | |
CN114694771A (zh) | 样品分类方法、分类器的训练方法、设备和介质 |
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 |