DE102022119966A1 - Maschinelles lernen für abgriffe zur beschleunigung von tdecq und anderen messungen - Google Patents
Maschinelles lernen für abgriffe zur beschleunigung von tdecq und anderen messungen Download PDFInfo
- Publication number
- DE102022119966A1 DE102022119966A1 DE102022119966.5A DE102022119966A DE102022119966A1 DE 102022119966 A1 DE102022119966 A1 DE 102022119966A1 DE 102022119966 A DE102022119966 A DE 102022119966A DE 102022119966 A1 DE102022119966 A1 DE 102022119966A1
- Authority
- DE
- Germany
- Prior art keywords
- waveform
- training
- test
- generate
- processors
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 93
- 238000010801 machine learning Methods 0.000 title claims abstract description 46
- 208000034953 Twin anemia-polycythemia sequence Diseases 0.000 title description 2
- 238000012360 testing method Methods 0.000 claims abstract description 85
- 238000003491 array Methods 0.000 claims abstract description 28
- 238000010998 test method Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 53
- 238000000034 method Methods 0.000 claims description 41
- 230000003287 optical effect Effects 0.000 claims description 15
- 239000000523 sample Substances 0.000 claims description 15
- 230000004399 eye closure Effects 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 5
- 239000000835 fiber Substances 0.000 claims description 4
- 239000013307 optical fiber Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
- G06F11/273—Tester hardware, i.e. output processing circuits
- G06F11/2733—Test interface between tester and unit under test
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
- G06F11/267—Reconfiguring circuits for testing, e.g. LSSD, partitioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Dc Digital Transmission (AREA)
- Optical Communication System (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
Ein Test- und Messinstrument hat einen Eingang, der so ausgebildet ist, dass er ein Signal von einer zu testenden Vorrichtung empfängt, einen Speicher, eine Benutzerschnittstelle, die es dem Benutzer ermöglicht, Einstellungen für das Test- und Messinstrument einzugeben, und einen oder mehrere Prozessoren, wobei der eine oder die mehreren Prozessoren so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, Folgendes zu tun: Erfassen einer Wellenform, die das von der zu testenden Vorrichtung empfangene Signal repräsentiert; Erzeugen eines oder mehrerer Tensor-Arrays auf der Grundlage der Wellenform; Anwenden von maschinellem Lernen auf das eine oder die mehreren Tensor-Arrays, um Entzerrer-Abgriffswerte zu erzeugen; und Anwenden von Entzerrung auf die Wellenform unter Verwendung der Entzerrer-Abgriffswerte, um eine entzerrte Wellenform zu erzeugen; und Durchführen einer Messung an der entzerrten Wellenform, um einen Wert zu erzeugen, der sich auf eine Leistungsanforderung für die zu testende Vorrichtung bezieht. Ein Verfahren zum Testen einer zu testenden Vorrichtung umfasst das Erfassen einer Wellenform, die ein von der zu testenden Vorrichtung empfangenes Signal darstellt, das Erzeugen eines oder mehrerer Tensor-Arrays auf der Grundlage der Wellenform, das Anwenden von maschinellem Lernen auf das eine oder die mehreren Tensor-Arrays, um Entzerrer-Abgriffswerte zu erzeugen, das Anwenden der Entzerrer-Abgriffswerte auf die Wellenform, um eine entzerrte Wellenform zu erzeugen, das Durchführen einer Messung an der entzerrten Wellenform, um einen Wert zu erzeugen, der mit einer Leistungsanforderung für die zu testende Vorrichtung in Beziehung steht.
Description
- QUERVERWEIS AUF VERWANDTE ANMELDUNGEN
- Diese Offenbarung beansprucht die Vorteile der vorläufigen
US-Anmeldung Nr. 63/232,580 - GEBIET DER TECHNIK
- Die vorliegende Offenbarung bezieht sich auf Test- und Messsysteme, insbesondere auf Systeme zur Optimierung von Bauteilparametern und Leistungsmessungen.
- HINTERGRUND
- Wenn die Signalgeschwindigkeit steigt, verwenden Sender und Empfänger in der Regel Entzerrer, um die Systemleistung zu verbessern. Die IEEE 100G/400G-Ethernet-Normen definieren beispielsweise die Messung mit einem 5-Tap-Feed-Forward-Equalizer (FFE). Siehe z. B. „IEEE 802.3cd-2018“.http://standards.ieee.org/develop/project/802.3cd.html, 2018; „IEEE 802.3bs-2017“, http://standards.ieee.org/findstds/standard/802.3bs-2017.html 2017.
- Viele Normen enthalten Leistungsmessungen, die die zu testenden Vorrichtungen erfüllen müssen. Einige Normen verlangen, dass die Messungen zur Erfüllung der Norm an den entzerrten Signalen durchgeführt werden. Die IEEE 802.3-Normen für 100G/400G spezifizieren zum Beispiel die Messung von Transmitter und Dispersion Eye Closure (TDECQ) als Hauptkriterium für das Bestehen/Nichtbestehen der optischen 26-GBaud- und 53-GBaud-PAM4-Signalübertragung. Siehe id. Die TDECQ-Messung umfasst einen FFE mit 5 Abgriffen. Die Optimierung der FFE-Abgriffe verbessert die Geräteleistung und erhöht die Wahrscheinlichkeit, dass das Gerät die Anforderungen der Standardspezifikation erfüllt.
- Die Beschleunigung dieses Prozesses spart Zeit und senkt die Kosten. In manchen Produktionslinien, in denen die zu testenden Vorrichtungen (DUTs) in die Zehntausende gehen, kann es Sekunden dauern, bis ein Test abgeschlossen ist. Eine Verkürzung dieser Zeit auf eine Sekunde oder weniger würde die Produktion steigern und die Kosten senken.
- Figurenliste
-
-
1 zeigt ein Test- und Messinstrument in einer Ausführungsform. -
2 zeigt eine Illustration einer quaternären Sender- und Dispersionsaugenschlussmessung (TDECQ). -
3 zeigt ein Beispiel für ein Verfahren zur Optimierung von FFE-Abgriffen für eine Leistungsmessung. -
4 zeigt Beispiele von Augendiagrammen vor und nach FFE. -
5 zeigt eine grafische Darstellung von Ausgangs-FFE-Abgriffen. -
6 zeigt eine Ausführungsform eines Verfahrens zur Erzeugung von Tensoren aus einer Wellenform. -
7 zeigt eine Ausführungsform eines Verfahrens zum Trainieren eines maschinellen Lernnetzes zur Durchführung einer FFE-Abgriffs-Optimierung. -
8 zeigt eine Ausführungsform eines Verfahrens zur Verwendung von maschinellem Lernen, um optimierte FFE-Abgriffe für eine komplexe Messung bereitzustellen. - BESCHREIBUNG
- Mit Techniken des maschinellen Lernens kann die Geschwindigkeit komplexer Messungen, wie z. B. Transmitter and Dispersion Eye Closure Quaternary (TDECQ)-Messungen, erheblich verbessert werden. Die Verbesserung der Messgeschwindigkeit führt zu einer Steigerung des Produktionsdurchsatzes, zum Beispiel in einer Fertigungsstraße. Für die Prüfung von Hochgeschwindigkeitssignalen wurde das Augendiagramm des Signals durch maschinelles Lernen verwendet, um Messergebnisse zu erhalten. Die vollständige oder partielle Wellenform des Musters wird ebenfalls für maschinelles Lernen zur Messung verwendet. U. S. Pat. App. Nr. 17/747,954, „SHORT PATTERN WAVEFORM DATABASE BASED MACHINE LEARNING FOR MEASUREMENT“, eingereicht am 18. Mai 2022 (hier als „Kan“ bezeichnet), dessen Inhalt hiermit durch Bezugnahme aufgenommen wird, beschreibt eine alternative Technik zur Verwendung einer Kurzmuster-Wellenform-Datenbank für maschinelles Lernen zum Messen. Basierend auf der in Kan beschriebenen Methode beschreiben die vorliegenden Ausführungsformen eine neue Methode, welche das maschinelle Lernen nutzt, um die zeitaufwändigsten Schritte bei Messungen zu beschleunigen und die Gesamtmesszeit zu reduzieren.
- Es sei darauf hingewiesen, dass sich die nachstehende Erörterung aus Gründen des besseren Verständnisses auf Feed-Forward-Entzerrer (FFE; Feed Forward Equalizer) mit 5 Abgriffen konzentriert, die hier beschriebenen Techniken jedoch für die Optimierung einer beliebigen Anzahl von Entzerrer- oder Filteranzapfungen für jede Art von Entzerrer gelten. Auch wenn die im Folgenden verwendete Leistungsmessung die TDECQ-Messung umfasst, kann jede Leistungsmessung, die an entzerrten Wellenformen vorgenommen wird, von der Anwendung der hier beschriebenen Ausführungsformen profitieren. Der hier verwendete Begriff „entzerrte Wellenform“ bedeutet eine Wellenform nach Anwendung eines Entzerrers.
- Die hier beschriebenen Ausführungsformen umfassen ein Test- und Messinstrument, wie z. B. ein Oszilloskop, das zum Testen einer zu testenden Vorrichtung (DUT) verwendet wird. Ein Beispiel, das im Folgenden erörtert wird, betrifft ein Verfahren zum Testen von DUTs, die optische Sende- und Empfangsgeräte oder Sender umfassen, wobei die Ausführungsformen für jedes DUT-Signal gelten können.
-
1 zeigt eine Ausführungsform eines Testaufbaus im Falle eines optischen Senders 14 als DUT. Der Testaufbau umfasst ein Test- und Messsystem, das ein Test- und Messinstrument wie z. B. ein Oszilloskop 10 enthalten kann. Das Test- und Messinstrument 10 empfängt an einem Eingang ein Signal vom DUT 14, typischerweise über eine Instrumentensonde 16. Im Falle eines optischen Senders besteht die Sonde in der Regel aus einer Testfaser, die mit einem optisch-elektrischen Wandler 18 verbunden ist, der ein Signal an das Test- und Messinstrument liefert. Das Signal wird von dem Instrument abgetastet und digitalisiert, um eine erfasste Wellenform zu erhalten. Eine Taktrückgewinnungseinheit (CRU) 20 kann das Taktsignal aus dem Datensignal zurückgewinnen, wenn das Test- und Messinstrument 10 zum Beispiel ein Abtastoszilloskop umfasst. Das Test- und Messinstrument verfügt über einen oder mehrere Prozessoren, die durch den Prozessor 12 dargestellt werden, einen Speicher 22 und eine Benutzerschnittstelle (U/l) 26. Im Speicher können ausführbare Befehle in Form von Code gespeichert werden, die bei Ausführung durch den Prozessor den Prozessor veranlassen, Aufgaben auszuführen. Der Speicher kann auch eine oder mehrere erfasste Wellenformen speichern. Die Benutzerschnittstelle 26 des Test- und Messinstruments ermöglicht es dem Benutzer, mit dem Gerät 10 zu interagieren, z. B. um Einstellungen einzugeben, Tests zu konfigurieren usw. Das Test- und Messinstrument kann auch einen Referenz-Entzerrer und ein Analysemodul 24 enthalten. - In den vorliegenden Ausführungsformen wird maschinelles Lernen in Form eines maschinellen Lernnetzwerks 30, beispielsweise eines Deep-Learning-Netzwerks, eingesetzt. Das maschinelle Lernnetzwerk kann einen Prozessor umfassen, der mit dem maschinellen Lernnetzwerk entweder als Teil des Test- und Messinstruments programmiert wurde oder auf den das Test- und Messinstrument Zugriff hat. Da sich die Fähigkeiten von Prüfgeräten und Prozessoren weiterentwickeln, kann der Prozessor 12 beides umfassen.
- Wie bereits erwähnt, umfasst das komplexe Messbeispiel, bei dem ein Entzerrer zum Einsatz kommt, die TDECQ-Messung unter Verwendung eines FFE mit fünf Abgriffen.
2 zeigt eine Illustration einer TDECQ-Messung. Dieses Diagramm ergibt sich aus einem Feed-Forward-Entzerrer (FFE) mit fünf Anzapfungen und einem Abstand der Anzapfungen von einem Einheitsintervall (1UI), der so optimiert ist, dass der TDECQ-Wert minimiert wird. - Der TDECQ-Wert wird nach der folgenden Formel berechnet:
2 dargestellten Augendiagramm hinzugefügt werden kann und immer noch das größere Symbolfehlerverhältnis an den beiden vertikalen Slicern mit einem Abstand von 0,1U! von 4,8e-4 ergibt. Der Wert von σS ist das „Scope“- oder Instrumentenrauschen, das aufgezeichnet wird, wenn kein Signal in das O/E-Modul eingespeist wird. - Eine einzelne TDECQ-Messung für das Compliance-Muster SSPRQ (short stress pattern random quaternary) dauert mit herkömmlichen Methoden nur Sekunden. Der zeitaufwändigste Schritt bei der Messung ist die Anpassung der FFE-Abgriffe. In der IEEE-Spezifikation ist das Verfahren zur Berechnung des TDECQ-Wertes mit den FFE-Abgriffen ausdrücklich festgelegt.
3 zeigt ein Blockdiagramm dieses Prozesses. - Das Test- und Messinstrument mit einem oder mehreren Prozessoren empfängt die Wellenform 40 und optimiert die FFE-Abgriffswerte bei 42, um optimierte FFE-Abgriffe 44 zu erzeugen. Dieser Prozess kann eine von vielen verschiedenen Methoden zur Bestimmung der optimierten Abgriffe verwenden. Die sich daraus ergebenden Abgriffe verbessern das Augendiagramm, wie in
4 dargestellt.4 zeigt das Augendiagramm vor dem FFE auf der linken Seite und nach dem FFE auf der rechten Seite. Das Augendiagramm nach FFE weist eine größere Augenöffnung auf.5 zeigt eine grafische Darstellung der FFE-Abgriffe. - Zurück zu
3 : Der Messprozess 46 wendet die optimierten Abgriffe auf die Wellenform an und führt die Messung bei 46 auf eine von vielen herkömmlichen Arten durch. Wie bereits erwähnt, kann die Messung auf der Grundlage einer Leistungsanforderung erfolgen, z. B. eines Bereichs oder eines bestimmten Werts für die Messung wie dem TDECQ-Wert. Der Messwert bestimmt, ob das DUT die Leistungsanforderung erfüllt oder nicht. - Die TDECQ-Gesamtmessung des Konformitätsmusters SSPRQ (short stress pattern random quaternary) kann für jedes DUT einige Sekunden in Anspruch nehmen. Im Falle einer Fertigungslinie, die Zehntausende von optischen Transceivern als DUTs testet, hat eine Reduzierung dieser Zeit einen massiven Einfluss auf die Produktionsgeschwindigkeit. Wie bereits erwähnt, nimmt die Optimierung der Abgriffe für eine bestimmte Wellenform die meiste Zeit der gesamten Messung in Anspruch. Eine Verkürzung der Optimierungszeit wird daher die Produktion beschleunigen und die Kosten senken.
- Die hier vorgestellten Ausführungsformen verwenden das maschinelle Lernnetzwerk, um die FFE-Abgriffe für die Wellenform zu bestimmen und die Zeit auf weniger als eine Sekunde pro DUT zu reduzieren. Ein Aspekt dieses Ansatzes verwendet den Tensor-Generator für Kurzwellenform-Datenbanken, der in „Kan“ (siehe oben) beschrieben wird.
6 zeigt eine Ausführungsform dieses Verfahrens. Die vom DUT empfangene Wellenform 40 wird vom Generator 50 in eine Array von Tensorbildern umgewandelt, die auch als Tensor-Array bezeichnet werden. Er erzeugt ein Array von 2D-Histogrammbildern, die kurze Längen oder Teile des Wellenformmusters abdecken. Jedes Element des Tensor-Arrays ist ein anderes Bild, das eine Überlagerung mehrerer Instanzen eines bestimmten kurzen Musters in der Wellenform 40 enthält. Das Muster ist für jeden Tensor im Array unterschiedlich. Zum Beispiel kann ein Element des Tensor-Arrays ein überlagertes Bild aller Instanzen des kurzen 3-Symbol-Längen-Musters der Symbole 0, 1, 0 in der Wellenform 40 sein, ein anderes Element des Tensor-Arrays kann ein überlagertes Bild aller Instanzen des kurzen 3-Symbol-Längen-Musters der Symbole 0, 2, 0 in der Wellenform 40 sein, und so weiter.6 zeigt auch ein Beispiel für ein resultierendes Tensor-Array 52. - Das Verfahren liefert optimierte FFE-Abgriffe für jede Muster-Wellen-Form, wie in
7 dargestellt. Die optimierten FFE-Abgriffe werden den Eingangstensoren zugeordnet, da sie von denselben Muster-Wellen-Formen stammen. Die Eingangstensoren und die entsprechenden FFE-Abgriffe als Labels werden zu Trainingsdaten, die in das maschinelle Lernnetzwerk 56 eingespeist werden. Die eingehende Wellenform 40 wird bei 42 einer FFE-Abgriffs-Optimierung unterzogen, wobei eine beliebige bestehende Methode verwendet wird, um Trainings-FFE-Abgriffe 44 für diese Wellenform zu erzeugen. Der Tensor-Generator 50 für die Kurzmuster-Wellenformdatenbank erzeugt ein Trainings-Tensor-Array 52. Diese werden dann an das maschinelle Lernnetzwerk 56 gesendet, um das Netzwerk zu trainieren, optimierte Filter-Abgriffswerte auf der Grundlage einer Tensor-Array-Eingabe zu erzeugen. - Sobald das maschinelle Lernnetzwerk trainiert wurde, kann es viel schneller als herkömmliche Methoden optimierte Filter-Abgriffswerte erzeugen.
8 zeigt eine Ausführungsform eines Laufzeitprozesses. Die Wellenform 40 wird im Generator 50 einer Tensor-Array-Erzeugung unterzogen. Das trainierte maschinelle Lernnetzwerk 56 empfängt das Tensor-Array 52 und verwendet es, um die vorhergesagten optimierten Abgriffe bei 58 zu erzeugen. Diese Abgriffe unterscheiden sich von den vorhergehenden FFE-Abgriffen, die während des Trainings verwendet wurden (siehe oben), da sie vom maschinellen Lernsystem und nicht von herkömmlichen Methoden stammen. Die FFE-Abgriffe werden dann auf die Wellenform angewendet und die TDECQ-Messung wird vom Messmodul 46 durchgeführt. - Die Verwendung von maschinellem Lernen zur Beschleunigung von FFE, DFE und anderen Entzerrer-Anpassungen wurde kürzlich erforscht. Bei den hier vorgestellten Ausführungsformen werden verschiedene Eingaben verwendet, und die Ergebnisse des maschinellen Lernens werden dann zur Ermittlung der Messergebnisse genutzt. Das in
8 gezeigte Beispiel bezieht sich auf die TDECQ-Messung, aber derselbe Ansatz kann auch auf andere Messungen angewendet werden, wie oben beschrieben. - 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, wie in einem oder mehreren Programmmodulen, verkörpert sein, 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 Wechseldatenträger, einem Festkörperspeicher, einem Random Access Memory (RAM) usw. gespeichert werden. 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 sein. 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.
- Alle in der Beschreibung, einschließlich der Ansprüche, der Zusammenfassung und der Zeichnungen, offengelegten Merkmale und alle Schritte in jedem offengelegten Verfahren oder Prozess können in jeder Kombination kombiniert werden, mit Ausnahme von Kombinationen, bei denen sich zumindest einige dieser Merkmale und/oder Schritte gegenseitig ausschließen. Jedes in der Beschreibung, einschließlich der Ansprüche, der Zusammenfassung und der Zeichnungen, offenbarte Merkmal kann durch alternative Merkmale ersetzt werden, die dem gleichen, gleichwertigen oder ähnlichen Zweck dienen, sofern nicht ausdrücklich etwas anderes angegeben ist.
- 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 Test- und Messinstrument, das Folgendes umfasst: einen Eingang, der so ausgebildet ist, dass er ein Signal von einer zu testenden Vorrichtung empfängt; einen Speicher; eine Benutzerschnittstelle, die es dem Benutzer ermöglicht, Einstellungen für das Test- und Messinstrument einzugeben; und einen oder mehrere Prozessoren, wobei der eine oder die mehreren Prozessoren so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren dazu veranlasst, Folgendes zu tun: Erfassen einer Wellenform, die das von der zu testenden Vorrichtung empfangene Signal repräsentiert; Erzeugen eines oder mehrerer Tensor-Arrays auf der Grundlage der Wellenform; Anwenden von maschinellem Lernen auf das eine oder die mehreren Tensor-Arrays, um Entzerrer-Abgriffswerte zu erzeugen; und Anwenden von Entzerrung auf die Wellenform unter Verwendung der Entzerrer-Abgriffswerte, um eine entzerrte Wellenform zu erzeugen; und Durchführen einer Messung an der entzerrten Wellenform, um einen Wert zu erzeugen, der sich auf eine Leistungsanforderung für die zu testende Vorrichtung bezieht.
- Beispiel 2 ist das Test- und Messinstrument aus Beispiel 1, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, um zu bestimmen, ob der Wert anzeigt, dass die zu testende Vorrichtung die Leistungsanforderung erfüllt.
- Beispiel 3 ist das Test- und Messinstrument aus einem der Beispiele 1 oder 2, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen anzuwenden, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, die Tensor-Arrays an ein maschinelles Lernnetzwerk auf einem vom Test- und Messinstrument getrennten Gerät zu senden.
- Beispiel 4 ist das Test- und Messinstrument aus einem der Beispiele 1 bis 3, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen auf das eine oder die mehreren Tensor-Arrays anzuwenden, um Entzerrer-Abgriffswerte zu erzeugen, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, FFE-Abgriffswerte für einen Feed Forward Entzerrer (FFE; Feed Forward Equalizer) zu erzeugen.
- Beispiel 5 ist das Test- und Messinstrument eines der Beispiele 1 bis 4, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, eine Messung an der entzerrten Wellenform durchzuführen, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, eine Sender- und Dispersionsaugenverschluss-Quaternär-Messung (TDECQ-Messung) an der entzerrten Wellenform durchzuführen, um den Wert zu erzeugen.
- Beispiel 6 ist das Test- und Messinstrument eines der Beispiele 1 bis 5, wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, ein maschinelles Lernnetzwerk zu trainieren, wobei der Code den einen oder die mehreren Prozessoren veranlasst: eine Trainings-Wellenform zu empfangen; die Trainings-Wellenform zu verwenden, um Trainings-Entzerrer-Abgriffswerte zu erzeugen; ein oder mehrere Trainings-Tensor-Arrays aus der Trainings-Wellenform zu erzeugen; und das eine oder die mehreren Trainings-Tensor-Arrays und die Trainings-Entzerrer-Abgriffswerte dem maschinellen Lernnetzwerk als einen Trainings-Datensatz bereitzustellen.
- Beispiel 7 ist das Test- und Messinstrument von Beispiel 6, wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, Trainings-Entzerrer-Abgriffswerte zu erzeugen, einen Code zur Erzeugung von Trainings-Entzerrer-Abgriffswerten für einen Feed-Forward-Entzerrer umfasst.
- Beispiel 8 ist das Test- und Messinstrument nach einem der Beispiele 1 bis 7, das außerdem eine Sonde umfasst, wobei die zu testende Vorrichtung über die Sonde mit dem Eingang gekoppelt ist.
- Beispiel 9 ist das Test- und Messinstrument aus Beispiel 8, wobei die Sonde eine optische Faser umfasst.
- Beispiel 10 ist das Test- und Messinstrument nach einem der Beispiele 1 bis 9, wobei die Sonde einen optisch-elektrischen Wandler umfasst.
- Beispiel 11 ist das Test- und Messinstrument der Beispiele 8 bis 10, wobei die Sonde so ausgebildet ist, dass sie mit einem Gerät verbunden werden kann, das nach dem IEEE-Standard 802.3 arbeitet.
- Beispiel 12 ist ein Verfahren zum Testen einer zu testenden Vorrichtung, die Folgendes umfasst: Erfassen einer Wellenform, die ein von der zu testenden Vorrichtung empfangenes Signal darstellt; Erzeugen eines oder mehrerer Tensor-Arrays auf der Grundlage der Wellenform; Anwenden von maschinellem Lernen auf das eine oder die mehreren Tensor-Arrays, um Entzerrer-Abgriffswerte zu erzeugen; Anwenden der Entzerrer-Abgriffswerte auf die Wellenform, um eine entzerrte Wellenform zu erzeugen; und Durchführen einer Messung an der entzerrten Wellenform, um einen Wert zu erzeugen, der sich auf eine Leistungsanforderung für die zu testende Vorrichtung bezieht.
- Beispiel 13 ist das Verfahren von Beispiel 12, das ferner die Bestimmung umfasst, ob der Wert anzeigt, dass die zu testende Vorrichtung die Leistungsanforderung erfüllt.
- Beispiel 14 ist das Verfahren der Beispiele 12 und 13, wobei das Anwenden von maschinellem Lernen auf das eine oder die mehreren Tensor-Arrays zum Erzeugen von Entzerrer-Abgriffswerten das Anwenden von maschinellem Lernen auf das eine oder die mehreren Tensor-Arrays zum Erzeugen von Feed-Forward-Entzerrer-Abgriffswerten umfasst.
- Beispiel 15 ist das Verfahren von Beispiel 14, wobei die FFE-Anzapfwerte für einen Feed Forward Entzerrer mit 5 Anzapfungen gelten.
- Beispiel 16 ist das Verfahren nach einem der Beispiele 12 bis 15, wobei die Durchführung einer Messung an der entzerrten Wellenform das Messen des Senders und des quaternären Dispersionsaugenschlusses (TDECQ) der entzerrten Wellenform umfasst.
- Beispiel 17 ist das Verfahren nach einem der Beispiele 12 bis 16, das ferner das Trainieren eines maschinellen Lernnetzes umfasst, wobei das Training Folgendes umfasst: Empfangen einer Trainings-Wellenform; Verwenden der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten; und Erzeugen eines oder mehrerer Trainings-Tensor-Arrays aus der Trainings-Wellenform; und Bereitstellen des einen oder der mehreren Trainings-Tensor-Arrays und der Trainings-Entzerrer-Abgriffswerte für das maschinelle Lernnetz als Trainings-Datensatz.
- Beispiel 18 ist das Verfahren von Beispiel 17, wobei die Verwendung der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten die Verwendung der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten für einen Feed Forward Entzerrer umfasst.
- Beispiel 19 ist das Verfahren nach einem der Beispiele 12 bis 18, wobei die Erfassung der Wellenform, die das von der zu testenden Vorrichtung empfangene Signal darstellt, den Empfang eines optischen Signals durch eine Testfaser umfasst, wobei das optische Signal durch den Betrieb der zu testenden Vorrichtung erzeugt wird.
- Beispiel 20 ist das Verfahren aus Beispiel 19, das außerdem die Umwandlung des optischen Signals in ein elektrisches Signal umfasst.
- 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 63232580 [0001]
Claims (20)
- Ein Test- und Messinstrument, umfasst: einen Eingang, der so ausgebildet ist, dass er ein Signal von einer zu testenden Vorrichtung empfängt; einen Speicher; eine Benutzerschnittstelle, die es dem Benutzer ermöglicht, Einstellungen für das Test- und Messinstrument einzugeben; und einen oder mehrere Prozessoren, wobei der eine oder die mehreren Prozessoren so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren zu Folgendem veranlasst: Erfassen einer Wellenform, die das von der zu testenden Vorrichtung empfangene Signal darstellt; Erzeugen einer oder mehrerer Tensor-Arrays auf der Grundlage der Wellenform; Anwenden von maschinellem Lernen auf das eine oder die mehreren Tensor-Arrays, um Entzerrer-Abgriffswerte zu erzeugen; und Anwenden einer Entzerrung auf die Wellenform unter Verwendung der Entzerrer-Abgriffswerte, um eine entzerrte Wellenform zu erzeugen; und Durchführen einer Messung an der entzerrten Wellenform, um einen Wert in Bezug auf eine Leistungsanforderung für die zu testende Vorrichtung zu erhalten.
- Das Test- und Messinstrument nach
Anspruch 1 , wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, um zu bestimmen, ob der Wert anzeigt, dass die zu testende Vorrichtung die Leistungsanforderung erfüllt. - Das Test- und Messinstrument nach
Anspruch 1 oder2 , wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen anzuwenden, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, die Tensor-Arrays an ein maschinelles Lernnetzwerk auf einer von dem Test- und Messinstrument getrennten Vorrichtung zu senden. - Das Test- und Messinstrument nach einem der
Ansprüche 1 bis3 , wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, maschinelles Lernen auf das eine oder die mehreren Tensor-Arrays anzuwenden, um Entzerrer-Abgriffswerte zu erzeugen, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, FFE-Abgriffswerte für einen Feed Forward Entzerrer (FFE) zu erzeugen. - Das Test- und Messinstrument nach einem der
Ansprüche 1 bis4 , wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, eine Messung an der entzerrten Wellenform durchzuführen, einen Code umfasst, der den einen oder die mehreren Prozessoren veranlasst, eine quaternäre Sender- und Dispersionsaugenschlussmessung (TDECQ; transmitter and dispersion eye closure quaternary) an der entzerrten Wellenform durchzuführen, um den Wert zu erzeugen. - Das Test- und Messinstrument nach einem der
Ansprüche 1 bis5 , wobei der eine oder die mehreren Prozessoren ferner so ausgebildet sind, dass sie einen Code ausführen, der den einen oder die mehreren Prozessoren veranlasst, ein maschinelles Lernnetzwerk zu trainieren, wobei der Code den einen oder die mehreren Prozessoren zu Folgendem veranlasst: Erhalten einer Trainings-Wellenform; Verwenden der Trainings-Wellenform, um Trainings-Entzerrer-Abgriffswerte für zu erzeugen; Erzeugen eines oder mehrerer Trainings-Tensor-Arrays aus der Trainings-Wellenform; und Zur Verfügung stellen des/r einen oder mehreren Trainings-Tensor-Arrays und der Trainings-Entzerrer-Abgriffswerte an das maschinelle Lernnetzwerk als Trainings-Datensatz. - Das Test- und Messinstrument nach
Anspruch 6 , wobei der Code, der den einen oder die mehreren Prozessoren veranlasst, Trainings-Entzerrer-Abgriffswerte zu erzeugen, einen Code umfasst, der Trainings-Entzerrer-Abgriffswerte für einen Feed Forward Entzerrer erzeugt. - Das Test- und Messinstrument nach einem der
Ansprüche 1 bis7 , das ferner eine Sonde umfasst, wobei die zu testende Vorrichtung über die Sonde mit dem Eingang gekoppelt ist. - Das Test- und Messinstrument nach
Anspruch 8 , wobei die Sonde eine optische Faser umfasst. - Das Test- und Messinstrument nach
Anspruch 8 oder9 , wobei die Sonde einen optisch-elektrischen Wandler umfasst. - Das Test- und Messinstrument nach einem der
Ansprüche 8 bis10 , wobei die Sonde so ausgebildet ist, dass sie an eine zu testende Vorrichtung angeschlossen werden kann, die nach dem IEEE-Standard 802.3 arbeitet. - Ein Verfahren zum Testen einer zu testenden Vorrichtung, umfassend: Erfassen einer Wellenform, die ein von der zu testenden Vorrichtung empfangenes Signal darstellt; Erzeugen eines oder mehrerer Tensor-Arrays auf der Grundlage der Wellenform; Anwenden von maschinellem Lernen auf ein oder mehrere Tensor-Arrays, um Entzerrer-Abgriffs-Werte zu erzeugen; Anwenden der Entzerrer-Abgriffswerte auf die Wellenform, um eine entzerrte Wellenform zu erzeugen; und Durchführen einer Messung an der entzerrten Wellenform, um einen Wert in Bezug auf eine Leistungsanforderung für die zu testende Vorrichtung zu erzeugen.
- Das Verfahren nach
Anspruch 12 , das ferner ein Bestimmen umfasst, ob der Wert anzeigt, dass die zu testende Vorrichtung die Leistungsanforderung erfüllt. - Das Verfahren nach
Anspruch 12 oder13 , wobei das Anwenden des maschinellen Lernens auf das eine oder die mehreren Tensor-Arrays zur Erzeugung von Entzerrer-Abgriffswerten ein Anwendung des maschinellen Lernens auf das eine oder die mehreren Tensor-Arrays zur Erzeugung von Feed-Forward-Entzerrer-(FFE-)Abgriffswerten umfasst. - Das Verfahren nach
Anspruch 14 , wobei die FFE-Abgriffswerte für einen Feed Forward Entzerrer mit 5 Abgriffen gelten. - Das Verfahren nach einem der
Ansprüche 12 bis15 , wobei die Durchführung einer Messung an der entzerrten Wellenform die Messung der quaternären Sender- und Dispersionsaugenschließung (TDECQ) der entzerrten Wellenform umfasst. - Das Verfahren nach einem der
Ansprüche 12 bis16 , das ferner ein Trainieren eines maschinellen Lernnetzes umfasst, wobei das Training umfasst: Empfangen einer Trainings-Wellenform; Verwenden der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten; und Erzeugen eines oder mehrerer Trainings-Tensor-Arrays aus der Trainings-Wellenform; und Bereitstellen des einen oder der mehreren Trainings-Tensor-Arrays und der Trainings-Entzerrer-Abgriffswerte für das maschinelle Lernnetzwerk als Trainings-Datensatz. - Das Verfahren nach
Anspruch 17 , wobei die Verwendung der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten ein Verwenden der Trainings-Wellenform zum Erzeugen von Trainings-Entzerrer-Abgriffswerten für einen Feed Forward Entzerrer umfasst. - Das Verfahren nach einem der
Ansprüche 12 bis18 , wobei das Erfassen der Wellenform, die das von der zu testenden Vorrichtung empfangene Signal darstellt, ein Empfangen eines optischen Signals durch eine Testfaser umfasst, wobei das optische Signal durch den Betrieb der zu testenden Vorrichtung erzeugt wird. - Das Verfahren nach
Anspruch 19 , das ferner die Umwandlung des optischen Signals in ein elektrisches Signal umfasst.
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163232580P | 2021-08-12 | 2021-08-12 | |
US63/232,580 | 2021-08-12 | ||
US17/876,817 US11907090B2 (en) | 2021-08-12 | 2022-07-29 | Machine learning for taps to accelerate TDECQ and other measurements |
US17/876,817 | 2022-07-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022119966A1 true DE102022119966A1 (de) | 2023-02-16 |
Family
ID=85040062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022119966.5A Pending DE102022119966A1 (de) | 2021-08-12 | 2022-08-09 | Maschinelles lernen für abgriffe zur beschleunigung von tdecq und anderen messungen |
Country Status (5)
Country | Link |
---|---|
US (1) | US11907090B2 (de) |
JP (1) | JP2023026403A (de) |
CN (1) | CN115706687A (de) |
DE (1) | DE102022119966A1 (de) |
TW (1) | TW202316135A (de) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112022000932T5 (de) * | 2021-02-03 | 2023-11-16 | Tektronix, Inc. | Augen-klassen-separator mit überlapp, zusammgesetzte und dynamisiche augen-trigger für menschen und maschinelles lernen |
US11923895B2 (en) | 2021-03-24 | 2024-03-05 | Tektronix, Inc. | Optical transmitter tuning using machine learning and reference parameters |
US11923896B2 (en) | 2021-03-24 | 2024-03-05 | Tektronix, Inc. | Optical transceiver tuning using machine learning |
US11940889B2 (en) * | 2021-08-12 | 2024-03-26 | Tektronix, Inc. | Combined TDECQ measurement and transmitter tuning using machine learning |
Family Cites Families (107)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0454445B1 (de) | 1990-04-26 | 1996-07-03 | Fujitsu Limited | Wellenformentzerrer mit Neuronalnetzwerk |
US5594655A (en) | 1993-08-20 | 1997-01-14 | Nicolet Instrument Corporation | Method and apparatus for frequency triggering in digital oscilloscopes and the like |
US5397981A (en) | 1994-02-28 | 1995-03-14 | Fluke Corporation | Digital storage oscilloscope with automatic time base |
US6715112B2 (en) | 2000-11-29 | 2004-03-30 | Agilent Technologies, Inc. | Method and apparatus for displaying triggered waveform on an error performance analyzer |
US7181146B1 (en) | 2001-01-17 | 2007-02-20 | Optical Communication Products, Inc. | Self-adjusting data transmitter |
US7298463B2 (en) | 2001-04-23 | 2007-11-20 | Circadiant Systems, Inc. | Automated system and method for optical measurement and testing |
US6975642B2 (en) | 2001-09-17 | 2005-12-13 | Finisar Corporation | Optoelectronic device capable of participating in in-band traffic |
US6892150B2 (en) | 2002-05-24 | 2005-05-10 | Tektronix, Inc. | Combined analog and DSP trigger system for a digital storage oscilloscope |
US6885685B2 (en) | 2002-06-11 | 2005-04-26 | Sumitomo Electric Industries, Ltd. | Control system for a laser diode and a method for controlling the same |
TW524969B (en) | 2002-07-25 | 2003-03-21 | Faztec Optronics Corp | Rapid testing system for optical transmission module and the testing method |
KR100516662B1 (ko) | 2003-01-04 | 2005-09-22 | 삼성전자주식회사 | 에스씨엠 아날로그 광전송시 레이저다이오드의 바이어스를최적화하기 위한 광전송 시스템 |
AU2003202238A1 (en) | 2003-01-08 | 2004-08-10 | Ceyx Technologies, Inc. | Apparatus and method for measurement of dynamic laser signals |
US6836493B2 (en) | 2003-01-15 | 2004-12-28 | Agilent Technologies, Inc. | Laser initialization in firmware controlled optical transceiver |
US6909731B2 (en) | 2003-01-23 | 2005-06-21 | Cheng Youn Lu | Statistic parameterized control loop for compensating power and extinction ratio of a laser diode |
US7283586B2 (en) * | 2003-05-06 | 2007-10-16 | Northrop Grumman Corporation | Adaptive equalizer matched filter error metric concept and apparatus |
US20040236527A1 (en) | 2003-05-21 | 2004-11-25 | Felps Jimmie Doyle | Method and apparatus for synchronous viewing of asynchronous waveforms |
US7467336B2 (en) | 2004-02-02 | 2008-12-16 | Synthesys Research, Inc | Method and apparatus to measure and display data dependent eye diagrams |
US20050222789A1 (en) | 2004-03-31 | 2005-10-06 | West Burnell G | Automatic test system |
US7245828B2 (en) | 2004-10-29 | 2007-07-17 | Finisar Coporation | Extinction ratio determination using duty cycle modulation |
US20080126001A1 (en) | 2006-09-01 | 2008-05-29 | Murray David W | Equipment testing system and method having scaleable test line limits |
JP2008158391A (ja) | 2006-12-26 | 2008-07-10 | Nec Corp | 光送信器および光送信制御方法 |
US8526821B2 (en) | 2006-12-29 | 2013-09-03 | Finisar Corporation | Transceivers for testing networks and adapting to device changes |
US8583395B2 (en) | 2007-07-23 | 2013-11-12 | Finisar Corporation | Self-testing optical transceiver |
US8040391B2 (en) | 2007-08-06 | 2011-10-18 | Panasonic Corporation | White balance adjustment device, image capture device, white balance adjustment method, storage medium, and integrated circuit |
CN101355404B (zh) | 2008-09-04 | 2011-04-06 | 中兴通讯股份有限公司 | 一种优化调整发射机参数的装置和方法 |
JP5359760B2 (ja) | 2009-10-09 | 2013-12-04 | 住友電気工業株式会社 | 光トランシーバ |
JP5706910B2 (ja) | 2009-11-12 | 2015-04-22 | ポール リード スミス ギターズ、リミテッド パートナーシップ | デジタル信号処理のための方法、コンピュータ可読ストレージ媒体および信号処理システム |
US20110286506A1 (en) * | 2010-01-29 | 2011-11-24 | Lecroy Corporation | User Interface for Signal Integrity Network Analyzer |
US8938164B2 (en) | 2012-09-28 | 2015-01-20 | Intel Corporation | Optical link auto-setting |
US9059803B2 (en) | 2012-09-28 | 2015-06-16 | Intel Corporation | Mechanism for facilitating an optical instrumentation testing system employing multiple testing paths |
US9709605B2 (en) | 2012-12-12 | 2017-07-18 | Tektronix, Inc. | Scrolling measurement display ticker for test and measurement instruments |
US20140343883A1 (en) * | 2013-05-15 | 2014-11-20 | Teledyne Lecroy, Inc. | User Interface for Signal Integrity Network Analyzer |
US8861578B1 (en) | 2013-06-25 | 2014-10-14 | Intel Corporation | Transition time measurement of PAM4 transmitters |
US9264270B2 (en) | 2013-06-27 | 2016-02-16 | Intel Corporation | Transition time measurement of PAM4 transmitters |
US9049075B2 (en) | 2013-08-21 | 2015-06-02 | Avago Technologies General Ip (Singapore) Pte. Ltd. | Adaptive modal PAM2/PAM4 in-phase (I) quadrature (Q) phase detector for a receiver |
US9742689B1 (en) | 2013-12-27 | 2017-08-22 | Inphi Corporation | Channel negotiation for a high speed link |
US9136952B2 (en) | 2014-01-17 | 2015-09-15 | Tektronix, Inc. | Pulse amplitude modulation (PAM) bit error test and measurement |
US9866928B2 (en) | 2014-11-21 | 2018-01-09 | Nec Corporation | Intra-transceiver optical superchannel switching via RF sub-band multiplexing technique |
US20160328501A1 (en) * | 2015-05-05 | 2016-11-10 | Fractal Audio Systems | Automatic AMP Matching |
KR102356890B1 (ko) | 2015-06-11 | 2022-01-28 | 삼성전자 주식회사 | 온도 조절 장치 제어 방법 및 장치 |
US9548858B1 (en) | 2016-01-18 | 2017-01-17 | Inphi Corporation | Skew management for PAM communication systems |
JP6717082B2 (ja) | 2016-06-30 | 2020-07-01 | 富士通オプティカルコンポーネンツ株式会社 | 光送信モジュールおよび光送信モジュールの制御方法 |
US9699009B1 (en) | 2016-06-30 | 2017-07-04 | International Business Machines Corporation | Dual-mode non-return-to-zero (NRZ)/ four-level pulse amplitude modulation (PAM4) receiver with digitally enhanced NRZ sensitivity |
US10585121B2 (en) | 2016-09-12 | 2020-03-10 | Tektronix, Inc. | Recommending measurements based on detected waveform type |
US10956500B2 (en) | 2017-01-19 | 2021-03-23 | Google Llc | Dynamic-length stateful tensor array |
WO2018162048A1 (en) | 2017-03-07 | 2018-09-13 | Advantest Corporation | Test apparatus and method for characterizing a device under test |
CN107342810B (zh) | 2017-07-03 | 2019-11-19 | 北京邮电大学 | 基于卷积神经网络的深度学习智能眼图分析方法 |
US20190038387A1 (en) | 2017-08-07 | 2019-02-07 | Dentsply Sirona Inc. | Integrated porcelain system for a dental prosthesis |
US10749594B1 (en) | 2017-08-18 | 2020-08-18 | DeepSig Inc. | Learning-based space communications systems |
US11032022B1 (en) | 2017-10-11 | 2021-06-08 | Genghiscomm Holdings, LLC | Detection, analysis, and countermeasures for automated and remote-controlled devices |
US10270527B1 (en) | 2017-11-22 | 2019-04-23 | Mellanox Technologies, Ltd. | Method for testing optical transmitters |
US10236982B1 (en) | 2017-12-21 | 2019-03-19 | Ciena Corporation | Fiber parameter identification |
US10608673B2 (en) | 2017-12-22 | 2020-03-31 | Massachusetts Institute Of Technology | Decoding signals by guessing noise |
CN111630936A (zh) | 2017-12-30 | 2020-09-04 | 英特尔公司 | 用于无线通信的方法和设备 |
CN110213678B (zh) | 2018-02-28 | 2020-09-08 | 上海诺基亚贝尔股份有限公司 | 无源光网络中的通信方法、设备和计算机可读介质 |
US10592141B2 (en) | 2018-03-06 | 2020-03-17 | Western Digital Technologies, Inc. | Error characterization for control of non-volatile memory |
US10396897B1 (en) | 2018-04-17 | 2019-08-27 | General Electric Company | Systems and methods for predicting defects in optical transceiver devices |
US10171161B1 (en) | 2018-04-23 | 2019-01-01 | Ciena Corporation | Machine learning for link parameter identification in an optical communications system |
US11238346B2 (en) | 2018-04-25 | 2022-02-01 | Qualcomm Incorproated | Learning a truncation rank of singular value decomposed matrices representing weight tensors in neural networks |
JP6560793B1 (ja) | 2018-06-15 | 2019-08-14 | 株式会社フジクラ | 光モジュールの検査システム、検査方法及び製造方法 |
US10903204B2 (en) | 2018-07-24 | 2021-01-26 | Amazing Microelectronic Corp. | Lateral transient voltage suppressor device |
WO2020020324A1 (zh) | 2018-07-27 | 2020-01-30 | 京东方科技集团股份有限公司 | 信号传输方法及装置、显示装置 |
US11468206B2 (en) | 2018-08-20 | 2022-10-11 | Sri International | Machine learning system for building renderings and building information modeling data |
US11181552B2 (en) | 2018-11-28 | 2021-11-23 | Tektronix, Inc. | Categorization of acquired data based on explicit and implicit means |
CN111327367B (zh) | 2018-12-14 | 2022-01-18 | 上海诺基亚贝尔股份有限公司 | 光网络中的光发射器、方法和存储介质 |
US10852323B2 (en) | 2018-12-28 | 2020-12-01 | Rohde & Schwarz Gmbh & Co. Kg | Measurement apparatus and method for analyzing a waveform of a signal |
US11237190B2 (en) | 2019-01-21 | 2022-02-01 | Tektronix, Inc. | Automatic detection of logical path segments in a measurement population |
US11595289B2 (en) | 2019-03-29 | 2023-02-28 | Barefoot Networks, Inc. | Network testing using a programmable packet engine |
US10863255B2 (en) | 2019-04-17 | 2020-12-08 | Cisco Technology, Inc. | Method and system for optical path restoration |
US10727973B1 (en) | 2019-04-19 | 2020-07-28 | Fujitsu Limited | Apparatus and method for self-learning and predictive DWDM network |
KR20230019263A (ko) * | 2019-04-23 | 2023-02-07 | 딥시그 인크. | 머신-러닝 네트워크를 이용한 통신 신호들의 프로세싱 |
US10935603B1 (en) | 2019-08-07 | 2021-03-02 | Seagate Technology Llc | Data channel optimization with smart black box algorithms |
US11494608B2 (en) | 2019-08-14 | 2022-11-08 | Intel Corporation | Methods and apparatus to tile walk a tensor for convolution operations |
CN112448760B (zh) | 2019-08-31 | 2022-07-29 | 华为技术有限公司 | 一种获取发射机测试参数的方法和装置以及存储介质 |
US11005697B2 (en) | 2019-09-03 | 2021-05-11 | Cisco Technology, Inc. | Orthogonal frequency-division multiplexing equalization using deep neural network |
US11133865B2 (en) | 2019-10-08 | 2021-09-28 | Nec Corporation | Optical network performance evaluation using a hybrid neural network |
DE112020005481T5 (de) | 2019-11-05 | 2022-09-15 | Georgia Tech Research Corporation | Vorrichtungen, systeme und verfahren zur bearbeitung optischer komponenten |
KR20210063721A (ko) | 2019-11-25 | 2021-06-02 | 삼성전자주식회사 | 뉴로모픽 장치 및 이를 포함하는 뉴로모픽 시스템 |
US11323184B2 (en) | 2019-11-29 | 2022-05-03 | Maxim Integrated Products, Inc. | Chromatic dispersion equalizer adaption systems and methods |
MX2022009652A (es) | 2020-02-14 | 2022-09-07 | Commscope Technologies Llc | Metodo para medicion del ancho de banda en una fibra optica. |
CN113518271B (zh) | 2020-04-10 | 2024-02-13 | 上海诺基亚贝尔股份有限公司 | 无源光网络中用于信道管理的方法、装置和系统 |
US11336378B2 (en) | 2020-04-17 | 2022-05-17 | Cisco Technology, Inc. | Techniques for applying equalization to signals received over multimode fiber links |
US20210389349A1 (en) | 2020-06-11 | 2021-12-16 | Tektronix, Inc. | Cyclic loop image representation for waveform data |
JP7449785B2 (ja) * | 2020-06-17 | 2024-03-14 | 日立Astemo株式会社 | 電子制御装置、判定方法 |
US20220070040A1 (en) | 2020-08-25 | 2022-03-03 | Qualcomm Incorporated | Machine Learning Based Nonlinearity Mitigation Using Peak Reduction Tones |
KR20220032925A (ko) | 2020-09-08 | 2022-03-15 | 삼성전자주식회사 | 펄스 진폭 변조 기반 dq 신호를 생성하는 메모리 장치, 메모리 컨트롤러 및 이들을 포함하는 메모리 시스템 |
KR20220050317A (ko) | 2020-10-16 | 2022-04-25 | 삼성전자주식회사 | 멀티 레벨 시그널링을 이용하는 메모리 장치의 테스트용 신호 생성 방법 및 이를 수행하는 메모리 장치 |
US11177986B1 (en) | 2020-11-24 | 2021-11-16 | Texas Instruments Incorporated | Lane adaptation in high-speed serial links |
KR20220086948A (ko) | 2020-12-17 | 2022-06-24 | 삼성전자주식회사 | 기준 전압 트레이닝을 수행하는 수신기 및 이를 포함하는 메모리 시스템 |
KR20220099251A (ko) | 2021-01-06 | 2022-07-13 | 삼성전자주식회사 | 멀티 레벨 신호 수신을 위한 수신기, 이를 포함하는 메모리 장치 및 이를 이용한 데이터 수신 방법 |
EP3936877B1 (de) | 2021-01-22 | 2022-12-21 | Rohde & Schwarz GmbH & Co. KG | Messinstrument, messsystem und signalverarbeitungsverfahren |
CN114793305A (zh) | 2021-01-25 | 2022-07-26 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、装置和介质 |
DE112022000932T5 (de) | 2021-02-03 | 2023-11-16 | Tektronix, Inc. | Augen-klassen-separator mit überlapp, zusammgesetzte und dynamisiche augen-trigger für menschen und maschinelles lernen |
EP4241394A1 (de) | 2021-02-11 | 2023-09-13 | Huawei Technologies Co., Ltd. | Optisches system und verfahren zur konfiguration des optischen systems |
EP4057016A1 (de) | 2021-03-11 | 2022-09-14 | Tridonic GmbH & Co. KG | Verfahren zur vorhersage der restlebensdauer einer elektrischen komponente einer elektrischen schaltung |
US11923895B2 (en) * | 2021-03-24 | 2024-03-05 | Tektronix, Inc. | Optical transmitter tuning using machine learning and reference parameters |
US11923896B2 (en) | 2021-03-24 | 2024-03-05 | Tektronix, Inc. | Optical transceiver tuning using machine learning |
US11388081B1 (en) | 2021-03-30 | 2022-07-12 | Keysight Technologies, Inc. | Methods, systems, and computer readable media for impairment testing using an impairment device |
US20220334180A1 (en) | 2021-04-20 | 2022-10-20 | Tektronix, Inc. | Real-equivalent-time flash array digitizer oscilloscope architecture |
JP2022174467A (ja) | 2021-05-11 | 2022-11-24 | 日本電気株式会社 | 通信システム、受信機、等化信号処理回路、方法、及びプログラム |
US20220373597A1 (en) | 2021-05-18 | 2022-11-24 | Tektronix, Inc. | Bit error ratio estimation using machine learning |
US20220373598A1 (en) * | 2021-05-21 | 2022-11-24 | Tektronix, Inc. | Short pattern waveform database based machine learning for measurement |
US20220390515A1 (en) | 2021-06-04 | 2022-12-08 | Tektronix, Inc. | General digital signal processing waveform machine learning control application |
US11695601B2 (en) | 2021-08-13 | 2023-07-04 | Nvidia Corporation | On-chip virtual oscilloscope using high-speed receiver sampler readback |
US20230098379A1 (en) | 2021-09-29 | 2023-03-30 | Tektronix, Inc. | System and method for developing machine learning models for testing and measurement |
US11646863B2 (en) * | 2021-10-12 | 2023-05-09 | Nvidia Corporation | Equalization adaptation schemes for high-speed links |
US20220200712A1 (en) | 2021-10-14 | 2022-06-23 | Intel Corporation | Link monitoring and indication of potential link failure |
-
2022
- 2022-07-29 US US17/876,817 patent/US11907090B2/en active Active
- 2022-08-08 TW TW111129723A patent/TW202316135A/zh unknown
- 2022-08-09 DE DE102022119966.5A patent/DE102022119966A1/de active Pending
- 2022-08-12 JP JP2022128676A patent/JP2023026403A/ja active Pending
- 2022-08-12 CN CN202210966821.5A patent/CN115706687A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2023026403A (ja) | 2023-02-24 |
CN115706687A (zh) | 2023-02-17 |
US11907090B2 (en) | 2024-02-20 |
TW202316135A (zh) | 2023-04-16 |
US20230050162A1 (en) | 2023-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102022119966A1 (de) | Maschinelles lernen für abgriffe zur beschleunigung von tdecq und anderen messungen | |
DE102022112643A1 (de) | Kurzmuster-wellenformdatenbank-basiertes maschinelles lernen für messungen | |
DE202017106532U1 (de) | Suche nach einer neuronalen Architektur | |
DE69220709T2 (de) | Prüfmustererzeugungseinrichtung für sequentielle Logikschaltung einer integrierten Schaltung und Verfahren dazu | |
DE112016000509T5 (de) | Batch-Normalisierungsschichten | |
DE102022119975A1 (de) | Kombinierte tdecq-messung und senderabstimmung mit hilfe von maschinellem lernen | |
DE102023100643A1 (de) | Modelltraining für maschinelles lernen mit entrauschten daten und modellvorhersage mit rauschkorrektur | |
DE102022106892A1 (de) | Optische senderabstimmung durch maschinelles lernen und referenzparameter | |
DE102022112412A1 (de) | Schätzung der bitfehlerrate durch maschinelles lernen | |
DE112008001172T5 (de) | Prüfgerät und Prüfverfahren | |
DE102022106908A1 (de) | Abstimmen optischer transceiver durch maschinelles lernen | |
DE112021003211T5 (de) | System und Verfahren für zyklische Schleifenbildwiedergaben eines mehrstufigen Signals für Messungen und maschinelles Lernen | |
DE112019005914T5 (de) | Kategorisierung gewonnener daten basierend auf expliziten und impliziten mitteln | |
DE102022114207A1 (de) | Steuerung der Anwendung einer allgemeinen digitale Signalverarbeitung für eine Wellenform durch maschinelles Lernen | |
DE60200707T2 (de) | Zitterhistogrammnäherungsverfahren | |
DE19700513A1 (de) | Mit CAD-Daten verknüpftes Halbleiterprüfsystem | |
DE112012004499T5 (de) | Testen von Transaktionsanwendungen | |
DE112022000932T5 (de) | Augen-klassen-separator mit überlapp, zusammgesetzte und dynamisiche augen-trigger für menschen und maschinelles lernen | |
DE102006001285A1 (de) | Trennung einer zufälligen Jitterkomponente und einer deterministischen Jitterkomponente | |
DE112021001146T5 (de) | Echtzeit-äquivalent oszilloskop | |
DE102021130630A1 (de) | Testen von software-anwendungskomponenten | |
DE102021204550A1 (de) | Verfahren zum Erzeugen wenigstens eines Datensatzes zum Trainieren eines Algorithmus maschinellen Lernens | |
DE60310886T2 (de) | Polynomiale Anpassung für Zittertrennung | |
DE112022004038T5 (de) | Digitaler zwilling durch wellenformerzeugung mit maschinellem lernen einschliesslich parametersteuerung für prüflingsemulation | |
DE112022001519T5 (de) | Rauschkompensiertes jitter-messinstrument und verfahren |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed |