分离噪声以提高测试和测量系统中的机器学习预测准确性技术方案

分离噪声以提高测试和测量系统中的机器学习预测准确性

【技术实现步骤摘要】
分离噪声以提高测试和测量系统中的机器学习预测准确性
[0001]相关申请的交叉引用
[0002]本公开要求于2022年6月15日提交的、题为“SEPARATING NOISE TO INCREASE MACHINE LEARNING PREDICTION ACCURACY IN A TEST AND MEASUREMENT SYSTEM”的美国临时申请第63/352,592号的权益，该美国临时申请的公开内容通过引用整体地并入到本文中。


[0003]本公开涉及测试和测量系统，并且更特别地涉及测试和测量系统的机器学习组件。
[0004]描述
[0005]各自在2022年3月22日提交的、题为“OPTICAL TRANSMITTER TUNING USING MACHINE LEARNING AND REFERENCE PARAMETERS”的美国专利申请第17/701，186号和题为“OPTICAL TRANSCEIVER TUNING USING MACHINE LEARNING”的美国专利申请第17/701，411号，描述了在调谐光收发器的过程中采用机器学习组件的测试和测量系统，这可以包括测量或预测光发射器或收发器的发射器色散眼图闭合四相(Transmitter Dispersion Eye Closure Quaternary)(TDECQ)值。2022年5月18日提交的、题为“SHORT PATTERN WAVEFORM DATABASE BASED MACHINE LEARNING FOR MEASUREMENT”的美国专利申请第17/747,954号描述了在机器学习系统的训练和运行时两者中使用描绘为张量图像的符号模式的短片段的数据库，用于预测TDECQ值或其他测量。这些申请中的每个的全部内容通过引用由此并入到本申请中。
[0006]噪声构成了在表征被测设备(DUT)时使用的许多性能测量的主要部分。例如，TDECQ(发射器色散和眼图闭合四相)计算接收器可能添加到信号的降级(degradation)。降级包括噪声、符号间干扰(ISI)等。常规测量技术通常不在进行TDECQ测量之前从波形中去除噪声。
[0007]然而，在使用机器学习来分析DUT性能或提供关于操作/调谐参数的预测的系统中，噪声可能导致问题。这些类型的机器学习系统使用波形数据以进行训练和运行时，以做出具有预测误差的预测。如果波形具有高噪声的电平，则机器学习系统的训练可能导致具有过高的误差的预测。
附图说明
[0008]图1示出了用于训练深度学习网络的系统的实施例。
[0009]图2示出了使用深度学习网络来预测被测设备的性能测量的系统的实施例。
[0010]图3示出了用于训练深度学习网络的系统的另一实施例。
[0011]图4示出了使用深度学习网络来预测被测设备的操作参数的系统的实施例。
[0012]图5示出了包括温度和噪声数据的灰度张量图像的示例。
[0013]图6示出了包括用于预测被测设备的操作参数的温度和噪声数据的超光谱张量图
像的示例。
具体实施方式
[0014]与在进行性能测量时不去除噪声的常规技术相比，本文中所述的实施例在将获取的波形提交给机器学习系统之前，从获取的波形中滤除尽可能多的噪声。所述实施例在滤波之前确实测量噪声并保存噪声的表示。实施例的机器学习系统将图像张量用于训练和操作两者，从而允许更快地分析图像。所述实施例包括图像中噪声的表示，诸如条形图或直方图。从波形中去除噪声将预测误差降低到可接受的水平，同时仍然考虑张量图像中的噪声。所述实施例导致针对进行测量和调谐参数的机器学习预测的误差的较小的标准偏差。
[0015]实施例生成由机器学习系统使用来产生预测值的张量图像。张量图像可以包括电平图像、脉冲图像或两者。机器学习系统使用图像来产生性能测量的预测值，诸如TDECQ(发射器色散和眼图闭合四相)、或前馈均衡器参数、或操作参数，本文中也称为调谐参数。调谐参数可以包括电平和增益调谐参数。
[0016]TDECQ提供性能测量的示例。为了预测性能测量，深度学习网络的训练考虑了噪声。例如，当使用常规TDECQ测量作为用于训练的实际参考TDECQ值时，实施例不从波形中去除噪声。但是，对于用于利用该TDECQ值进行训练并与之相关联的波形，该过程在将波形放入到短模式张量图像中之前，从波形中去除尽可能多的噪声。在用于训练的TDECQ的值中考虑噪声，但是从用于训练的波形张量图像中去除噪声。这导致深度学习网络能够更准确地提取与预测的参数或测量相关联的波形的期望特性。
[0017]此外，噪声值被置于图像中的条形图或其他噪声表示中，使得其不干扰波形特征提取过程。仍然以某种噪声表示的形式(诸如条形图、直方图等)考虑噪声。这导致预测结果具有更高的准确性和更高的一致性以及更小的偏差。
[0018]表示噪声的图形图像，诸如条形图或饼图等，被置于张量图像的不同部分中，例如图像的边界上，或者未使用的颜色通道中。该方法是用于处理噪声的独特技术。在进行预测时，性能测量预测充分考虑了波形上的噪声。在另一方面，当预测发射器调谐参数时，噪声可能不会影响要预测的参数的值。对于那些情况，将不需要噪声条形图，但仍可能包括噪声条形图。然而，如果诸如增益控制的参数中的一些参数确实影响噪声电平，则噪声条形图将允许深度学习网络考虑噪声值。
[0019]图1
‑
4图示了根据本公开的一些示例实施例的机器学习系统配置的实施例。一个方面是使用两种不同带宽的低通滤波器以从输入波形中去除噪声。在所示的示例中，用于创建张量的电平图像的波形具有低得多的1GHz的低通截止频率。在下面所示的示例中，用于创建脉冲短模式图像的波形具有较高的25GHz的低通截止频率。这是因为在观察脉冲响应时，有必要维持信号内容的较高带宽。对于给定的应用，两个低通滤波器的截止频率可以是固定的，或者对于更一般的应用，它们可以根据菜单或PI(编程接口)命令来设置。
[0020]张量图像包括温度和噪声之一或两者的分离的条形图或其他表示。当测试和测量仪器生成灰度图像或彩色超光谱图像时，它可以将噪声表示置于所有三个颜色通道中，或者置于任何单个颜色通道中，或者置于颜色通道的任何组合中。温度和噪声表示可以采用除条形图之外的许多不同形式中的一种。
[0021]以新颖的方式处理短模式张量图像中的噪声表示的噪声估计。在一个实施例中，
从输入波形中减去由较低截止频率产生的低通波形，并且差异的标准偏差成为噪声估计。这减去了PAM4波形模式，并且其减去了滤波器的1GHz通带中的所有噪声。差异然后是原始波形中高于1GHz的高通带中的噪声。这种方法的新颖性有两个方面。首先，它不必是全带宽信号中的“实际”噪声。它只需要是与深度学习网络的该全带宽噪声成比例的相对度量，以将其正确地考虑用于性能测量的关联。对于一些输出预测，噪声是不相关的。因此，以噪声表示的形式存在导致将其从波形视图中隔离，在波形视图中，深度学习网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种测试和测量仪器，包括：输入端口，用于允许仪器从被测设备(DUT)接收一个或多个波形；一个或多个低通滤波器，用于从一个或多个波形中去除噪声的一部分，以产生一个或多个滤波波形；以及一个或多个处理器，其被配置成执行代码，所述代码使得一个或多个处理器：从一个或多个波形中选择一个或多个波形模式；测量一个或多个波形中的噪声，并生成从一个或多个波形中去除的噪声的噪声表示；使用一个或多个波形模式和一个或多个滤波波形来创建一个或多个波形的一个或多个图像；将噪声表示添加到一个或多个波形的一个或多个图像，以产生至少一个组合图像；将至少一个组合图像输入到一个或多个深度学习网络；以及从一个或多个深度学习网络接收DUT的一个或多个预测值。2.根据权利要求1中所述的测试和测量仪器，其中，所述一个或多个低通滤波器包括用于产生第一滤波波形的第一低通滤波器和用于产生第二滤波波形的第二低通滤波器，并且使得所述一个或多个处理器创建至少一个组合图像的所述代码包括使得所述一个或多个处理器执行以下操作的代码：使用波形模式和来自第一低通滤波器的第一滤波波形来创建波形的电平图像；以及使用波形模式和来自第二低通滤波器的第二滤波波形来创建波形的脉冲图像。3.根据权利要求2中所述的测试和测量仪器，其中，第一低通滤波器具有低于第二低通滤波器的通带。4.根据权利要求1中所述的测试和测量仪器，其中，所述端口还允许仪器接收DUT的温度数据，并且每个波形的组合图像包括温度数据的表示。5.根据权利要求1中所述的测试和测量仪器，其中，使得所述一个或多个处理器测量噪声的所述代码使得一个或多个处理器：从波形中减去滤波波形以找到差异；找到差异的标准偏差；以及使用标准偏差来生成噪声表示。6.根据权利要求1中所述的测试和测量仪器，其中，所述一个或多个预测值包括预测的发射器色散和眼图闭合四相值以及前馈均衡器抽头。7.根据权利要求6中所述的测试和测量仪器，其中，使得所述一个或多个处理器创建一个或多个图像的所述代码包括使得所述一个或多个处理器创建包括噪声的电平和脉冲图像的代码。8.根据权利要求1中所述的测试和测量仪器，其中，所述一个或多个预测值包括DUT的操作参数。9.根据权利要求8中所述的测试和测量仪器，其中，使得处理器创建一个或多个波形的一个或多个图像的所述代码包括使得所述一个或多个处理器执行以下操作的代码：从DUT接收一个或多个波形，由所述DUT产生的所述一个或多个波形中的每个都被配置有一组不同的参考操作参数；通过创建电平和脉冲图像以及来自DUT的一个或多个波形中的每个的电平图像来创建
一个或多个图像；以及将一个或多个波形中的每个的电平和脉冲图像、脉冲图像以及噪声表示放置在DUT的至少一个组合图像中的不同颜色通道上。10.根据权利要求8中所述的测试和测量仪器，其中，使得所述一个或多个处理器将所述至少一个组合图像输入到所述一个或多个深度学习网络的所述代码包括使得所述一个或多个处理器执行以下操作的代码：将第一组合图像输入到所述一个或多个深度学习网络中的第一深度学习网络，所述第一组合图像包括电平和脉冲图像以及噪声表示；以及将第二组合图像输入到所述一个或多个深度学习网络中的第二深度学习网络，所述第二组合图像包括到所述一个或多个深度学习网络中的第二深度学习网络的电平图像和噪声表示。11.根据权利要求1中所述的测试和测量仪器，所述一个或多个处理器进一步被配置成执行代码，所述代码使得所述一个或多个处理器通过以下方式来训练所述一个或多个深度学习网络：使用来自多个被测设备的多个波形的常规测试来获取性能测量的值；针对多个波形中的每个，从至少一个组合图像创建至...

【专利技术属性】
技术研发人员：J，
申请(专利权)人：特克特朗尼克公司，
类型：发明
国别省市：