DE102022112643A1

DE102022112643A1 - Kurzmuster-wellenformdatenbank-basiertes maschinelles lernen für messungen

Info

Publication number: DE102022112643A1
Application number: DE102022112643.9A
Authority: DE
Inventors: Kan Tan; John J. Pickerd
Original assignee: Tektronix Inc
Current assignee: Tektronix Inc
Priority date: 2021-05-21
Filing date: 2022-05-19
Publication date: 2022-11-24
Also published as: JP2022179459A; US20220373598A1; CN115378773A; TW202314260A

Abstract

Ein Test- und Messsystem umfasst eine Test- und Messvorrichtung, die so ausgebildet ist, dass sie ein Signal von einer zu testenden Vorrichtung empfängt, und einen oder mehrere Prozessoren, die so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, eine Wellenform aus dem Signal zu erzeugen, einen Equalizer auf die Wellenform anzuwenden, eine Eingabe zu empfangen, die eine oder mehrere Messungen identifiziert, die an der Wellenform durchgeführt werden sollen, eine Anzahl von Einheitsintervallen (Uls) für ein bekanntes Datenmuster auswählt, die Wellenform nach den bekannten Datenmustern mit einer Länge der Anzahl von Uls abtastet, die bekannten Datenmuster als Kurzmuster-Wellenformen identifiziert, ein maschinelles Lernsystem auf die Kurzmuster-Wellenformen anwendet, um einen Wert für die eine oder mehreren Messungen zu erhalten, und die Werte der einen oder mehreren Messungen für die Wellenform bereitstellt. Ein Verfahren umfasst das Empfangen eines Signals von einer zu testenden Vorrichtung, das Erzeugen einer Wellenform aus dem Signal, das Anwenden eines Equalizers auf die Wellenform, das Empfangen einer Eingabe, die eine oder mehrere an der Wellenform vorzunehmende Messungen identifiziert, das Auswählen einer Anzahl von Einheitsintervallen (Uls), das Abtasten der Wellenform, um Kurzmuster-Wellenformen zu identifizieren, die eine Länge haben, die gleich der Anzahl von Uls ist, das Anwenden eines maschinellen Lernsystems auf die Kurzmuster-Wellenformen, um einen Wert für die eine oder mehrere Messungen zu erhalten, und das Bereitstellen der Werte der einen oder mehreren Messungen für die Wellenform von dem maschinellen Lernsystem.

Description

QUERVERWEIS AUF VERWANDTE ANMELDUNGEN
Diese Offenbarung beansprucht die Vorteile der U.S. Provisional Application No. 63/191,908 mit dem Titel „SHORT PATTERN WAVEFORM DATABASE BASED MACHINE LEARNING FOR MEASUREMENT“, die am 21. Mai 2021 eingereicht wurde und deren Offenbarung hier durch Bezugnahme in vollem Umfang enthalten ist.
TECHNISCHES GEBIET
Diese Offenbarung bezieht sich auf Test- und Messsysteme und -verfahren und insbesondere auf die Anwendung von maschinellem Lernen auf Messungen eines Signals von einer zu testenden Vorrichtung.
STAND DER TECHNIK
Viele elektronische Geräte und Systeme verwenden Hochgeschwindigkeitssignale für die Kommunikation und Datenübertragung, insbesondere Signale, die zwischen Sendern und Empfängern gemäß seriellen Hochgeschwindigkeits-Datenprotokollen wie Peripheral Component Interconnect Express (PCIE) und Ethernet gesendet werden. Traditionell werden Test- und Messinstrumente wie Oszilloskope verwendet, um diese Hochgeschwindigkeitssignale zu erfassen und Augendiagramme zu erstellen, um die Eigenschaften der Signale zu messen.
Wenn die Signalgeschwindigkeit zunimmt, werden häufig Equalizer in Sender und Empfänger eingesetzt, um die Systemleistung zu verbessern. Ein Empfänger der PCIE-Generation 5 (PCIE Gen5) verfügt beispielsweise über einen 3-Tap(Abgriff)-Decision-Feedback-Equalizer (DFE) zusätzlich zu einem Continuous-Time-Linear-Equalizer (CTLE). Siehe z. B. PCI-SIG, „PCI Express Base Specification 5.0, Version 10,“ 2019, verfügbar unter https://pcisig.com/specifications/. Die IEEE 100G/400G Ethernet Standards definieren Messungen mit einem 5-Tap Feed Forward Equalizer (FFE). Siehe zum Beispiel „IEEE P802.3bs-2017“, 2017, verfügbar unter http://standards.ieee.org/findstds/standard/802.3bs-2017.html; „IEEE P802.3cd-2018“, 2018, verfügbar unter
http://standards.ieee.org/develop/project/802.3cd.html.
Wenn die Empfänger über Equalizer verfügen, werden einige der Messungen an den entzerrten Signalen durchgeführt. Bei PCIE Gen5 zum Beispiel werden die Messungen der Augenhöhe und Augenbreite auf der Grundlage des Augendiagramms der entzerrten Wellenform definiert.
Bei einigen Ansätzen kann ein maschinelles Lernsystem die Augendiagramme vor der Entzerrung als Eingabe verwenden. Das maschinelle Lernsystem kann dann eine gewünschte Messung liefern. Die Augendiagramme vor der Entzerrung enthalten jedoch keine Zeitsequenzinformationen, und die Wellenformen nach der Entzerrung können sich stark von den Wellenformen vor der Entzerrung unterscheiden, wodurch der Prozess ungenau wird.
Figurenliste

1 zeigt eine Ausführungsform eines optischen Transceiver-Testsystems.
2 zeigt eine Darstellung der TDECQ-Messung.
3 zeigt zwei Beispiele von Augendiagrammen vor und nach Anwendung eines Equalizers.
4 zeigt eine grafische Darstellung der Abgriffe eines Feedforward-Equalizers mit 5 Abgriffen.
5 zeigt eine Teilanzeige einer Musterwellenform mit Zeitsequenzinformationen.
6 zeigt Beispiele von Wellenformdatenbanken mit unterschiedlichen Musterlängen.
7 zeigt Beispiele von Wellenformdatenbanken für verschiedene Symbolfolgen.
8 zeigt eine Ausführungsform einer Test- und Messvorrichtung.
9 zeigt eine Ausführungsform eines maschinellen Lernsystems mit einer Kurzmuster-Wellenform-Datenbank.
10 zeigt ein Beispiel für ein Kurzmuster-Wellenform-Tensorbild.
11 zeigt ein Beispiel für ein Kurzmuster-Wellenform-Tensorbild.
12 zeigt Beispiele von Kurzmuster-Wellenformdatenbanken für die Muster mit einer Länge von 1 Symbol.

BESCHREIBUNG
Die Ausführungsformen umfassen Systeme und Verfahren, die maschinelle Lerntechniken zur Durchführung von Signalmessungen an eingehenden Wellenformen anwenden. Die Ausführungsformen verwenden im Allgemeinen eine Datenbank mit kurzen Mustern, die aus Wellenformen entwickelt wurden. Dies ermöglicht eine schnellere Analyse durch maschinelles Lernen, als wenn das Verfahren vollständige oder partielle Musterwellenformen verwendet. Stattdessen verwenden die Ausführungsformen ein maschinelles Lernsystem, das auf kurzen Mustern mit einer unterschiedlichen Anzahl von Symbolen trainiert wurde, die in einer oder mehreren Datenbanken gespeichert sind. Das System kann dann nach diesen Mustern suchen und die mit den kurzen Mustern verbundenen Messungen erzeugen. Die Ausführungsformen verbessern die Genauigkeit der Messung im Vergleich zu Techniken, die Augendiagramme verwenden.
Darüber hinaus werden, wie bereits erwähnt, bei steigenden Signalgeschwindigkeiten in vielen Systemen Equalizer eingesetzt, um die Systemleistung zu verbessern. Wie bereits erwähnt, wird bei Peripheral Component Interface Express (PCIE) Gen6 zusätzlich zu einem zeitkontinuierlichen linearen Equalizer (CTLE) ein 3-Tap-Decision-Feedback-Equalizer (DFE) verwendet. Ein weiteres Beispiel ist die IEEE-Norm 802.3 für 100G/400G, in der die Messung von Transmitter und Dispersion Eye Closure Quaternary (TDECQ) als wichtige Pass/Fail-Kriterien für die optische Signalübertragung mit 26 GBaud und 53 GBaud PAM4 festgelegt sind. Dies ist ein Beispiel, das die Probleme bei der Verwendung von Wellenformen ohne Zeitsequenzinformationen als Eingaben für ein maschinelles Lernsystem aufzeigt.
Die TDECQ-Messung erfolgt mit einem 5-Tap-FFE. 1 zeigt ein Blockdiagramm, das die Erfassung eines optischen Signals von einem Sender (Tx) oder einem zu prüfenden Transceiver 10 zeigt. Das optische Signal kann mit Optiken 12, wie z. B. Polarisationsdrehern und/oder variablen Reflektoren, interagieren. Das Signal durchläuft eine Testfaser 14 und erreicht einen optisch-elektrischen (O/E) Wandler, der das optische Signal in ein elektrisches Signal umwandelt. Ein Oszilloskop 20, das eine Taktrückgewinnungseinheit (clock recovery unit; CRU) 18 enthalten kann, tastet dann das resultierende elektrische Signal ab und digitalisiert das Signal. Die digitalisierten Samples werden als Wellenform gespeichert.
Ein Referenz-Equalizer und ein Analysemodul 22 in herkömmlichen Oszilloskopen können dann die TDECQ-Messung und -Analyse durchführen. 2 zeigt ein Beispiel für ein Diagramm, das zur Durchführung der TDECQ-Messung verwendet wird. In diesem Beispiel ergibt sich die Wellenform aus einem Feed-Forward-Equalizer (FFE) mit 5 Abgriffen und einem Intervallabstand von 1 Einheit (UI), der zur Minimierung des TDECQ-Werts optimiert wurde. Die Intervalle „0“ und „1“ markieren den Ul-Abstand.
Der TDECQ-Wert wird nach der folgenden Formel berechnet (Gl. 1): $T D E C Q = 10 l o g_{10} (\frac{O M A_{o u t e r}}{6 \times Q_{r} \times \sqrt{σ_{G}^{2} + σ \frac{2}{S}}})$
wobei OMA_outer sich auf die Leistung des optischen Signals bezieht. Q_r ein konstanter Wert ist, der sich auf das Symbolfehlerverhältnis bezieht. $σ_{G}^{2}$
die Standardabweichung eines gewichteten Gaußschen Rauschens ist, das zu dem in gezeigten Augendiagramm hinzugefügt werden kann und immer noch den größeren Wert des Symbolfehlerverhältnisses an den beiden vertikalen Slicern bei 0,45 und 0,55, die 0,1 Ul voneinander entfernt sind, von 4,8e-4 ergibt. Der Begriff σ_S steht für das Scope-Rauschen, das aufgezeichnet wird, wenn kein Signal in das O/E-Modul eingespeist wird.
Eine einzelne TDECQ-Messung des Compliance-Musters SSPRQ (short stress pattern random quaternary) dauert mit herkömmlichen Methoden nur Sekunden. Internationales Pat. App. Nr. PCT/ US2020/059086 , eingereicht am 11. Mai 2020, mit dem Titel „DEVICES, SYSTEMS, AND METHODS FOR PROCESSING OPTICAL COMPONENTS“ (Vorrichtungen, Systeme und Verfahren zur Verarbeitung optischer Komponenten), offenbart ein maschinelles Lernverfahren, das die Zeit für die Erfassung von Messungen für optische Transceiver, einschließlich TDECQ, reduzieren soll. Einer der offengelegten maschinellen Lernansätze verwendet eine Augendiagramm-Bilddarstellung der Wellenform als Eingabe für ein neuronales Netz zum Trainieren und dann zum Testen optischer Transceiver.
3 zeigt Beispiele für ein Augendiagramm vor (links) und nach (rechts) der Anwendung des FFE auf die Wellenform. Das Augendiagramm rechts, nach Anwendung des FFE, weist eine größere Augenöffnung auf. Die Verwendung des Augendiagramms vor dem FFE als Eingabe für das neuronale Netz für maschinelles Lernen liefert nicht die Informationen des Augendiagramms nach dem FFE. Die 5 FFE-Abgriffe werden auf die Proben in den 5 Uls (unit intervals; Einheitsintervallen) um die aktuelle Probe herum angewendet. Das Augendiagramm vor FFE enthält keine Informationen über die zeitliche Abfolge, da alle Abtastwerte in 1 oder 2 UI eingeschlossen sind. 4 zeigt die FFE-Abgriffe, die in diesem Beispiel verwendet werden, um das Augendiagramm auf der rechten Seite von 3 zu erstellen.
Im Gegensatz dazu ist, wie in 5 gezeigt, in der tatsächlichen Muster-Wellenform jeder Abtastwert mit einer Zeitangabe versehen. Die Zeitsequenzinformationen können von der FFE-Vorgang verwendet werden. Ein alternativer maschineller Lernansatz zur Verwendung von Augendiagrammen verwendet die entzerrte Wellenform des tatsächlichen Musters als Eingabe für ein neuronales Netz zum Trainieren und anschließend zum Testen.
Die Wellenform des Musters kann jedoch zu viele Abtastwerte (Samples) haben, so dass sie für das Training unpraktisch ist. Das SSPRQ-Muster hat zum Beispiel 65535 Symbole. Bei mehreren Abtastungen pro Benutzeroberfläche ergibt dies eine sehr große abgetastete Wellenform. Die Verwendung der tatsächlich abgetasteten Wellenform würde mehr Zeit für das Training des maschinellen Lernens erfordern. Eine Option wäre die Verwendung einer partiellen Muster-Wellenform, aber bei diesem Ansatz könnten wesentliche Informationen in der Wellenform fehlen, was zu einem erhöhten Messfehler führen könnte.
Wie bereits erwähnt, wird in den vorliegenden Ausführungsformen eine Kurzmuster-Wellenformdatenbank mit einem Modul für maschinelles Lernen, z. B. einem neuronalen Netz, verwendet, um Signalmessungen durchzuführen. Darüber hinaus sollten die Eingangsdaten für das neuronale Netz bei Messungen, die Equalizer erfordern, Zeitsequenzinformationen enthalten, um genauere Ergebnisse zu erzielen, da die Equalizer mit den zeitlich aufeinanderfolgenden Abtastwerten arbeiten. Bei einem herkömmlichen Augendiagramm gehen die Informationen über die zeitliche Abfolge der Symbole verloren. Die hier vorgestellten Ausführungsformen verwenden Kurzmuster-Wellenformen, die Zeitsequenzinformationen enthalten und eine Lösung für die Probleme der Wellenformgröße und -genauigkeit sowie der Zeitsequenz bieten.
Das Verfahren erstellt Datenbanken mit kurzen Mustern von Wellenformen auf der Grundlage der in der Wellenform gefundenen kurzen Muster. Der hier verwendete Begriff „kurz“ bezieht sich auf Teile der Wellenformen, die eine Länge haben, die einer vorbestimmten Anzahl von Uls entspricht. Das System durchsucht das Datenmuster, identifiziert und extrahiert eine Kurzmuster-Wellenform und legt die Wellenform-Samples für die extrahierte Kurzmuster-Wellenform in der entsprechenden Kurzmuster-Wellenform-Datenbank ab. Dieser Abtastprozess kann wiederholt oder parallel durchgeführt werden, um mehrere Kurzmuster-Wellenform-Datenbanken für jede interessierende Kurzmuster-Wellenform zu erstellen. Die ausgewählte Datenbank kann von der Art der Signalisierung abhängen, z. B. von der pulsamplitudenmodulierten 4-Pegel-Signalisierung (PAM4) oder der NRZ-Signalisierung (Non-Return-to-Zero) und dem Signalpegel des Musters. PAM4 hat z. B. 4 Stufen, die den Symbolen 0, 1, 2 und 3 entsprechen, und NRZ hat zwei Stufen, entweder die Symbole 1 oder 0. In der folgenden Diskussion gibt die Variable 5 die Anzahl der Signalstufen der Signalisierungsart an. Das Datenmuster ist oft bekannt oder kann erkannt werden.
Die Länge des Kurzmusters wird durch eine Anzahl von Ul, N, festgelegt. Bei der Auswahl der Länge kann die Auswirkung des vorherigen Symbols auf das aktuelle Symbol berücksichtigt werden. 6 zeigt die Wellenformdatenbanken mit unterschiedlicher Anzahl vorheriger Symbole, die zum aktuellen Symbol 3 für ein PAM4-Signal führen. Betrachten Sie z. B. 1 bis 4 Nullen als Vorgängersymbole zum Symbol 3, das eine Signalisierungsebene in PAM4-Signalen darstellt. Da mehr Symbole zu berücksichtigen sind, ist die Wellenformdatenbank für ein aktuelles Symbol sauberer, d. h. es gibt weniger gemischte Einflüsse durch vorherige Symbole. Wie hier verwendet, bedeutet der Begriff „Wellenformdatenbank“ eine Sammlung aller Teile der Gesamtwellenform des Musters, die das gleiche Symbolmuster über die gegebene kurze Musterlänge N aufweisen. Wie weiter unten näher erläutert wird, kann das System Teilmengen der Datenbanken verwenden, wobei die verwendete Teilmenge von dem interessierenden Muster und/oder der an der erfassten Wellenform vorzunehmenden Messung abhängt.
Oben links umfasst die Wellenformdatenbank alle gezeigten Kurzmuster-Wellenformen, jede über 2 Uls, und jede mit einer Musterlänge von 2, wobei das Kurzmuster 03 ist. Oben rechts zeigt die Wellenformdatenbank für Kurzmuster-Wellenformen mit zwei 0-Symbolen vor dem 3-Symbol, wobei das Kurzmuster 003 ist, über 3 Uls. Die untere linke Seite zeigt die Wellenformdatenbank für 4 Symbole, wobei das kurze Muster 0003 ist, und die untere rechte Seite für 5 Symbole, wobei das kurze Muster 00003 ist.
Der Entwurf des Empfänger-Equalizers kompensiert die Kanalbeeinträchtigung, z. B. den Kanalverlust. Der Kanalverlust spiegelt sich in der Intersymbol-Interferenz wider. Bei Messungen, die einen Equalizer erfordern, kann die Länge des kurzen Musters so gewählt werden, dass es der Reichweite des Equalizers entspricht. Dies liefert die wesentlichen Informationen über die Zeitsequenz, so dass die in den Block für maschinelles Lernen eingespeisten Daten ein genaues Modell ergeben und genaue Messergebnisse liefern.
Für die TDECQ-Messung ist beispielsweise ein FFE mit 5 Abgriffen erforderlich, so dass der Prozess die Länge des Kurzmusters auf 5 setzt. Wie in 7 dargestellt, enthalten die aus den SSPRQ-Datenmustern erstellten Kurzmuster-Wellenformdatenbanken die Zeitsequenzinformationen für jedes Kurzmuster, so dass das maschinelle Lernsystem die wesentlichen Informationen der Daten erfassen kann, um genaue Messergebnisse zu erhalten. Die obere Reihe der Bilder zeigt die Kurzmuster-Wellenformdatenbanken für die Symbolsequenzen 00030, 01030 und 02030 von links nach rechts. Die mittlere Reihe zeigt die Kurzmuster-Datenbanken für die Symbolfolgen 03030, 00300 und 10300 von links nach rechts. Die untere Reihe zeigt die Symbolsequenzen 20300 und 30300.
Um diese Datenbanken nutzen zu können, muss das maschinelle Lernsystem zunächst die Wellenformen als Eingabe in einem Format erhalten, das schnelle und genaue Trainings- und Laufzeiten ermöglicht. Zurück zu 1: Die Test- und Messvorrichtung, z. B. ein Oszilloskop 20, empfängt die Signale von den Transceivern und erzeugt die Wellenformen. Es sei darauf hingewiesen, dass es sich bei den zu testenden Vorrichtungen (DUTs) in dieser Diskussion zwar um optische Transceiver handelt, das hier verwendete System und die Methoden jedoch für jede Art von DUT gelten, ob optisch oder elektrisch.
8 zeigt eine Ausführungsform einer Test- und Messvorrichtung 20, die mit einem maschinellen Lernsystem 46 verwendet werden kann, um Leistungsmessungen für DUTs wie 34 durchzuführen. Die Test- und Messvorrichtung ist im Allgemeinen über eine Sonde 32 mit dem DUT 34 verbunden. Wie in 1 beschrieben, kann der Eingangspfad einen optisch-elektrischen Wandler enthalten, um ein eingehendes optisches Signal in ein elektrisches Signal umzuwandeln. Die Erfassungsschaltung (acquisition circuitry, ACQ) 36 der Vorrichtung 20 kann Analog-Digital-Wandler (ADCs) enthalten, die das eingehende Signal digitalisieren, sowie Hardware zur Taktrückgewinnung und Triggerung, die das Timing liefert. Ein Prozessor 38 kann die Erfassungshardware und die Umwandlung des Signals in eine Wellenform steuern. Auf dem Display 42 wird die resultierende Wellenform für den Benutzer angezeigt. Benutzerschnittstellenvorrichtungen (user interface; UI) 44, die auch Touchscreens auf dem Display umfassen können, ermöglichen es dem Benutzer, mit dem Gerät zu interagieren und aus voreingestellten Menüs auszuwählen. Die Auswahl kann die Art der für die Wellenformen gewünschten Messungen, die Länge der Kurzmuster-Wellenformen usw. umfassen. Die Länge kann sich aus vorgewählten oder voreingestellten Variablen im System ergeben, usw.
Der Speicher 40 kann es dem Prozessor ermöglichen, die Wellenformdaten zu speichern und mit ihnen zu arbeiten, und er kann ausführbaren Code speichern. Das Gesamtsystem, einschließlich der Test- und Messvorrichtung, verfügt über einen oder mehrere Prozessoren, die so ausgebildet sind, dass sie Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, verschiedene hier beschriebene Aufgaben auszuführen. Der eine oder die mehreren Prozessoren können einen oder mehrere Prozessoren an der Test- und Messvorrichtung und einen oder mehrere Prozessoren in dem maschinellen Lernsystem 46 umfassen. Das maschinelle Lernsystem kann ein separates Computergerät oder mehrere Computergeräte umfassen, die Daten von der Test- und Messvorrichtung empfangen. In einer separaten Datenbankstruktur 48 können alle Wellenformdatenbanken gespeichert werden, oder sie können einen Teil des maschinellen Lernsystems und seiner Rechnereinrichtung(en) umfassen.
Beim Empfang des Signals vom DUT erzeugt die Test- und Messvorrichtung eine Wellenform des Signals und wendet einen oder mehrere Equalizer auf die Wellenform an. Das bedeutet, dass der Equalizer auf die Samples einwirkt, aus denen die Wellenform besteht. Ein oder mehrere Prozessoren im System können diese Aufgaben erfüllen. Das System empfängt eine Eingabe, die eine Länge N des kurzen Musters in Form einer Anzahl von Uls angibt. Wie bereits erwähnt, kann der Benutzer diese Eingabe machen, oder das System kann sie aus vordefinierten Parametern usw. bestimmen. In ähnlicher Weise werden eine oder mehrere gewünschte Leistungsmessung(en), wie z. B. TDECQ oder andere Messungen, ermittelt. In einigen Ausführungsformen kann die Länge des kurzen Musters automatisch auf der Grundlage der ausgewählten Messung bestimmt werden. Wird beispielsweise die TDECQ-Messung ausgewählt, kann das System die Länge des kurzen Musters automatisch auf 5 UI festlegen, was der Reichweite des für die TDECQ-Messung spezifizierten FFE-Equalizers mit 5 Abgriffen entspricht.
Das System scannt dann die Wellenform nach bekannten Mustern dieser Länge, um eine Reihe von Kurzmuster-Wellenformen zu erzeugen. In einer Ausführungsform kann das System die Kurzmuster-Wellenformen in Tensoren umwandeln, aber für die Zwecke der Diskussion hier werden diese immer noch als Kurzmuster-Wellenformen betrachtet. Sobald die kurzen Muster identifiziert sind, werden sie an das maschinelle Lernsystem übermittelt. Das maschinelle Lernsystem gibt dann die Werte der gewünschten Messung(en) zurück. Das System arbeitet viel schneller und liefert die Werte für die Messungen viel schneller als die Berechnung der Messungen auf herkömmliche Weise.
9 zeigt eine Ausführungsform einer maschinellen Lernstruktur unter Verwendung der Kurzmuster-Wellenform-Datenbank. Die Kurzmuster-Wellenform-Datenbanken können die Form eines maschinenlernfreundlichen Formats annehmen, wie z. B. Tensoren 50 als Eingabe für das neuronale Netz zum Training und zum Testen. Die Ausgaben sind die Messergebnisse. Das Messergebnis kann ein skalarer Wert oder ein Vektor sein, der als Label für das maschinelle Lernen verwendet werden kann. Beim Training werden sowohl die Kurzmuster-Wellenformen als auch die Messergebnisse verwendet. Beim Testen wird nur die Kurzmuster-Wellenform verwendet, um das Messergebnis zu erhalten.
Der Trainingsprozess beinhaltet ein Verfahren zur Auswahl der Länge des Kurzmusters. Sie kann mit einem kleinen Wert beginnen, z. B. 3. Die Anzahl der möglichen kurzen Symbolsequenzen L wird durch die Signalpegel S und die Kurzmusterlänge N in Gleichung (2) bestimmt. $L = S^{N}$
Für die PAM4-Signalisierung gibt es beispielsweise 4³ = 64 Wellenformdatenbanken für ein kurzes 3-Symbol-Muster. Für die NRZ-Signalisierung kann es 2³ = 8 Wellenformdatenbanken für ein 3-Symbol-Kurzmuster geben. Wie bereits erwähnt, kann dies zu extrem großen Datenbanken führen, die alle Kurzmuster in einer bestimmten Datenbank abdecken. Wenn beispielsweise bei der PAM4-Signalisierung N=5 ist, gibt es 4⁵ oder 1024 mögliche Kurzmuster. Das Training des maschinellen Lernsystems würde viele Beispiele für jedes der 1024 möglichen Kurzmuster mit den zugehörigen Messungen erfordern. Dies würde zu viel Zeit und zu viele Ressourcen für das Training des maschinellen Lernsystems erfordern.
In einer Ausführungsform verwendet das System eine Teilmenge der möglichen Kurzmuster aus der Datenbank und die zugehörigen Messungen für die Kurzmuster. Nehmen wir zum Beispiel an, dass das gewünschte Ergebnis das maschinelle Lernsystem in Form eines Deep-Learning-Netzwerks hat, um Abstimmungsparameter vorherzusagen, die sich auf die vier Stufen des PAM4-Signals auswirken. Das System würde vier kurze Muster verwenden, die aufeinanderfolgende Uls mit demselben Pegel haben. In einer Ausführungsform werden alle vier dieser Sequenzen in ein Tensorbild eingefügt, das die Eingabe für das Deep-Learning-System sowohl zur Laufzeit als auch zum Training darstellt. 10 zeigt ein Beispiel für ein Tensorbild mit vier Sequenzen für die vier Ebenen.
Beispielsweise könnte ein Abstimmungsparameter im System die Signalverstärkung anpassen, so dass alle vier Ebenen bei niedriger Verstärkungseinstellung näher beieinander und bei hoher Verstärkungseinstellung weiter auseinander liegen. Ein Offset-Regler im Sender würde dazu führen, dass sich alle vier Symbole im Bild vertikal verschieben oder absenken, die Abstände zwischen ihnen aber gleich bleiben. Ein dritter Senderparameter könnte dazu führen, dass sich sowohl Verstärkung als auch Offset ändern. Durch die Verwendung dieses Bildes, das eine Teilmenge der Kurzmusterdatenbanken darstellt, die alle möglichen Kurzmuster-Wellenformen enthalten, kann das Deep-Learning-Netzwerk die Auswirkungen aller drei Parameter leicht erkennen und Vorhersagen über ihre Werte treffen.
In einem anderen Beispiel könnte das maschinelle Lernsystem FFE-Abgriffe vorhersagen. Die Verwendung von Kurzmuster-Wellenformen, die Impulse wie in 11 gezeigt zeigen, funktioniert besser für das maschinelle Lernen, weil die FFE-Abgriffe die Impulsformen auf eine Weise beeinflussen, die es dem Deep-Learning-Netzwerk ermöglicht, die Impulsform mit einer Reihe von mehreren FFE-Abgriffen zu assoziieren. Das Bild in 11 zeigt ein einzelnes Tensorbild, das drei kurze Muster enthält, die horizontal aneinandergereiht sind. Jede Sequenz zeigt eine andere Impulshöhe von Level 0 des PAM4-Signals bis Level 1 für den ersten Impuls, Level 0 bis Level 2 für den zweiten Impuls und Level 0 bis Level 3 für den dritten Impuls. Das Deep-Learning-Netzwerk kann sich dieses Bild ansehen und vorhersagen, welche Werte die verschiedenen FFE-Abgriffe haben. Es gibt natürlich noch andere Anwendungen, diese Beispiele zeigen nur, wie das maschinelle Lernsystem die Bilder verwenden kann.
Wenn das maschinelle Lerntraining mit der aktuellen Einstellung für die Länge der Kurzmuster nicht das gewünschte Ergebnis liefert, kann der Prozess die Länge der Kurzmuster erhöhen und das Training erneut versuchen. Der Prozess kann auch eine andere Untergruppe von kurzen Trainingsmustern auswählen, die für das Training verwendet wird. Da die Kurzmusterlänge das verwendete Muster verändern würde, umfasst dies auch die Auswahl einer anderen Teilmenge von kurzen Trainingsmustern. Die für das Training verwendeten Kurzmuster-Wellenformen können als kurze Trainingsmusterwellenformen oder kurze Trainingsmuster bezeichnet werden.
Wie bereits erwähnt, basiert die kurze Muster-Länge auf der Reichweite des Equalizers, sollte diese aber nicht um „zu viel“ überschreiten. „Wenn der Equalizer beispielsweise ein FFE mit 5 Abgriffen ist, sollte die Muster-Länge 5 nicht um zu viele Uls überschreiten. Die Muster-Länge kann z. B. auf 5, 6 oder 7 eingestellt werden. Handelt es sich bei dem Equalizer um einen DFE mit 3 Abgriffen, dann sollte die Musterlänge 4 nicht zu sehr überschreiten, da der DFE nur die vorhergehenden 3 Symbole betrachtet. Die Bestimmung dessen, was „zu viel“ bedeutet, kann von der Art der Eingabe in das maschinelle Lernsystem abhängen. In einer Ausführungsform, in der die Eingabe des neuronalen Netzes Bilddaten sind, wie oben beschrieben, kann die Begrenzung der Bildgröße beispielsweise die Anzahl der Uls oder die Länge des Musters bestimmen. In einer Ausführungsform ist die Bildgröße auf 224 x 224 Pixel begrenzt, damit ein maschinelles Lernsystem eingesetzt werden kann, das für die Eingabe von Bildern dieser Größe ausgelegt ist.
Sobald der Prozess die richtige kurze Musterlänge gefunden hat, die zu den gewünschten maschinellen Lernergebnissen führt, kann der Prozess die Gewichte oder Koeffizienten in der Eingabeschicht 52 überprüfen. Dies ermöglicht die Identifizierung der Verbindungen, denen niedrige Gewichte zugeordnet sind, was einen Vergleich mit einem Schwellenwert beinhalten kann. Das System kann die entsprechenden Kurzmuster-Wellenform-Datenbanken aus der Eingabe entfernen, um die Größe der Eingabedaten zu reduzieren und zu sehen, ob die Trainingsergebnisse immer noch den Anforderungen entsprechen. Einige Tools für maschinelles Lernen verfügen über die Funktion der Dimensionsreduktion, um die Größe der Eingabedaten automatisch zu verringern. Man kann diesen Prozess als Dimensionalitätsreduktion bezeichnen.
Die bisherige Diskussion konzentrierte sich hauptsächlich auf die PAM-4-Signalisierung und die damit verbundenen Wellenformdatenbanken. Wenn man N auf andere Werte setzt, kann der Ansatz der Kurzmuster-Wellenform-Datenbank auch andere Ansätze für das maschinelle Lernen abdecken, wie z. B. den herkömmlichen Augendiagramm-Ansatz und den Ansatz der vollständigen Datenmuster-Wellenform.
Wenn N auf 1 gesetzt ist, gibt es 4 Kurzmuster-Wellenform-Datenbanken für PAM4-Signale, wie in 12 dargestellt, mit 0 oben links, 1 oben rechts, 2 unten links und 3 unten rechts. Die Überlagerung der 4 Wellenformdatenbanken ergibt ein herkömmliches Augendiagramm. Wenn die Länge N auf 1 gesetzt wird, kann man davon ausgehen, dass der Ansatz der Kurzmuster-Wellenformdatenbank für das maschinelle Lernen zu ähnlichen Ergebnissen führt, wie wenn das maschinelle Lernen herkömmliche Augendiagramme verwendet.
Wenn N auf die Länge des vollständigen Musters eingestellt ist, gibt es nur eine Kurzmuster-Wellenformdatenbank, die Daten enthält. Diese Kurzmuster-Wellenformdatenbank hat die gleiche Symbolfolge wie das vollständige Muster des Signals. Der Ansatz der Kurzmuster-Wellenformdatenbank ermöglicht eine flexible Einstellung von N, was eine Anpassung zwischen Genauigkeit und Geschwindigkeit der Messung durch maschinelles Lernen ermöglicht.
Dieser Ansatz kann auch andere Messungen verbessern, die nur begrenzte Zeitsequenzinformationen erfordern, wie z. B. die Messung des Intersymbol-Interferenz-Jitters und andere.
Aspekte der Offenlegung können auf einer speziell entwickelten Hardware, auf Firmware, digitalen Signalprozessoren oder auf einem speziell programmierten Allzweckcomputer mit einem Prozessor, der nach programmierten Anweisungen arbeitet, arbeiten. Die hier verwendeten Begriffe „Controller“ oder „Prozessor“ sollen Mikroprozessoren, Mikrocomputer, anwendungsspezifische integrierte Schaltungen (ASICs) und spezielle Hardware-Controller umfassen. Ein oder mehrere Aspekte der Offenbarung können in computerverwendbaren Daten und computerausführbaren Anweisungen verkörpert sein, beispielsweise in einem oder mehreren Programmmodulen, die von einem oder mehreren Computern (einschließlich Überwachungsmodulen) oder anderen Geräten ausgeführt werden. Im Allgemeinen umfassen Programmmodule Routinen, Programme, Objekte, Komponenten, Datenstrukturen usw., die bestimmte Aufgaben ausführen oder bestimmte abstrakte Datentypen implementieren, wenn sie von einem Prozessor in einem Computer oder einem anderen Gerät ausgeführt werden. Die computerausführbaren Anweisungen können auf einem nicht transitorischen, computerlesbaren Medium wie einer Festplatte, einer optischen Platte, einem Wechselspeichermedium, einem Festkörperspeicher, einem Random Access Memory (RAM) usw. gespeichert sein. Wie dem Fachmann klar sein wird, kann die Funktionalität der Programm-Module in verschiedenen Aspekten beliebig kombiniert oder verteilt werden. Darüber hinaus kann die Funktionalität ganz oder teilweise in Firmware oder Hardware-Äquivalenten wie integrierten Schaltungen, FPGA und dergleichen verkörpert sein. Bestimmte Datenstrukturen können verwendet werden, um einen oder mehrere Aspekte der Offenbarung effektiver zu implementieren, und solche Datenstrukturen werden im Rahmen der hier beschriebenen computerausführbaren Anweisungen und computerverwendbaren Daten in Betracht gezogen.
Die offengelegten Aspekte können in einigen Fällen in Hardware, Firmware, Software oder einer Kombination davon implementiert werden. Die offengelegten Aspekte können auch in Form von Befehlen implementiert werden, die auf einem oder mehreren nicht-übertragbaren computerlesbaren Medien gespeichert sind, die von einem oder mehreren Prozessoren gelesen und ausgeführt werden können. Solche Anweisungen können als Computerprogrammprodukt bezeichnet werden. Computerlesbare Medien, wie hier beschrieben, sind alle Medien, auf die ein Computer zugreifen kann. Computerlesbare Medien können zum Beispiel Computerspeichermedien und Kommunikationsmedien umfassen, ohne darauf beschränkt zu sein.
Computerspeichermedien sind alle Medien, die zum Speichern von computerlesbaren Informationen verwendet werden können. Zu den Computerspeichermedien gehören beispielsweise RAM, ROM, EEPROM (Electrically Erasable Programmable Read-Only Memory), Flash-Speicher oder andere Speichertechnologien, CD-ROM (Compact Disc Read Only Memory), DVD (Digital Video Disc) oder andere optische Plattenspeicher, Magnetkassetten, Magnetbänder, Magnetplattenspeicher oder andere magnetische Speichervorrichtungen sowie alle anderen flüchtigen oder nicht flüchtigen, entfernbaren oder nicht entfernbaren Medien, die in beliebigen Technologien eingesetzt werden. Computerspeichermedien schließen Signale als solche und vorübergehende Formen der Signalübertragung aus.
Kommunikationsmedien sind alle Medien, die für die Übertragung von computerlesbaren Informationen verwendet werden können. Zu den Kommunikationsmedien gehören beispielsweise Koaxialkabel, Glasfaserkabel, Luft oder jedes andere Medium, das für die Übertragung von elektrischen, optischen, Hochfrequenz- (HF), Infrarot-, akustischen oder anderen Signalen geeignet ist.
Außerdem wird in dieser schriftlichen Beschreibung auf bestimmte Merkmale verwiesen. Es ist davon auszugehen, dass die Offenbarung in dieser Spezifikation alle möglichen Kombinationen dieser besonderen Merkmale umfasst. Wenn zum Beispiel ein bestimmtes Merkmal im Zusammenhang mit einem bestimmten Aspekt offenbart wird, kann dieses Merkmal, soweit möglich, auch im Zusammenhang mit anderen Aspekten verwendet werden.
Auch wenn in dieser Anmeldung auf ein Verfahren mit zwei oder mehr definierten Schritten oder Vorgängen Bezug genommen wird, können die definierten Schritte oder Vorgänge in beliebiger Reihenfolge oder gleichzeitig ausgeführt werden, sofern der Kontext diese Möglichkeiten nicht ausschließt.
BEISPIELE
Im Folgenden werden Beispiele für die offengelegten Technologien aufgeführt. Eine Ausführungsform der Technologien kann eines oder mehrere und jede Kombination der unten beschriebenen Beispiele umfassen.
Beispiel 1 ist ein Verfahren, das Folgendes umfasst: Empfangen eines Signals von einer zu testenden Vorrichtung; Erzeugen einer Wellenform aus dem Signal; Anwenden eines Equalizers auf die Wellenform; Empfangen einer Eingabe, die eine oder mehrere an der Wellenform vorzunehmende Messungen identifiziert; Auswählen einer Anzahl von Einheitsintervallen (unit intervals; Uls); Abtasten der Wellenform, um Kurzmuster-Wellenformen mit einer Länge gleich der Anzahl von Uls zu identifizieren; Anwenden eines maschinellen Lernsystems auf die Kurzmuster-Wellenformen, um einen Wert für die eine oder mehrere Messungen zu erhalten; und Bereitstellen der Werte der einen oder mehreren Messungen für die Wellenform von dem maschinellen Lernsystem.
Beispiel 2 ist das Verfahren aus Beispiel 1, wobei die Anwendung des maschinellen Lernsystems auf die Kurzmuster-Wellenformen die Anwendung des maschinellen Lernsystems auf Tensoren als die Kurzmuster-Wellenformen umfasst.
Beispiel 3 ist das Verfahren nach einem der Beispiele 1 oder 2, wobei die Anwendung des maschinellen Lernsystems die Verwendung einer oder mehrerer Kurzmusterdatenbanken zur Analyse der Kurzmuster-Wellenform umfasst.
Beispiel 4 ist das Verfahren von Beispiel 3, wobei die Verwendung einer oder mehrerer Kurzmusterdatenbanken die Verwendung nur einer Teilmenge der einen oder mehreren Kurzmusterdatenbanken umfasst.
Beispiel 5 ist das Verfahren aus Beispiel 3, wobei die Verwendung einer oder mehrerer Kurzmusterdatenbanken ferner das Entfernen von Kurzmusterdatenbanken aus dem maschinellen Lernsystem umfasst, deren Koeffizientenwerte unter einem Schwellenwert liegen, um die Eingabedatengröße zu reduzieren.
Beispiel 6 ist das Verfahren nach einem der Beispiele 1 bis 5, wobei das Auswählen der Anzahl der Uls das Auswählen der Anzahl der Uls auf der Grundlage einer Anzahl von Abgriffen des Equalizers umfasst.
Beispiel 7 ist das Verfahren nach einem der Beispiele 1 bis 6, wobei die Auswahl der Anzahl der Uls die Auswahl der Anzahl der Uls auf der Grundlage der einen oder mehreren Messungen umfasst, die an der Wellenform vorzunehmen sind.
Beispiel 8 ist das Verfahren nach einem der Beispiele 1 bis 7, das ferner das Trainieren des maschinellen Lernsystems umfasst, wobei das Trainieren Folgendes umfasst: Setzen einer Länge eines zu verwendenden kurzen Musters; Auswählen eines Satzes von kurzen Trainingsmustern aus einer Wellenform und zugehörigen Messungen für den Satz von kurzen Trainingsmustern zur Verwendung durch das maschinelle Lernsystem als Datensätze; Testen des maschinellen Lernsystems, um zu bestimmen, ob die von dem maschinellen Lernsystem erzeugten Ergebnisse einem verlangten Ergebnis entsprechen; und Auswählen eines anderen Satzes von kurzen Trainingsmustern und Wiederholen des Testens unter Verwendung des anderen Satzes von kurzen Trainingsmustern, wenn die Ergebnisse nicht dem verlangten Ergebnis entsprechen.
Beispiel 9 ist das Verfahren von Beispiel 8, wobei das Auswählen des unterschiedlichen Satzes von kurzen Trainingsmustern das Auswählen eines unterschiedlichen Satzes von kurzen Trainingsmustern mit derselben Länge oder das Auswählen eines unterschiedlichen Satzes von kurzen Trainingsmustern mit einer längeren Länge umfasst.
Beispiel 10 ist das Verfahren von Beispiel 9, bei dem die Kurzmuster in einer Anzahl von Kurzmusterdatenbanken gespeichert werden, wobei die Anzahl L der Kurzmustersequenzdatenbanken von einer Anzahl von Signalpegeln 5, die in einer Art der Signalisierung verwendet werden, und einer Musterlänge N gemäß der Beziehung L = S^N abhängt.
Beispiel 11 ist ein Test- und Messsystem, das Folgendes umfasst: eine Test- und Messvorrichtung, die so ausgebildet ist, dass sie ein Signal von einer zu testenden Vorrichtung empfängt; und einen oder mehrere Prozessoren, die so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren zu Folgendem veranlasst: Erzeugen einer Wellenform aus dem Signal; Anwenden eines Equalizers auf die Wellenform; Empfangen einer Eingabe, die eine oder mehrere Messungen identifiziert, die an der Wellenform vorgenommen werden sollen; Auswählen einer Anzahl von Einheitsintervallen (Uls) für ein bekanntes Datenmuster; Abtasten der Wellenform nach den bekannten Datenmustern mit einer Länge der Anzahl von Uls; Identifizieren der bekannten Datenmuster als Kurzmuster-Wellenformen; Anwenden eines maschinellen Lernsystems auf die Kurzmuster-Wellenformen, um einen Wert für die eine oder mehreren Messungen zu erhalten; und Bereitstellen der Werte der einen oder mehreren Messungen für die Wellenform.
Beispiel 12 ist das Test- und Messsystem von Beispiel 11, wobei die Kurzmuster-Wellenformen aus Tensoren bestehen.
Beispiel 13 ist das Test- und Messsystem der Beispiele 11 oder 12, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, das maschinelle Lernsystem auf die Kurzmuster-Wellenformen anzuwenden, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, eine oder mehrere Kurzmuster-Wellenformdatenbanken zu verwenden.
Beispiel 14 ist das Test- und Messsystem von Beispiel 13, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, eine oder mehrere Kurzmuster-Wellenformdatenbanken zu verwenden, ferner einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, Kurzmuster-Wellenformdatenbanken aus dem maschinellen Lernsystem zu entfernen, die Koeffizientenwerte unterhalb eines Schwellenwerts aufweisen, um die Eingangsdatengröße zu reduzieren.
Beispiel 15 ist das Test- und Messsystem von Beispiel 13, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, eine oder mehrere Kurzmuster-Wellenformdatenbanken zu verwenden, ferner einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, nur eine Teilmenge der einen oder mehreren Kurzmuster-Wellenformdatenbanken zu verwenden.
Beispiel 16 ist das Test- und Messsystem eines der Beispiele 11 bis 15, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, eine Anzahl von Uls auszuwählen, einen Code umfasst, der eine Anzahl von Uls auf der Grundlage einer Anzahl von Abgriffen des Equalizers auswählt, die auf die Wellenform anzuwenden sind.
Beispiel 17 ist das Test- und Messsystem nach einem der Beispiele 11 bis 16, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, die Wellenform zu scannen, um die bekannten Datenmuster als Kurzmuster-Wellenformen zu identifizieren, einen Code zur Auswahl von Kurzmuster-Wellenformen umfasst und Zeitsequenzinformationen enthält.
Beispiel 18 ist das Test- und Messsystem aus einem der Beispiele 11 bis 17, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie Code ausführen, um das maschinelle Lernsystem zu trainieren, umfassend: Festlegen einer Länge eines zu verwendenden Kurzen Trainingsmusters und einer Teilmenge der kurzen Trainingsmuster mit der festgelegten Kurzmusterlänge; Auswählen einer Teilmenge verfügbarer kurzer Trainingsmuster aus einer Wellenform und zugehörigen Messungen für die kurzen Trainingsmuster, die einem maschinellen Lernsystem als Datensätze zur Verfügung gestellt werden sollen; Testen des maschinellen Lernsystems, um festzustellen, ob die von dem maschinellen Lernsystem erzeugten Ergebnisse einem verlangten Ergebnis entsprechen; und Auswählen einer anderen Teilmenge der kurzen Trainingsmuster und Wiederholen des Testens, wenn die Ergebnisse nicht einem verlangten Ergebnis entsprechen.
Beispiel 19 ist das Test- und Messsystem von Beispiel 18, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, eine andere Teilmenge der kurzen Trainingsmuster auszuwählen, das Auswählen einer anderen Teilmenge der kurzen Trainingsmuster mit einer gleichen Länge und einer anderen Teilmenge der kurzen Trainingsmuster mit einer längeren Länge umfasst.
Beispiel 20 ist das Test- und Messsystem eines der Beispiele 11 bis 19, wobei die Kurzmuster in einer Anzahl von Kurzmuster-Datenbanken gespeichert werden, wobei die Anzahl L der Kurzmuster-Sequenzdatenbanken von einer Anzahl von Signalpegeln 5, die in einer Signalisierungsart verwendet werden, und einer Musterlänge N gemäß der Beziehung L = S^N abhängt.
Obwohl bestimmte Aspekte der Offenbarung zum Zwecke der Veranschaulichung dargestellt und beschrieben wurden, können verschiedene Änderungen vorgenommen werden, ohne von Geist und Umfang der Offenbarung abzuweichen. Dementsprechend sollte die Offenbarung nicht eingeschränkt werden, außer durch die beigefügten Ansprüche.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 63/191908 [0001]
US 2020/059086 [0012]

Claims

Ein Verfahren, das Folgendes umfasst: Empfangen eines Signals von einer zu testenden Vorrichtung; Erzeugen einer Wellenform aus dem Signal; Anwenden eines Equalizers auf die Wellenform; Empfangen einer Eingabe, die eine oder mehrere Messungen identifiziert, die an der Wellenform vorgenommen werden sollen; Auswählen einer Anzahl von Einheitsintervallen (unit intervals; Uls); Abtasten der Wellenform, um Kurzmuster-Wellenformen mit einer Länge zu identifizieren, die der Anzahl der Uls entspricht; Anwenden eines maschinellen Lernsystems auf die Kurzmuster-Wellenformen, um einen Wert für die eine oder mehrere Messungen zu erhalten; und Bereitstellen der Werte der einen oder mehreren Messungen für die Wellenform durch das maschinelle Lernsystem.
Das Verfahren nach Anspruch 1, wobei das Anwenden des maschinellen Lernsystems auf die Kurzmuster-Wellenformen ein Anwenden des maschinellen Lernsystems auf Tensoren als Kurzmuster-Wellenformen umfasst.
Das Verfahren nach Anspruch 1 oder 2, wobei das Anwenden des maschinellen Lernsystems ein Verwenden einer oder mehrerer Kurzmusterdatenbanken umfasst, um die Kurzmuster-Wellenform zu analysieren.
Das Verfahren nach Anspruch 3, wobei das Verwenden einer oder mehrerer Kurzmusterdatenbanken ein Verwenden nur einer Teilmenge der einen oder mehreren Kurzmusterdatenbanken umfasst.
Das Verfahren nach Anspruch 3 oder 4, wobei das Verwenden einer oder mehrerer Kurzmusterdatenbanken ferner ein Entfernen von Kurzmusterdatenbanken aus dem maschinellen Lernsystem umfasst, deren Koeffizientenwerte unter einem Schwellenwert liegen, um eine Eingangsdatengröße zu verringern.
Das Verfahren nach einem der Ansprüche 1 bis 5, wobei das Auswählen der Anzahl der Benutzeroberflächen ein Auswählen der Anzahl der Benutzeroberflächen auf der Grundlage einer Anzahl von Abgriffen des Equalizers umfasst.
Das Verfahren nach einem der Ansprüche 1 bis 6, wobei die Auswahl der Anzahl der Uls die Auswahl der Anzahl der Uls auf der Grundlage der einen oder mehreren Messungen umfasst, die an der Wellenform vorzunehmen sind.
Das Verfahren nach einem der Ansprüche 1 bis 7, das ferner das Trainieren des maschinellen Lernsystems umfasst, wobei das Training Folgendes umfasst: Einstellen einer Länge eines zu verwendenden Kurzmusters; Auswählen eines Satzes von kurzen Trainingsmustern aus einer Wellenform und zugehörigen Messungen für den Satz von kurzen Trainingsmustern zur Verwendung durch das maschinelle Lernsystem als Datensätze; Testen des maschinellen Lernsystems, um festzustellen, ob die von dem maschinellen Lernsystem erzeugten Ergebnisse einem verlangten Ergebnis entsprechen; und Auswählen eines anderen Satzes von kurzen Trainingsmustern und Wiederholen des Tests unter Verwendung des anderen Satzes von kurzen Trainingsmustern, wenn die Ergebnisse nicht dem verlangtem Ergebnis entsprechen.
Das Verfahren nach Anspruch 8, wobei das Auswählen des unterschiedlichen Satzes von kurzen Trainingsmustern ein Auswählen eines unterschiedlichen Satzes von kurzen Trainingsmustern mit derselben Länge oder ein Auswählen eines unterschiedlichen Satzes von kurzen Trainingsmustern mit einer längeren Länge umfasst.
Das Verfahren nach einem der Ansprüche 1 bis 9, bei dem die Kurzmuster in einer Anzahl von Kurzmuster-Datenbanken gespeichert werden, wobei die Anzahl L der Kurzmuster-Sequenz-Datenbanken von einer Anzahl von Signalpegeln 5, die in einer Signalisierungsart verwendet werden, und einer Musterlänge N gemäß der Beziehung L = S^N abhängt.
Ein Test- und Messsystem, das Folgendes umfasst: eine Test- und Messvorrichtung, die so ausgebildet ist, dass sie ein Signal von einer zu testenden Vorrichtung empfängt; und einen oder mehrere Prozessoren, die so ausgebildet sind, dass sie Code ausführen, der den einen oder die mehreren Prozessoren zu Folgendem veranlasst: Erzeugen einer Wellenform aus dem Signal; Anwenden eines Equalizers auf die Wellenform; Empfangen einer Eingabe, die eine oder mehrere Messungen identifiziert, die an der Wellenform vorgenommen werden sollen; Auswählen einer Anzahl von Einheitsintervallen (Uls) für ein bekanntes Datenmuster; Abtasten der Wellenform nach den bekannten Datenmustern die eine Länge der Anzahl der Uls haben; Identifizieren der bekannten Datenmuster als Kurzmuster-Wellenformen; Anwenden eines maschinellen Lernsystems auf die Kurzmuster-Wellenformen, um einen Wert für die eine oder mehrere Messungen zu erhalten; und Bereitstellen der Werte der einen oder mehreren Messungen für die Wellenform vom maschinellen Lernsystem.
Das Test- und Messsystem nach Anspruch 11, wobei die Kurzmuster-Wellenformen Tensoren umfassen.
Das Test- und Messsystem nach Anspruch 11 oder 12, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, das maschinelle Lernsystem auf die Kurzmuster-Wellenformen anzuwenden, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, eine oder mehrere Kurzmuster-Wellenformdatenbanken zu verwenden.
Das Test- und Messsystem nach Anspruch 13, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, eine oder mehrere Kurzmuster-Wellenform-Datenbanken zu verwenden, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, Kurzmuster-Wellenform-Datenbanken aus dem maschinellen Lernsystem zu entfernen, deren Koeffizientenwerte unter einem Schwellenwert liegen, um die Größe der Eingabedaten zu verringern.
Das Test- und Messsystem nach Anspruch 13 oder 14, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, eine oder mehrere Kurzmuster-Wellenformdatenbanken zu verwenden, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, nur eine Teilmenge der einen oder mehreren Kurzmuster-Wellenformdatenbanken zu verwenden.
Das Test- und Messsystem nach einem der Ansprüche 11 bis 15, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, eine Anzahl von Uls auszuwählen, einen Code umfasst, um eine Anzahl von Uls auf der Grundlage einer Anzahl von Abgriffen des Equalizers auszuwählen, die auf die Wellenform anzuwenden sind.
Das Test- und Messsystem nach einem der Ansprüche 11 bis 16, wobei der Code der den einen oder die mehreren Prozessoren veranlasst, die Wellenform abzutasten, um die bekannten Datenmuster als Kurzmuster-Wellenformen zu identifizieren, einen Code zur Auswahl von Kurzmuster-Wellenformen umfasst und Zeitsequenzinformationen enthält.
Das Test- und Messsystem nach einem der Ansprüche 11 bis 17, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie Code ausführen, um das maschinelle Lernsystem zu trainieren, das den einen oder die mehreren Prozessoren zu Folgendem veranlasst: Festlegen einer Länge eines zu verwendenden kurzen Trainingsmusters und einer Teilmenge der kurzen Trainingsmuster mit der festgelegten kurzen Musterlänge; Auswählen einer Teilmenge verfügbarer kurzer Trainingsmuster aus einer Wellenform und zugehörigen Messungen für die kurzen Trainingsmuster, die einem maschinellen Lernsystem als Datensätze zur Verfügung gestellt werden sollen; Testen des maschinellen Lernsystems, um festzustellen, ob die von dem maschinellen Lernsystem erzeugten Ergebnisse einem verlangten Ergebnis entsprechen; und Auswählen einer anderen Teilmenge der kurzen Trainingsmuster und Wiederholen des Tests, wenn die Ergebnisse nicht dem verlangten Ergebnis entsprechen.
Das Test- und Messsystem nach Anspruch 18, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, eine andere Teilmenge der kurzen Trainingsmuster auszuwählen, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, eine andere Teilmenge der kurzen Trainingsmuster mit einer gleichen Länge auszuwählen oder eine andere Teilmenge der kurzen Trainingsmuster mit einer längeren Länge auszuwählen.
Das Test- und Messsystem nach einem der Ansprüche 11 bis 19, wobei die Kurzmuster in einer Anzahl von Kurzmuster-Datenbanken gespeichert werden, wobei die Anzahl L der Kurzmuster-Sequenz-Datenbanken von einer Anzahl von Signalpegeln 5, die in einer Signalisierungsart verwendet werden, und einer Musterlänge N gemäß der Beziehung L = S^N abhängt.