CN1901726A - 运用类神经网络于手机的自动测试方法 - Google Patents
运用类神经网络于手机的自动测试方法 Download PDFInfo
- Publication number
- CN1901726A CN1901726A CNA2005100874073A CN200510087407A CN1901726A CN 1901726 A CN1901726 A CN 1901726A CN A2005100874073 A CNA2005100874073 A CN A2005100874073A CN 200510087407 A CN200510087407 A CN 200510087407A CN 1901726 A CN1901726 A CN 1901726A
- Authority
- CN
- China
- Prior art keywords
- mobile phone
- neural network
- training
- test
- network
- 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
Images
Abstract
一种运用类神经网络于手机的自动测试方法,主要是利用类神经网络能自动学习的特性,将定义做为类神经网络输入元的参数输入一预先选定的类神经网络模型,以得出一起始测量值来做为手机测试的起始数据,同时训练类神经网络模型的过程以过去的测试结果做为训练类神经网络的训练样本,以缩短手机自动测试的时间。
Description
技术领域
本发明主要是提供一种运用类神经网络于手机自动测试的方法,主要是利用类神经网络能自动学习的特性,将定义做为类神经输入元的参数输入一预先选定的类神经网络模型,并提供已知的测试结果做为类神经网络的训练样本,利用训练完成的类神经网络模型所产生的起始测量值来做为手机测试的起始数据,达到缩短手机自动测试的时间。
背景技术
公知手机在开发过程中或认证阶段均需进行各种不同的测试项目,以验证该待测手机是否符合所有相关测试规范的需求,其中的测试项目包含了待测手机的灵敏度测试,而该项目的测试常需耗费不少的时间,其原因在于当不同机种的待测手机其内部的软硬件也不尽相同时,将产生不同的灵敏度特性,如不同的手机使用不同的软件、处理器、数据处理芯片等不同的因素,因而在对不同机种的手机进行灵敏度测试时,其影响灵敏度测试时间长短的关键在于对测量仪器的起始测量值的设定。
承上述,测量仪器的起始测量值为设定程序中灵敏度测试项目的单元功率(cell power)的起始值,在已开发完成的自动测试程序中,程序会于此单元功率下驱动使用的测量仪器对待测手机进行灵敏度测试,若待测手机的灵敏值低于法规的限制值,则将单元功率再降低1dB(此数值是设计为可调整)并重复上述测量;反之若待测手机的灵敏值高于法规的限制值,则将单元功率提高1dB(此数值是设计为可调整)并重复上述测量,借以求得低于法规限制值的最小单元功率值(此即灵敏度的定义),此一步骤需一直重复做到精准测量出该待测手机的灵敏度值才算完成。
如上述,由于公知的测量方式是一开始采用人工输入起始测量值的方式进行测试,然后再前后慢慢修正其测量值,因此容易产生测试人员主观上的判断错误,且若该测试人员并非该测试机种的研发工程师时,通常会因不熟悉其特性而设定不正确的起始测量值,造成本测试项目的时间拉长,同样的,一旦测试人员要进行不同机种的手机测试时,因为不同待测手机上的软硬件等构成零件不尽相同,也直接影响了不同手机的灵敏度,所以上述步骤将重新再做一次,因此如何在每次测试不同的手机机种时,即能够立刻依据经验值设定测量仪器正确的起始测量值将有效缩短该项测量所需的时间,此是为本发明所急欲解决的课题。
如上所述,本发明即是为了要解决公知手机灵敏度测试需耗费大量时间才可完成测试的缺点,提出一种运用类神经网络于手机自动测试的方法,将定义做为类神经输入元的参数,手机型号、使用的处理器、使用的关键零组件、手机制造年份等,输入一预先选定的类神经网络模式,如本发明以倒传递类神经网络模型做为选定的类神经网络模型,并提供公知测试方法所取得已知的测试结果做为本类神经网络模型的训练样本,利用训练完成的类神经网络来缩短手机自动测试的时间,只要采取较佳的样本,借由对该类神经网络模型进行训练的过程,使得神经网络的输出值能达到和训练样本相同的输出结果,如此一来,该类神经网络模型即可用来做为提供设定精确起始测量值的来源。
发明内容
本发明的主要目的在于提供一种运用类神经网络于手机的自动测试方法,利用类神经网络能够自动学习的特性,自动学习产生灵敏度测试所需的起始测量值。
本发明的次要目的在于提供一种运用类神经网络于手机的自动测试方法,可有效缩短测试人员进行待测手机的灵敏度测试的时间。
本发明的再一目的在于提供一种运用类神经网络于手机的自动测试方法,使测试系统简单且容易使用。
为了达到上述发明的目的,本发明主要提出利用类神经网络能自动学习的特性,将定义做为类神经网络输入元的参数输入一预先选定的类神经网络模式,并提供已知的测试结果做为类神经网络的训练样本,利用训练完成的类神经网络产生手机测试所需的起始测量值,达到缩短手机自动测试时间的目的。
附图说明
图1为人工神经元模型;
图2为本发明类神经网络模型图;
图3为本发明类神经网络模型未学习前数据曲线;
图4为本发明类神经网络模型学习收敛中数据曲线;
图5为本发明类神经网络模型完成学习数据曲线。
具体实施方式
为了更进一步了解本发明为达成预定目的所采取的技术、手段及功效,请参阅以下有关本发明的详细说明与附图,本发明的目的、特征与特点,可由此深入且具体的了解,然而附图仅提供参考与说明用,并非用来对本发明加以限制。
本发明主要是提供一种运用类神经网络于手机的自动测试方法,利用类神经网络能自动学习的特性,将定义做为类神经网络输入元的参数输入一预先选定的类神经网络模式,并提供已知的测试结果做为类神经网络的训练样本,利用训练完成的类神经网络来缩短手机自动测试的时间。
类神经网络是一种复杂但有效率的计算系统,其原理是使用大量简单的人工相连神经元10来模仿生物神经网络的能力,如图1所示,人工神经元10是生物神经元的简单仿真,主要是从外界环境或者其它人工神经元取得输入元参数12并加以运算11以取得其输出结果13到外界环境或神经元。
类神经网络的一个优点在于其并不需要真正的了解系统的输入及输出之间的关系,而直接以神经网络模型取代系统的实作部份,以运算学习的方式来建立出合适于要解决问题的解决方案的运算模型,使用者可以完全不需了解其内部是如何进行运算的过程,而一样可以得到适合用来提供输入与输出之间的关系的表达式,其最终结果是要提供一个符合使用者的期望值。
请参考图2所示,对于本发明所要解决的不同机种手机而言,每一不同的机种都表示一相同的系统模型20,本发明可取用不同的手机机种资料做为类神经网络输入组件的参数,如手机型号X1、使用的处理器X2、使用的关键零组件X3、制造年份Xm等,如图中的22,经过所选用的类神经网络模型21的运算,以得出可作为手机灵敏度测试用的起始测量值23,且将其值代入测量仪器起始设定,即可快速的找到特定手机机种的敏灵度数值,有效的缩短公知测量手机灵敏度所需的时间。
欲达成前述本发明的目的,本发明需先选择一适合的神经网络模型,在本发明的实施例中所采用的是倒传递式类神经网络模型(Back-propagationNetwork),其优点如下:
1.学习算法较简单,容易撰写为程序并修改成适当网络模型,以适应各种不同实验的需要。
2.适用于分类问题、模式识别、专家系统等方面的应用,应用范围最广。
3.学习算法为一非线性最佳化问题,学习精度高,可以处理复杂的模式辨认问题。
承上述,要使得类神经网络能正确的运作,则必须通过训练(training)的过程,让该类神经网络模型反复的学习,直到对于每个输入元参数值都能正确的运算出所需要的输出值,因此在类神经网络学习前,我们必须建立出一个训练样本(training pattern)使类神经网络在学习的过程中有一个参考,训练样本的建立可来自于实际系统输入与输出对照表或是以往的经验,本发明是将公知测试结果做为本类神经网络学习的样本。
类神经网络训练的目的,就是让类神经网络的输出尽可能的接近目标输出值,亦即,相同的输入参数进入到实际系统与输入到类神经网络模型中经过学习运算,得到的输出值亦要相同。
类神经网络未训练前,其输出是相当凌乱的,如图3所示,模型输出曲线30是未进行训练前的类神经网络输出值,由图中可以比较其和训练样本曲线31是完全无法吻合的,但是随着训练次数的增加,类神经网络模型的输出值会逐渐的被调整,这个过程也就是学习的过程,使得目标值与类神经网络的输出两者误差越来越小,如图4及图5所示,当两者的误差几乎不再变化时,我们称此类神经网络输出值驱近相同于训练样本输出值的过程为收敛(convergence),此时类神经网络便已训练完成,当类神经网络训练完成后,类神经网络的输出与真实的输出值将会一致,本发明即可利用此一训练完成的类神经网络模型,进行手机灵敏度测量的数据来源,有效的缩短公知测量手机灵敏度所需的时间。
本发明确能借上述所公开的技术,解决公知手机灵敏度测试必需耗费大量时间的缺点,但是,上述所公开的附图、说明,仅为本发明的实施例而已,本领域的技术人员可依据上述的说明作其它各种改进,然而这些改变仍属于本发明的构思及以下所界定的本发明的权利要求书范围内。
Claims (2)
1.一种运用类神经网络于手机的自动测试方法,包括下列步骤:
将待测手机的预选定义做为类神经输入元的参数;
将该参数输入一预先选定的类神经网络模型;
提供已知的测试结果做为类神经网络的训练样本;及
利用训练完成的类神经网络来得出一手机灵敏度测试用的起始测量值做为设定测量仪器的起始测量值。
2.如权利要求1所述的自动测试方法,其中测试结果是以过去测量所得的数据做为训练的样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2005100874073A CN1901726A (zh) | 2005-07-21 | 2005-07-21 | 运用类神经网络于手机的自动测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2005100874073A CN1901726A (zh) | 2005-07-21 | 2005-07-21 | 运用类神经网络于手机的自动测试方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1901726A true CN1901726A (zh) | 2007-01-24 |
Family
ID=37657418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2005100874073A Pending CN1901726A (zh) | 2005-07-21 | 2005-07-21 | 运用类神经网络于手机的自动测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1901726A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109542713A (zh) * | 2019-02-21 | 2019-03-29 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种验证方法及验证装置 |
CN110110854A (zh) * | 2019-04-01 | 2019-08-09 | 南京邮电大学 | 一种基于边状态的深度神经网络测试充分性的方法 |
-
2005
- 2005-07-21 CN CNA2005100874073A patent/CN1901726A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109542713A (zh) * | 2019-02-21 | 2019-03-29 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种验证方法及验证装置 |
CN109542713B (zh) * | 2019-02-21 | 2021-07-09 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种验证方法及验证装置 |
CN110110854A (zh) * | 2019-04-01 | 2019-08-09 | 南京邮电大学 | 一种基于边状态的深度神经网络测试充分性的方法 |
CN110110854B (zh) * | 2019-04-01 | 2022-04-22 | 南京邮电大学 | 一种基于边状态的深度神经网络测试充分性的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220261655A1 (en) | Real-time prediction method for engine emission | |
CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
CN104615840B (zh) | 一种数字仿真模型的修正方法及系统 | |
CN109284541A (zh) | 一种用于微波无源器件的神经网络多物理建模方法 | |
CN110007645A (zh) | 一种基于动力学及深度神经网络的进给系统混合建模方法 | |
CN110296833A (zh) | 一种面向液压缸综合测试台的软测量方法及系统 | |
Zhang et al. | Water meter pointer reading recognition method based on target-key point detection | |
CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
CN114330937A (zh) | 一种隐含碳排放量核算方法、设备及存储介质 | |
CN113486580B (zh) | 在役风电机组高精度数值建模方法、服务端及存储介质 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN1901726A (zh) | 运用类神经网络于手机的自动测试方法 | |
CN113657037A (zh) | 基于时间序列插值-注意力机制的铁水硅含量预测方法 | |
CN112862063A (zh) | 一种基于深度信念网络的复杂管网泄漏定位方法 | |
CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
CN116707331A (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
CN110909492A (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
CN104571086A (zh) | 基于传递函数的温度控制器仿真测试方法 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN112926400A (zh) | 基于数据驱动的液压缸内泄露故障智能诊断方法及系统 | |
Sadeghassadi et al. | On the structural optimization of a neural network model predictive controller | |
Tinoco et al. | Application of Data Mining Techniques to Estimate ElasticYoung Modulus Over Time of Jet Grouting Laboratory Formulations | |
CN111291490B (zh) | 一种结构多尺度异类响应的非线性映射智能建模方法 | |
CN117438016B (zh) | 弹性薄膜的力致变色自修复预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |