CN113253011B - 信号分析方法和测试*** - Google Patents

Abstract

公开了一种分析被测设备(12)的性能的信号分析方法。该方法包括以下步骤：获得数字化输入信号，其中数字化输入信号与被测设备(12)相关联。通过人工智能模块(18)确定至少一个特征量。人工智能模块(18)包括至少一个计算参数。基于数字化输入信号和基于至少一个计算参数来确定至少一个特征量。该至少一个特征量指示被测设备(12)的至少一个性能特性。进一步，公开了一种用于分析被测设备(12)的性能的测试***(10)以及一种计算机程序。

Description

信号分析方法和测试***

技术领域

本发明总体上涉及一种分析被测设备的性能的信号分析方法。本发明还涉及一种用于分析被测设备性能的测试***以及涉及一种计算机程序。

背景技术

在现有技术中，用于信息和数据的无线传输的RF设备(例如移动通信设备)通常在RF设备生产期间或之后由分离形成的测试和测量设备进行测试。

被测设备可以传输用于测试目的的测试信号，其中测试信号由用于分析目的的测试和测量设备接收。然而，这样的测试***通常是复杂的，并且为了获得正确的测试结果，需要经训练的操作员。

发明内容

因此，本发明的目的是提供一种更容易操作的信号分析方法以及测试***。

根据本发明，通过分析被测设备的性能的信号分析方法来解决该问题。该方法包括以下步骤：获得数字化输入信号，其中数字化输入信号与被测设备相关联。通过人工智能模块确定至少一个特征量。人工智能模块包括至少一个计算参数。基于数字化输入信号和基于至少一个计算参数来确定至少一个特征量。该至少一个特征量指示被测设备的至少一个性能特性。

术语“数字化输入信号与被测设备相关联”既包括数字化输入信号是被测设备的输出信号的数字化版本的可能性，也包括被测设备的输出信号通过一个或多个天线被接收并且所接收的信号被特别地由用于分析被测设备的性能的测试***数字化的可能性。

该至少一个特征量可以包括关于被测设备的性能的某些方面的信息和/或关于被测设备的性能方面的特定故障和误差的信息。

该至少一个特征量可以具有任何合适的形式。例如，它可以包括标量、矢量、矩阵和/或张量。

换句话说，至少一个特征量(即关于被测设备的性能的信息)由人工智能模块直接基于数字化输入信号以全自动方式确定。不需要对数字化输入信号进行另外的处理，这可能是复杂的，因为必须设置相对应的处理设备的参数和操作模式，这通常只能由本领域的专家来完成，从而产生受限的用户友好性。因此，提供了测试被测设备的性能的用户友好且简单的方法。

根据本发明的一方面，基于所确定的至少一个特征量，被测设备被分类为至少两个不同性能类别中的至少一个。例如，被测设备可以被分类为类别“测试通过”或“测试未通过”。当然，可能有更多不同的类别，特别是与被测设备的性能方面的特定误差或缺陷相关联的类别。这样，可以由用户以更容易的方式理解误差和缺陷，并且可以得到被测设备的合适的生产结果。

根据本公开的另一方面，提供了控制单元，其中控制单元控制被测设备进入预定操作模式和/或预定操作模式序列，即至少一个预定操作模式。预定操作模式对应于被测设备的某一发送模式。因此，被测设备在预定操作模式或预定操作模式序列下以预定方式生成电磁信号。

预定操作模式或者更确切地说预定操作模式序列可以与适用于特定被测设备的预定义测试过程相关联。预定义测试过程可以是标准测试过程。

在本发明的实施例中，控制单元控制人工智能模块基于被测设备的预定操作模式来适配至少一个计算参数。换句话说，该至少一个计算参数被适配为适于被测设备的特定操作模式和/或被测设备的特定操作模式序列。该至少一个计算参数完全自动适配，而不需要由操作人员进行手动干预。

换句话说，控制单元提供人工智能模块和被测设备之间的通信，使得计算参数可以根据被测设备的当前操作模式或预期操作模式来进行适配。这极大地简化和改善通过人工智能模块确定特征量。

根据本发明的另外的实施例，电源单元向被测设备提供电力，其中电源单元提供关于被测设备的电力消耗、被测设备的电流消耗和/或施加到被测设备的电压的使用信息，并且其中使用信息被转发到人工智能模块。因此，提供了关于被测设备的性能特性的附加信息，其可以被人工智能模块利用。

特别地，人工智能模块基于使用信息确定至少一个特征参数。因此，至少一个特征参数是基于更广泛的数据集来确定，并且由人工智能模块进行的性能分析的质量得到提高。

人工智能模块可以是被训练来确定至少一个特征量的机器学习模块，特别地其中人工智能模块包括人工神经网络。换句话说，人工智能模块被训练成通过合适的机器学习技术，特别是通过合适的深度学习技术来确定至少一个特征参数。

根据本发明的一方面，提供训练数据，其中训练数据包括参考被测设备的至少一个参考特征量和/或与具有已知性能特性的参考被测设备相关联的训练输入信号，并且其中基于训练数据适配至少一个计算参数。换句话说，提供标记的和/或未标记的训练数据，其中训练数据至少包括与具有已知性能特性的参考被测设备相关联的训练输入信号。如果训练数据被标记，则训练数据还可以包括参考被测设备的参考特征量。

根据本发明的另一方面，至少一个计算参数通过监督学习、非监督学习和/或强化学习来适配。因此，训练中的至少部分可以基于该领域中的专家给出的反馈来执行。替代性地或附加地，训练可以全自动进行。

数字化信号可以是时域信号，特别地其中数字化信号具有预定义持续时间。数字化信号也可以是频域信号，特别地其中数字化信号具有预定义带宽。可以基于预定义持续时间和/或基于预定义带宽来适配至少一个计算参数。

根据本发明，该问题还通过用于分析被测设备的性能的测试***来解决。该测试***包括被配置成获得数字化输入信号的数据采集单元。测试单元还包括人工智能模块和控制单元，该人工智能模块包括至少一个计算参数。控制单元被配置成使测试***执行以上描述的信号分析方法。

关于测试***的优点和另外的特性，参考上面给出的关于信号分析的解释，这也适用于测试***，反之亦然。

特别地，测试***包括被测设备。

在本发明的实施例中，测试***包括电源单元，其中电源单元被配置为向被测设备提供电力，并且其中电源单元被配置为提供关于被测设备的电力消耗、被测设备的电流消耗和/或施加到被测设备的电压的使用信息。因此，提供了关于被测设备的性能特性的附加信息，并且该附加信息可以被人工智能模块利用。

根据本公开的另外的实施例，人工智能模块被建立为运行在计算设备上的软件。计算设备可以被建立为至少一个计算机、至少一个膝上型电脑、至少一个服务器、至少一个智能手机、至少一个平板电脑和/或至少一种其他类型的智能设备。特别地，计算设备由形成云计算设置的若干计算机和/或服务器建立。

根据本发明，该问题还通过包括程序代码装置的计算机程序来解决，该程序代码装置被适配用于使得测试***(特别是以上描述的测试***)在计算机程序在测试***的控制单元的处理单元上被执行的情况下执行以上描述的信号分析方法。

在本文和下文中，术语“程序代码装置”被理解为包括成编译和/或未编译形式的程序代码和/或程序代码模块形式的计算机可执行指令。程序代码装置可以以任意编程语言和/或机器语言提供。

关于计算机程序的另外的优点和特性，参考上面给出的关于信号分析方法和关于测试***的说明，这也适用于计算机程序，反之亦然。

附图说明

所要求保护的主题的前述各方面和许多伴随的优点将变得更容易理解，因为其参考以下结合附图进行的详细描述变得更好理解，在附图中：

图1示意性示出了根据本发明的第一变型的测试***；

图2示意性示出了根据本发明的第二变型的测试***；以及

图3示出了根据本发明的信号分析方法的框图。

具体实施方式

下面结合附图阐述的详细描述旨在作为对所公开主题的各种实施例的描述，而不旨在代表唯一的实施例，在附图中，相同的标号指代相同的元件。本公开中描述的每个实施例仅作为示例或说明提供，并且不应被解释为优选于或优于其他实施例。本文提供的说明性示例并不旨在是穷举性的或将所要求保护的主题限制到所公开的精确形式。出于本公开的目的，短语“A、B和C中的至少一个”例如意味着(A)、(B)、(C)、(A和B)、(A和C)、(B和C)或(A、B和C)，当列出多于三个元素时包括所有另外的可能排列。换句话说，术语“A和B中的至少一个”通常是指“A和/或B”，即“仅A”、“仅B”或“A和B”。

图1示意性地示出了测试***10，其包括被测设备12和测试组件14。

测试组件14包括数据采集单元16、具有人工智能模块18的计算设备17、以及控制单元20。

被测设备12是用于信息和数据的无线传输的射频(radio frequency，RF)设备。特别地，被测设备12是移动通信设备，例如手机、平板电脑或智能手机。

然而，应当理解的是，以下给出的关于分析由被测设备12生成的信号的解释也适用于生成能够被接收和分析的电磁信号的每一种被测设备12，无论是通过电磁信号的无线传输还是基于有线的传输。

数据采集单元16、具有人工智能模块18的计算设备17、和/或控制单元20可以集成到公共测量设备中，例如集成到示波器、矢量网络分析仪等中。因此，可以提供涵括各个部件的壳体。替代性地，数据采集单元16、计算设备17和/或控制单元20中的一个或多个可以分离地建立，特别地是独立的。

数据采集单元16包括天线22、本地振荡器24、混频器26、滤波器28和模数转换器(analog to digital converter，ADC)30。

计算设备17可以被建立为至少一个计算机、至少一个膝上型电脑、至少一个服务器、至少一个智能手机、至少一个平板电脑和/或至少一种其他类型的智能设备。特别地，计算设备17可以通过云计算设置来建立。

人工智能模块18被建立为保存在计算设备17的数据存储器上并且可以在计算设备17的处理单元上执行，特别是在计算设备17的中央处理单元和/或图形处理单元上执行的软件模块。

更准确地说，人工智能模块18是机器学习模块。特别地，人工智能模块18包括人工神经网络。

控制单元20可以被建立为计算机、膝上型电脑、服务器、智能电话、平板电脑和/或任何其他类型的智能设备。

计算设备17以及因此人工智能模块18以信号传输方式连接到数据采集单元16下游的数据采集单元16。

其中以及下文中，术语“下游”和“上游”用于指示测试***10内的数据、信号和/或信息的流动方向，其中流动方向是从上游部件到下游部件。

控制单元20以信号传输方式连接到数据采集单元16中的每一个和连接到计算设备17，并且因此也连接到人工智能模块18。

图2示出了测试***10的第二变型，其中与图1中示出的变型的唯一区别在于提供了附加电源单元32。

电源单元32被配置为向被测设备12供应电力。

进一步，电源单元32以信号传输方式连接到计算设备17，并且因此连接到人工智能模块18。

一般而言，以上描述的测试***10的第一变型和第二变型被配置成执行分析被测设备12的性能的信号分析方法。下面将参照图3描述这种信号分析方法。

更准确地说，计算机程序在控制单元20上执行，特别地在控制单元20的处理单元上执行，其中计算机程序包括被适配为使测试***10执行下文描述的信号分析方法的程序代码装置。

控制单元20控制被测设备12进入预定操作模式和/或预定操作模式序列(步骤S1)。

其中，预定操作模式对应于被测设备12的发送模式。换句话说，被测设备12在预定操作模式或预定操作模式序列下以预定方式生成电磁信号。

预定操作模式或者更确切地说预定操作模式序列可以与适用于特定被测设备12的预定义测试过程相关联。预定义测试过程可以是标准测试过程。

在图1和图2的示例中，被测设备12生成呈通过空气辐射的电磁波形式的电磁信号。然而，如上所提及那样，根据被测设备12的类型，电磁信号也可以通过基于有线的连接生成和传输。

然后，由被测设备12生成的电磁信号被数据采集单元16接收和数字化，从而获得数字化输入信号(步骤S2)，其中数字化输入信号可以与时域或与频域相关联。

更准确地说，由被测设备12生成的电磁波经由天线22接收，并基于来自本地振荡器24的振荡器信号经由混频器26下混频。下混频信号然后通过滤波器28滤波，并由模数转换器30数字化。

数据采集单元16可以包括用于存储数字化输入信号的存储器。

数字化输入信号然后被转发到计算设备17，并且因此也被转发到人工智能模块18。

计算设备17可以包括用于存储数字化输入信号的存储器，特别是缓冲存储器。

在图2的变型中，电源单元32可以生成使用信息，其中使用信息包括关于被测设备12的电力消耗、被测设备12的电流消耗和/或施加到被测设备12的电压的信息。包含这个使用信息的信号可以被转发给人工智能模块18。

人工智能模块18基于人工智能模块18的至少一个计算参数、基于数字化输入信号并且可选地基于使用信息来确定至少一个特征量(步骤S3)。

其中，术语“计算参数”是表示人工智能模块18为了确定至少一个特征量而采用的计算参数的集合性术语。

在人工智能模块18包括人工神经网络的情况下，至少一个计算参数包括人工神经网络的各个神经元的加权因子。

该至少一个特征量指示被测设备12的一个或多个性能特性。更准确地说，该至少一个特征量可以包括关于被测设备12的性能的某些方面的信息和/或关于被测设备12的性能方面的特定故障和误差的信息。

其中，至少一个特征量可以具有任何合适的形式，例如它可以包括标量、向量、矩阵和/或张量。

例如，至少一个特征量可以包括关于波束成形特性、响应性、电力消耗、电流消耗、有效性和/或被测设备12的适于评估被测设备12的性能的任何其他特性的信息。

一般而言，人工智能模块18，特别是人工神经网络，被训练成基于数字化输入信号并且可选地基于使用信息来确定特征量。

人工智能模块18的训练可以以任何合适的方式进行，即，利用任何合适的机器学习技术。

训练过程可以包括监督学习、非监督学习和/或强化学习。

例如，提供标记的和/或未标记的训练数据，其中训练数据至少包括与具有已知性能特性的参考被测设备相关联的训练输入信号。

附加地，如果训练数据被标记，则训练数据还可以包括参考被测设备的参考特征量。

参考特征量可以由熟练的操作者使用从现有技术中已知的测试***通过(一次性)分析参考被测设备的性能来获得。

为了训练人工智能模块18，通过人工智能模块18处理所提供的训练数据，使得获得临时特征量。临时特征量然后可以与参考特征量进行比较和/或可以由操作员进行检查。

基于比较和/或基于操作员的分析，反馈被给予人工智能模块，并且至少一个计算参数通过合适的机器学习技术进行适配。

基于所确定的至少一个特征量，被测设备12特别地通过人工智能模块18被分类为至少两个不同性能类别中的至少一个(步骤S4)。

例如，被测设备12可以被分类为类别“测试通过”或“测试未通过”。

当然，可能有更多不同的类别，特别是与被测设备12的性能方面的特定误差或缺陷相关联的类别。

如图3中的虚线箭头所示，控制单元20还可以控制人工智能模块18基于被测设备12的预定操作模式和/或被测设备12的预定操作模式序列来适配至少一个计算参数。

换句话说，至少一个计算参数可以被适配为适于被测设备12的特定操作模式或者被测设备12的特定操作模式序列。

因此，几组计算参数可以存储在计算设备17中和/或人工智能模块18中，其中每组计算参数可以与被测设备12的一个或多个特定操作模式相关联。

总之，以上描述的测试***10和信号分析方法提供了测试被测设备12的简单方法，因为所有相关评估都是由人工智能模块18自动执行的，并且不需要该领域的实质性知识。

Claims (17)

1.一种分析被测设备的性能的信号分析方法，所述方法包括：

获得数字化输入信号，其中所述数字化输入信号与所述被测设备相关联，以及

经由人工智能模块确定至少一个特征量，其中所述人工智能模块包括至少一个计算参数，并且其中所述至少一个特征量基于所述数字化输入信号并且基于所述至少一个计算参数来确定，

其中所述至少一个特征量指示所述被测设备的至少一个性能特性，

提供控制单元，其中所述控制单元控制所述被测设备进入预定操作模式和预定操作模式序列中的至少一个，并且

其中所述控制单元被配置为控制所述人工智能模块以基于所述被测设备的预定操作模式来适配所述至少一个计算参数。

2.根据权利要求1所述的信号分析方法，其中基于所确定的至少一个特征量，所述被测设备被分类为至少两个不同性能类别中的至少一个。

3.根据权利要求1所述的信号分析方法，其中提供电源单元，其中所述电源单元向所述被测设备提供电力，其中所述电源单元提供关于所述被测设备的电力消耗、所述被测设备的电流消耗和施加到所述被测设备的电压中的至少一个的使用信息，并且其中所述使用信息被转发到所述人工智能模块。

4.根据权利要求3所述的信号分析方法，其中所述人工智能模块基于所述使用信息确定所述至少一个特征参数。

5.根据权利要求1所述的信号分析方法，其中所述人工智能模块是被训练来确定所述至少一个特征量的机器学习模块。

6.根据权利要求5所述的信号分析方法，其中所述人工智能模块包括人工神经网络。

7.根据权利要求1所述的信号分析方法，其中提供训练数据，其中所述训练数据包括参考被测设备的至少一个参考特征量和/或与具有已知性能特性的参考被测设备相关联的训练输入信号，并且其中所述至少一个计算参数基于所述训练数据进行适配。

8.根据权利要求7所述的信号分析方法，其中所述至少一个计算参数经由监督学习、非监督学习和强化学习中的至少一个来适配。

9.根据权利要求1所述的信号分析方法，其中所述数字化输入信号是时域信号。

10.根据权利要求9所述的信号分析方法，其中所述数字化输入信号具有预定义持续时间。

11.根据权利要求1所述的信号分析方法，其中所述数字化输入信号是频域信号。

12.根据权利要求11所述的信号分析方法，其中所述数字化输入信号具有预定义带宽。

13.一种用于分析被测设备的性能的测试***，所述测试***包括：

数据采集单元，所述数据采集单元被配置为获得数字化输入信号；

人工智能模块，所述人工智能模块包括至少一个计算参数；以及

控制单元，其中所述控制单元被配置为使所述测试***执行根据前述权利要求中任一项所述的信号分析方法。

14.根据权利要求13所述的测试***，还包括被测设备。

15.根据权利要求14所述的测试***，还包括电源单元，其中所述电源单元被配置为向所述被测设备提供电力，并且其中所述电源单元被配置为提供关于所述被测设备的电力消耗、所述被测设备的电流消耗和施加到所述被测设备的电压中的至少一个的使用信息。

16.根据权利要求13所述的测试***，其中所述人工智能模块包括要由计算设备执行的程序代码装置。

17.一种包含程序代码的计算机存储介质，当所述程序代码由处理器执行时使得所述处理器执行根据权利要求1至12中任一项所述的信号分析方法。