CN118302679A - 用于信号模式识别的方法和设备 - Google Patents

Abstract

特别是能用于触发的、借助于遵守或违反信号幅度廊道的用于信号模式识别的方法从时间上离散地所采样的连续的数据流出发，将所述数据流划分为块，这些块分别由给出为二的幂(2ⁿ)的数量的采样值形成。在这些块的每个块上构建极大极小对的树状结构，其中、这些对中的每个对是树的结点并且包括在下一个更低的层面中的两个直接配置的对或者说值中的最小值和最大值。用于信号模式识别的掩码的廊道在数据块上逐个采样值地移动，树的构建与深度筛选同样借助于并行的数据处理发生。

Description

用于信号模式识别的方法和设备

技术领域

本发明涉及一种用于信号模式识别的方法、特别是为了触发目的。此外，本发明涉及一种适合于实施这样的方法的设备。

背景技术

US2007/0217694A1公开一种数字采集系统，所述数字采集系统在存储之前压缩所采样的数据。所述采集系统包括用于将电气信号数字化的装置，以此产生所采样的数据流。除此之外，给数字采集系统补充(zurechnen)用于并行地压缩所采样的数据流的器件。在此使用不同的压缩方案、此外低通滤波方案。同时，所述数字采集系统应特别适用于探测峰值。为此目的，例如将包括128个值的数据块首先分为64个值对。在此，每个值对可以理解为极小值和极大值的组合。在按照US2007/0217694A1的数据采集和处理系统的下一个步骤中确定两个相邻的极小-极大-对中的极大值。在各极小值中相应地发生。按照这种方式，对仅还包括32个极大值和32个极小值的数据构件下一个步骤。继续该方案，直至提取出所有原始128个值中的两个极值。

由US2009/0153559A1已知一种用于自动地产生用于所选择的输入信号的时域掩码的方法。在所述已知的方法的范畴内，简化表示所选择的输入信号的时域数据，以便产生简化的波形。所简化的波形可以在使用用户所选择的频率偏置的情况下绘出。

US2008/0054967A1描述一种用于校准在顺序的采样时基中的误差的方法，其中，用于顺序的采样时基的采样时间通过精细的模拟的延迟和粗略的延迟的组合来定义。按照US2008/0054967A1的方法包括测量在其中精细的模拟的延迟启动测量时间的触发与稳定的时钟的数字脉冲的出现之间的时间差。

在US2010/0052653A1所描述的具有干扰尖峰探测的数字示波仪此外包括同步的随机存取存储器、数字信号处理单元、模拟数字转换器和数字信号处理器。给最后提到的处理器补充多个处理块，这些处理块构成为用于处理数字化的模拟信号数据和探测在这些数据中的干扰尖峰。

由WO2014/072271A1已知一种用于确定用于稀有的信号事件的触发条件的设备。借助于已知的设备采集基于电平或时间的统计的特性参量并且连续地更新的频率分布。作为触发条件可以存在基于电平和/或基于时间的阈值，所采集的信号超过或低于所述阈值。频率分布可以针对不同的基于电平的阈值而确定。

US4，585，975A公开一种具有数字触发信号信道的多通道示波器。示波器包括触发阈值生成器并且此外以布尔函数工作。

US4，843，309A描述一种用于时间上协调用于数字示波器的波形的方法。在该方法的范畴内，从周期信号进行第一和第二数据记录，所述第一和第二数据记录涉及第一或者第二波形。对于第一波形，从第一数据记录产生自相关值。此外，产生在第一与第二波形之间的互相关值。应通过如下方式能识别出在各波形之间的不重合(Fehlausrichtung)，即将自相关值与互相关值相比较。

由DE102014208464A1已知一种数字示波器，所述数字示波器具有并行的获取和数据再处理。在此，获取在各个时域中的信号的采样值，这些时域分别与触发事件的触发时刻相关联地定义。接着，预定在各个时域中获取的采样值的再处理。

另一种用于数字触发的设备在DE102006021075A1中描述。在所述情况下从与噪音信号重叠的测量信号出发。

基本上，触发可以通过模拟信号或数字信号引起。在最简单的情况下触发意味着，触发信号在低于或超过阈值时引起。如果给出特别是在数字信号处理中考虑的较复杂的触发模式，则触发信号的产生意味着更高的运算耗费。特别是以时间上膨胀的信号廊道形式的较复杂的触发条件需要这样大的运算耗费，使得产生如下的时间空隙，在所述时间空隙中无法分析信号。为了避免这样的死区时间可以以已知的方式设置冗余的用于信号采集和处理的器件，这强制地扩大设备上的耗费。

发明内容

本发明的任务在于，相对于所提及的现有技术扩展信号模式识别的可能性，特别是与触发相联系地扩展信号识别模式的可能性，其中，信号分析耗费基本上与触发条件的复杂性无关并且能在大量运算器上并行化，从而即使在存在高的数据传输率和复杂的触发条件的情况下也应能够无缝地分析信号并且追求在要识别的信号模式的复杂性与对于识别所需的设备上的耗费之间的特别有利的关系。

按照本发明，所述任务通过一种按照权利要求1所述的用于信号模式识别的方法解决。所述方法能利用按照权利要求15所述的设备实施。以下，本发明的与信号模式识别设备相联系地阐述的实施方案相联系地阐述的实施方案的优势按照意义也适用于模式识别方法，并且反之亦然.

所述信号模式识别方法包括以下步骤：

-时间上离散地扫描连续的数据流，亦即，采集形成信号曲线的采样值，

-将数据流划分为块，其中，每个块的采样值的数量等于二的幂，

-在每个块上构建至少一个极小极大树，其方式为，将采样值定义为所述树的第一层并且在该第一层上构建所述树的另外的层，这些另外的层与第一层不同地由极小极大对形成，其中，每个极小极大对由处于最后制作的或已经存在的层中的两个对或者说各采样值中的极大值和极小值形成，并且树构建至少在所述层中的一部分中通过并行的数据处理进行，该部分包含第一层，

对于每个采样时刻实施部分地超过块极限的(亦即在一个树上延伸到至少一个相邻树中的)树筛选，所述树筛选相应在第一层中开始、针对至少一个通过信号掩码预定的廊道长度，其中，在整个廊道长度之内首先将每个单个的采样值定义为极小极大候选，并且两个相继的极小极大候选通过作为所属的节点而处于下一个的层中的极小极大对来代替，只要配置给该极小极大对的全部的采样值同样处于廊道之内，并且配置给相应的采样时刻和廊道长度的极小值和极大值的识别基于通过树筛选找到的极小极大候选，其中，同一个极小极大树被用于多个要并行实施的树筛选，

-从对于廊道长度特定的、配置给各一个采样时刻的极小值和极大值产生属于信号曲线的包络曲线，

-对于每个采样时刻通过与代替原始信号的包络曲线比较来检查通过信号掩码给出的触发条件，其中，检查方法的至少一个部分通过并行的数据处理实施并且以采样值的方式生成布尔触发值信号。

因此在所述方法的多个阶段进行各一个并行的数据处理。在此，首先涉及在各个块构建极小极大树，将数据流划分为所述块。对于每个块应产生仅一个唯一的极小极大树。极小极大树是对于进一步的方法的多次利用的基础。

本发明从如下考虑出发，即，能利用两个基本上不同的方案来检验，通过信号序列的区段是否满足通过掩码给出的条件、特别是触发条件：

按照可想到的第一方案，掩码(应利用所述掩码研究数据流)在极小可能的步骤中、亦即逐采样值地移动。如果信号序列例如具有1ns的时钟，则掩码(利用所述掩码研究信号序列)在极限情况下同样仅在1ns的持续时间上延伸。同样可想到具有明显膨胀的廊道的掩码。例如，所述廊道可以在1ms的持续时间上、亦即1百万个采样值上延伸。与此相应地，在这种情况下在所述廊道长度之内存在106个可能的掩码。如果对于每个可能的掩码位置实施在落入到所述掩码中的采样值之间的全部的比较，则快速达到常见的数据处理设备的极限。这反过来意味着按照这种方式仅可以利用少的、不过长的掩码工作。

按照同样可想到的方案，利用增量搜索算法分析数据流。该方案的前提是，为了实施搜索算法对于每个新的采样值所必需的时间短于在两个采样值之间的时间间隔。在其他情况下，将逐采样值地增加在被搜索算法所需的时间与数据流的时钟之间的差，从而数据流的实时研究无法在较长的持续时间上维持。例如通过如下方式可能遇到该缺陷，即，相继的采样值中的不是每个采样值都包含在研究中，或者预处理多个相继的采样值。然而这样的措施可能扣除(zu Lasten gehen)原始包含在数据流中的信息，这些信息例如以非常短时的信号改变的形式给出。

本发明应用所描述的方案，其方式为仅在开始的方法步骤中实施成块的处理，在所述处理中单独地处理数据流的并排的块，其中，已经在该方法步骤中能通过数据处理的并行性达到非常高的处理速度。该并行性原则上能实现比单个运算器的时钟频率更高的采样值分析率。从每个数据库的2ⁿ个采样值的数量出发，可以在直至1/2x2ⁿ个同时运行的运算步骤中构建极小极大树的第一层面。在更高的层面中可能的并行性的程度降低。第二个层面的构建仍可以在直至1/4x2ⁿ个同时运行的运算步骤中进行；在第三层面中还有最高1/8x2ⁿ能并行实施的过程等等。树的尖端仅通过极小值和极大值的唯一一个对形成。在足够多的并行的运算器上因此需要仅n个串行的运算步骤，以便在2ⁿ个采样值上产生一个树。为了产生最高可能程度的并行性，在此从如下出发，即，运算器的数量至少等于每个数据库的采样值的数量的一半。

每个树包含采样值区间的极小极大对，其在指数位置上开始，是二的幂的整数多倍。区间长度同样是二的幂。更准确地说，在层面k＝{1...n}上极小极大值

(min,max){j*2k-2k+1...j*2k-1}

对于j＝{0...2n-k-1}存储。

在按照本申请的方法的范畴内，在数据处理的能并行化的第二步骤中，期望的极小极大对利用任意给出的廊道长度在每个采样值位置上以树筛选的形式获得。

对于具有对每个采样值的斜率A和B时间上上升的或下降的上极限和下极限的廊道来说，进行两个临近的极小极大对(min，max){i+1...j},(min，max){j+1...k}的递归的极大极小联合在树产生和树筛选期间按照

min{i+1...k}＝min(min{i+1,j}+B(k-j),min{j+1..k})

max{i+1...k}＝max(max{i+1,j}+A(k-j),max(j+1..k})。

每个廊道斜率A或B需要自身的树和自身的树筛选以产生自身的包络信号。与构建极小极大树不同地，该树筛选不绑定于块极限，而是可以在一个或多个邻近的相邻树中延伸，从而可以无缝地产生所造成的包络曲线。

对于每个廊道位置和长度通过树产生和接着的树筛选找到期望的极小极大对的运算耗费远低于在相应的廊道长度中对于每个廊道位置顺序地采集多个采样值的计算耗。因此在信号模式识别方法的该位置上已经给出相比于常规的数据处理方法明显节省的数据处理步骤，在常规的数据处理方法中对于每个要研究的区间将该区间的全部的值明确包含到研究中。除此之外可能的是，所述两个运算步骤中的每个运算步骤在大量运算器上并行化，从而用于分析一块采样值的绝对时间需要成比例地降低并且每个时间单位可以分析相应更大数量的采样值；

对于每个廊道长度并且对于每个廊道斜率能实施分开的树筛选。只要信号掩码的不同廊道具有相同长度，树筛选就对于相应的多个廊道实施。与廊道长度多次出现的程度无关地，每个廊道长度优选低于块长度，数据流被划分为所述块长度。

从对于各个廊道的信号的各个布尔测试结果、亦即对于廊道下极值和上极值的极小极大对沿着数据流对于可能的掩码位置产生一个共同布尔触发函数，所述布尔触发函数示出，信号是否满足整个信号掩码。

在每种情况下，借助于遵守和违反信号幅度廊道能用于触发的用于信号模式识别的方法从时间上离散地所采样的连续的数据流出发，将所述数据流划分为块，这些块分别从作为二的幂(2ⁿ)给出的数量的采样值形成。在这些块的每个块上构建极大极小对的树状结构，其中，这些对的每个对是树的一个节点并且连个直接配置的对或者说值(仅在第零层面、即采样值的层面中)中的极小值和极大值包括在树的下一个更低的层面中。用于信号模式识别的掩码的廊道逐采样值地(与其极限无关地)在数据块上移动，其中，对于廊道的每个位置与廊道长度有关的深度筛选通过至少一个已经创建的树进行。树的构建与深度筛选同样借助于并行的数据处理发生。与对于每个可能的掩码位置而成块地数据分析全部的落入到廊道中的采样值的数据分析相比，在基于已经存在的树状结构的分析中仅发生在已经找出的极小值和极大值之间的明显更少的全面比较因此，所述方法即使在例如多于100MHz的高时钟频率的采样值时也能无中断地分析数据流。

信号模式识别方法例如适合于具有一个唯一的廊道或多个廊道的信号掩码，其中，每个廊道具有恒定的上极限和下极限。在此，也可以存在不同的廊道之间在时间方面和/或在廊道的上极限和下极限方面的重叠。同样可以不绝对地定义廊道的极限，而是与其他廊道的极限相关地定义。

与已知的方法、如此外在文献US2007/0217694A1中描述的方法不同地，按照本申请方法不以对数据的抽杀(Dezimation)工作。而是，对于每个单个的采样值(亦即输入信号的数字化的值)查明在通过信号掩码预定的时间区间(即等于廊道长度)之内的极小和极大值。原始的采样率(以所述采样率扫描连续的数据流)在此保持不变。

在进一步研发的实施方案中，所述信号模式识别方法涉及用于利用信号掩码的应用，所述信号掩码至少具有如下廊道，所述廊道具有在其长度上变化的下和/或上极限。在这样的情况下，包络曲线带有失真地生成，所述失真反映廊道极限与恒定的极限的偏差。按照这种方式达到(同样在具有恒定的极限的廊道中)对于每个采样时刻通过将相应的采样值与一个唯一的通过包络曲线给出的相应的极小极大对相比较能检验触发条件的遵守，所述触发条件涉及膨胀的时间段、即在廊道长度上延伸的时间段。采样时刻在此是测试点。

只要廊道不通过在廊道的整个长度上是恒定的廊道极限定义，就例如可以以恒定的斜率给出廊道的区段式下极限和上极限。特别是，所述廊道仅可以具有如下区段，在所述区段中一方面所涉及的区段的上极限的斜率和另一方面同一个区段的下极限具有不同的符号。如果存在两个邻近的这样的区段，则所述廊道例如可以在整体上描述为菱形的形状或燕尾榫形状。如果要求信号处于下极限之下和上极限之下，则该廊道是所谓的正窗。而如果相反地存在要求，即，信号要么低于廊道的下极限要么高于同一个廊道的上极限，则以此定义负窗。

存在张开得远的构造可能性，这涉及连续的数据流所划分成的块的大小。例如块(在所述块上应构建极大极小树)包括至少2¹⁰个和最高2³⁰个采样值。

同样涉及数据处理的并行性的不同的构造变型是可能性的。这样可以从采样值出发生成的极小极大树通过并行的数据处理进行例如至少直至树的各层、即层面的一半。并行实施的树筛选的数量特别是至少等于每个块的采样值的数量的平方根。

所述信号模式识别方法特别适用于应用在具有短的时钟、例如以不多于10ns、特别是不多于2ns或1ns的时间间隔来采集采样值的信号序列。通过在多个处理阶段数据处理的并行性实现的特别的优点在于，极小极大树的构建以及树筛选可以在如下运算步骤中进行，所述运算步骤长于在两个相继的采样值之间的时间间隔，其中，通过数据处理的并行性，信号掩码的每个位置的串行运算步骤的总数低于一。

与信号掩码的复杂性无关地，例如在布尔触发值信号从“真”变换为“假”时的触发时刻并且将所找到的触发时刻登记到列表中。到所述列表中的登记可以在没有所有其他条件的情况下或例如在考虑触发释抑时间段的情况下进行。同样例如可能的是，到所述列表中的登记仅在通过出发计数器释放之后进行、例如仅在每隔一个或两个评价为触发事件的事件时进行。

用于信号模式识别的设备普遍包括设置用于接纳脉冲的信号的数据采集装置和与该装置耦合的构成为用于实施按照本申请的方法的触发装置。触发装置可以具有128个或更多个、特别是1000个或更多个、构成为在构建极小极大树以及树筛选的过程中的并行的数据处理的运算器。运算器附加地用于图形显示采样值。

按照不同的可能的实施方案，所述触发装置包括环形存储器，所述环形存储器设置用于存储数据流的至少三个块，以此所述触发装置构成为用于无中断地处理未过滤的采样值。

本发明的优点特别是在于，在快速脉冲的时间上离散地所采样的连续的数据流中在没有死区时间的情况下能识别预定的信号模式的时间上的位置。这此外适用于识别数据帧、眼图和其他错误，所述错误特别是以所谓的故障的形式出现并且可以具有极短的持续时间。

附图说明

以下借助附图更详细地阐述本发明的多个实施例。图中

图1以示意图示出适合作为数字触发方法的用于信号模式识别的方法，从一序列的采样值出发，

图2示出能在触发方法中使用的信号掩码，

图3示出极小极大树的构建，所述极小极大树构建在所述序列的采样值上并且在触发方法的范畴内多次利用，

图4以图表示出一可能的序列的采样值以及借助信号掩码的廊道形成的包络曲线，

图5示出构成为负掩码的信号掩码，

图6和7以各一个图表示出一序列的采样值以及借助按照图5的掩码形成的包络曲线，

图8以框图示出一种用于实施信号模式识别方法的设备。

具体实施方式

只要没有另外说明，以下阐述涉及全部实施例。

普遍称为用于信号模式识别的方法的触发方法能借助于在图8符号化示出的信号处理设备1实施。信号处理设备1的部件是构成为用于采集数据流DS的数据采集设备2以及连接在数据采集装置2下游的触发装置3。触发装置3包括环形存储器4和大量运算器5，在当前情况下多于一千件。利用更少数量的运算器5、例如一百二十八件的实施形式也是可能的。显示装置6特别是能用作示波器的显示器、特别是能用于示出数据帧或眼图，所述数据帧或眼图借助于触发装置3来识别。

数据流DS被时间上离散地扫描，其中，划分为数据块DB，这些数据块也简称为块。数据块DB借助于信号处理设备1的处理涉及以下参照图1的内容。在图1中，示图的左半部示出当前的数据，而示图的右半部示出数据的处理。数据处理进程的开始以PS标记。对于读取过程使用标记LV，对于写入过程使用标记SV。数据块DB被读入到环形存储器4中。一旦存在完整的数据块DB，则可以在第一并行的过程PP1开始构建极小极大树BA。

数据流DS的数字化的采样值(由所述采样值形成数据块DB)是极小极大树BA的第零层面E0。极小极大树BA的宽度等于二的幂个采样值。在图3中绘出的情况下，极小极大树BA在64＝2⁶个采样值上延伸，对于这些采样值普遍使用标记s。从间隔开相同时间区间地采集的采样值产生普遍以SK标记的信号曲线。信号曲线SK所划分的数据块DB实际上可以在相应宽过六十四个采样值上延伸。按数量级，一百万或更多个采样值例如可以落入到一个数据块DB中。

极小极大树BA的构建与稍后应用掩码MA无关地进行。在层面E0中形成采样值的对，亦即，在图3的情况下总共三十二个对。每个对的两个值之一是极小值，另一个值是极大值，其中，也可能存在两个值一致在每种情况下。相应的极小极大对写入到层面E1中。这基于多个并行的数据处理过程进行，如在图1中在步骤PP1中所表示的那样，这些数据处理过程借助于运算器5实施。

从层面E1起不再比较各个值，而是比较值对。在每次比较中因此存在总共四个值，从这四个值选择极小和极大。按照这种方式，所选择的下一个极小极大对写入到高一级的层面E2中。该过程也通过并行的数据处理进行。只要需要，则进行同步，在图1简短地以sync标记。当找到整个数BA的极小极大对(在图3中处于第六层面)时，结束极小极大树BA的构建。分别在一个数据块DB上构建的极小极大树BA是对于进一步的方法静态的产物，所述产物能多次地、特别是针对不同的掩码MA利用。

在步骤PP1中进行过的并行的树产生之后，在步骤PP2中同样通过并行的过程实施深度筛选。在该位置处，所应用的掩码MA的形态起作用。可能的掩码MA在图2中可视化。该掩码MA包括三个时间上相互分开的廊道K0、K1、K2，这些廊道在不同的持续时间上延伸并且分别规定用于信号的下极限和上极限。廊道K0、K1、K2的长度以L0、L1、L2标记。

如果人们按照常规的方式检查：在一个廊道的整个持续时间期间满足触发条件，则人们必须将落入到相应的通过廊道长度给出的时间区间的全部的信号值单个地与廊道极限相比较。人们必须在廊道的每个可能的起点、亦即对于每个可能的掩码位置重复该过程。根据按照本申请的用于信号模式识别的方法绝大多数地避免为此需要的非常高的耗费，其方式为，在步骤PP2中动用已经产生的树BA。在按照图3的任意示例中，掩码MA的廊道从数据块DB的第七个位置延伸直至第四十四个位置。在深度筛选中首先考察第七个位置。

从该位置出发，考察在下一个层面、即层面E1中的所属的极小极大对。从在层面E1中的该位置出发，又在更低的层面、亦即层面E0中搜索所配置的值，其在这种情况下是在第六个位置和第七个位置上的值。在第六个位置上的值处于所研究的区间之外，从而在层面E1中的极小极大对(所述极小极大对配设给在第六个位置和第七个位置上的值)不表示：这涉及在所考察的区间中(亦即在从第七个位置直至第四十四个位置的区间中)的极小值和极大值。而在这种情况下，在第七个位置上的值本身已经是所研究的区间的极小极大候选。

对极小极大候选(在图3中以MMK标记)的搜索随后在数据块DB的第八个位置上(亦即在所考察的区间的第二个位置上)继续。给数据块DB的第八个和第九个值配置在极小极大树BA的层面E1中的一个共同的节点。该节点首先视作新的极小极大候选。以相同的方式，给在数据块DB的第十个和第十一个位置上的采样值配置在层面E1中的一个共同的极小极大候选。在层面E1中因此在树筛选、即深度筛选的该时刻已经存在两个并列设置的极小极大候选。深度筛选的大量的这种单个步骤借助于运算器5并行地处理。

只要在树BA的确定的层面E1、E2、…中视作极小极大候选MMK的节点和在同一个层面E1、E2、…中直接相邻的节点同样是极小极大候选，则检查：处于下一个层面E2、E3、…中的所属的节点是否同样能分级为极小极大候选MMK。在按照图3的示例中，按照这种方式，此外处于层面E3中的一个共同的极小极大候选MMK在第八个位置至第十五个位置上的值被找到。如果从该极小极大候选MMK继续向上一个层面、亦即进入到层面E4中，则人们在该位置上不再找到极小极大候选，因为所属的采样值分布到从第零个位置至第十五个位置的区域上并且因此部分地处于所研究的区间之外。所找到的处于层面E3中极小极大候选MMK因此被记录为最终的极小极大候选。

对极小极大候选的搜索随后在数据块DB的第十六个位置上继续。按照所描述的方式，找到另一个极小极大候选MMK，该极小极大候选覆盖从第十六个直至第三十一个位置的区域并且设置在层面E4中。另外的极小极大候选MMK覆盖从第三十二个位置直至第三十九个位置的区域或者从第四十个直至第四十三个位置的区域。在所研究的区间的末尾，与区间的开头可相比拟地，最终能找到如下采样值，所述采样值同时视作极小极大候选，因为给处于更高的层中的全部的所属的节点也配置处于所考察的区间之外的采样值。

因此，在图3中所考察的情况下，除了处于区间极限上的所述两个采样值之外，找出四个极小极大候选MMK。极小极大候选MMK的数量因此明显处于在所研究的区域中的采样值的数量之下。在更长的区间时该效果加强。这也适用于如下情况，在所述情况下区间极限在数据块极限上延伸。

深度筛选对于全部的掩码长度L0、L1、L2并且对于掩码MAD所有N个可能的位置进行。在此，N标记数据块DB的长度。作为深度筛选的结果，同样还在步骤PP2中用极小值和极大值填写如下表格，所述表格具有N个行，这些行的列数等于在L0、L1、L2中不同的廊道长度的数量。在此，给每个采样时刻和每个廊道长度L0、L1、L2配置包括极小值和极大值的一个对，所述对通过比较所考察的区间的极小极大候选MMK获得到。在图3的情况下，极小值和极大值因此从处于层面E0中的两个单独的值和在层面E2至E4中能找到的四个值对中选择。找出的极小值和极大值(参照按照图2的示图)配置给廊道终点KE-0、KE-1和KE-2。触发条件的检验通过如下方式是可能的，即，实施检查，所述检查仅还涉及各个作为测试点的廊道终点KE-0、KE-1、KE-2所处的时刻。具有长度L0、L1、L2的掩码MA的整个窗的搜索因此通过能快得非常多地实施的简单的比较来代替。

从在表格TA中登记的极小值和极大值在步骤PP2的范畴内同样还产生包络曲线T_min、T_max，这些包络曲线取决于信号曲线SK和所应用的掩码MA、特别是廊道长度L并且示例性地在图4中示出。信号曲线SK按照图4具有修改过的正弦形状。可清楚看出的是，基于预定的廊道长度L分别在相应的持续时间上记录极小值和极大值，这以包络曲线T_min、T_max的水平区段表示。

如果在确定的时刻检查，信号不仅在该时刻而且已经在整个经过的时间区间中满足触发条件，所述时间区间在所应用的廊道K0、K1、K2的持续时间L上延伸，则将T_min和T_max与廊道极限比较便足矣。按照这种方式，对于所述例如以j标示的采样值中的每个采样值检验触发条件的遵循，这在步骤PP3中进行。作为该检查的结果填写用于每个数据块DB的触发功能列表TFL。将布尔值登记到触发功能列表TFL中，这些布尔值说明，是否满足在相应的扫描位置j上的触发条件。这些值标记为触发值信号。步骤PP3以并行的数据处理的形式实施。在此决定性的优势在于如下事实，对于多个采样时刻可以同时实施借助包络曲线T_min、T_max对触发条件的遵守的检验。在位置j+1上的分析因此不必等待在位置j上的分析的结果。

在完整填写触发功能列表TFL之后，在步骤PP4中查明，在哪些位置布尔触发值信号改变。如果确认这样的改变，则在触发列表TLI进行登记j0、j1、j2。登记j0、j1、j2、…被用作用于示波器式的表示触发时刻。

图5至7涉及与图2相比修改过的掩码MA。与图2相反在这种情况下，掩码MA构成为负的窗。这意味着，要么超过上极限要么低于下极限的全部的值视作处于掩码MA中。

在图5的情况下，掩码MA由两个廊道K0、K1组成。廊道K0具有上升的上极限和下降的下极限。在廊道K1中相反地给出下降的上极限和上升的下极限，从而掩码MA总共描述一个菱形形状。配置给廊道K0、K1的包络曲线T_min、T_max以原则上与在图2至4的情况下而相同的方式产生。然而，在图5的情况下考虑到所述廊道极限不构成恒定的值。在廊道K0、K1的走向上变化的廊道极限这样包含到曲线的T_min、T_max的构造中，使得廊道K0、K1的极限的斜率也表达为包络曲线T_min、T_max的斜率。在廊道终点KE-0、KE-1上，对于包络曲线T_min、T_max的构造不改变地使用各采样值。

时刻距廊道终点KE-0、KE-1越远，则在相应的时刻上所采样的测量值按照廊道K0、K1的极限的斜率就越多地增高或削减，以便模仿廊道K0、K1的形状。总体上这意味着，信号曲线SK在匹配于廊道K0、K1的形状中失真，以便形成包络曲线T_min、T_max。这在图6和7中表达为包络曲线T_min、T_max的随后的上升的和下降的区段，所述区段连接到信号曲线SK的极大值和极小值上。一旦生成修改过的包络曲线T_min、T_max，则数据处理按照借助图1已经阐述的流程继续。

附图标记列表

1 信号处理设备

2 数据采集装置

3 触发装置

4 环形存储器

5 运算器

6 显示装置

BA 极小极大树

DB 数据块

DS 数据流

E0、E1、E2、…层面

K0、K1、K2、…廊道

KE-0、KE-1、…廊道终点、测试点

L0、L1、L2、…廊道长度

LV 读取过程

MA 掩码

MMK 极小极大候选

PP1…PP4 并行的过程

PS、PE 起点或终点

SK 信号曲线

SV 写入过程

TA 表格

TFL 触发功能列表

TLI 触发列表

T_min、T_max包络曲线

Claims (18)

1.用于信号模式识别的方法，所述方法具有如下步骤：

-时间上离散地扫描连续的数据流(DS)，亦即，采集形成信号曲线(SK)的采样值，

-将数据流(DS)划分为块(DB)，其中，每个块(DB)的采样值的数量等于二的幂，

-在每个块(DB)上构建至少一个极小极大树(BA)，其方式为，将采样值定义为所述树(BA)的第一层(E0)并且在该第一层(E0)上构建所述树(BA)的另外的层(E1、E2、…)，这些另外的层与第一层(E0)不同地由极小极大对形成，其中，每个极小极大对由处于最后制作的或已经存在的层(E0、E1、E2、…)中的两个对或者说各采样值中的极大值和极小值形成，并且树构建至少在所述层(E0、E1、E2、…)中的一部分中通过并行的数据处理进行，该部分包含第一层(E0)，

-对于每个采样时刻实施部分地超过块极限的树筛选，所述树筛选针对至少一个通过信号掩码(MA)预定的廊道长度(L0、L1、L2)，其中，在整个廊道长度(L0、L1、L2)之内首先将每个单个的采样值定义为极小极大候选(MMK)，并且两个相继的极小极大候选(MMK)通过作为所属的节点而处于在此之上的层(E1、E2、…)中的极小极大对来代替，只要配置给该极小极大对的全部的采样值同样处于具有所提及的廊道长度(L0、L1、L2)的廊道(K0、K1、K2)之内，并且配置给相应的采样时刻和廊道长度(L0、L1、L2)的极小值和极大值的识别基于通过树筛选找到的极小极大候选(MMK)，其中，同一个极小极大树(BA)被用于多个要并行实施的树筛选，

-从对于廊道长度(L0、L1、L2)特定的、配置给各一个采样时刻的极小值和极大值产生属于信号曲线(SK)的包络曲线(T_min、T_max)，

-对于每个采样时刻通过与包络曲线(T_min、T_max)比较来检查通过信号掩码(MA)给出的触发条件，其中，检查方法的至少一个部分通过并行的数据处理实施并且以采样值的方式生成布尔触发值信号。

2.按照权利要求1所述的方法，其特征在于，进行所述树筛选所针对的廊道长度(L0、L1、L2)低于每个数据块(DB)的块长度。

3.按照权利要求1或2所述的方法，其特征在于，对于一个廊道(K0、K1、K2)的至少一个包络曲线(T_min、T_max)利用在整个廊道长度(L0、L1、L2)上恒定的上极限和下极限生成。

4.按照权利要求1至3之一所述的方法，其特征在于，对于一个廊道(K0、K1)的至少一个包络曲线(T_min、T_max)利用在廊道长度(L0、L1)上变化的上极限和/或下极限生成，其中，所述包络曲线(T_min、T_max)按照上极限或下极限与在廊道(K0、K1)的测试点(KE-0、KE-1)上给出的极限的偏差与利用恒定的上极限和下极限的对于廊道(K0、K1、K2)的包络曲线相比而失真。

5.按照权利要求4所述的方法，其特征在于，对于一个廊道(K0、K1)的包络曲线(T_min、T_max)利用上极限和/或下极限的区段式恒定的斜率生成。

6.按照权利要求4或5所述的方法，其特征在于，生成对于一个廊道(K0、K1)的包络曲线(T_min、T_max)，所述廊道仅具有如下区段，在所述区段中一方面所涉及的区段的上极限的斜率和另一方面同一个区段的下极限具有不同的符号。

7.按照权利要求1至6之一所述的方法，其特征在于，在其上应构建极小极大树(BA)的块(DB)包括至少2¹⁰个采样值和最高2³⁰个采样值。

8.按照权利要求1至7之一所述的方法，其特征在于，从各采样值出发，所述极小极大树(BA)的构建通过并行的数据处理进行至少直至树(BA)的各层(E0、E1、E2、…)的一半。

9.按照权利要求1至8之一所述的方法，其特征在于，并行实施的树筛选的数量至少等于每个块(DB)的采样值的数量的平方根。

10.按照权利要求1至9之一所述的方法，其特征在于，间隔开不多于10ns的时间间隔地采集所述采样值。

11.按照权利要求1至10之一所述的方法，其特征在于，所述极小极大树(BA)的构建以及树筛选在运算步骤中进行，所述运算步骤长于在两个相继的采样值之间的时间间隔，其中，通过数据处理的并行性，信号掩码(MA)的每个位置的串行运算步骤的总数低于一。

12.按照权利要求1至11之一所述的方法，其特征在于，确定在布尔触发值信号从“真”变换为“假”时的触发时刻并且将所述触发时刻登记到列表(TLI)中。

13.按照权利要求12所述的方法，其特征在于，到所述列表(TLI)中的登记在考虑触发释抑时间段的情况下进行。

14.按照权利要求12或13所述的方法，其特征在于，到所述列表(TLI)中的登记仅在通过出发计数器释放之后进行。

15.用于信号模式识别的设备，所述设备具有数据采集装置(2)和与所述数据采集装置耦合的、构成为用于实施按照权利要求1所述的方法的触发装置(3)。

16.按照权利要求15所述的设备，其特征在于，所述触发装置(3)包括构成为用于在构建极小极大树(BA)以及树筛选的过程中的并行的数据处理的至少128个运算器(5)。

17.按照权利要求16所述的设备，其特征在于，所述运算器(5)附加地设置用于图形显示采样值。

18.按照权利要求15至17之一所述的设备，其特征在于，所述触发装置(3)包括环形存储器(4)，所述环形存储器设置用于存储数据流(DS)的至少三个块(DB)，对此所述触发装置(3)构成为用于不中断地处理未过滤的采样值。