【技术实现步骤摘要】
本专利技术涉及的一种电路校准方法与装置，特别是涉及应用于半导体测试领域的一种基于机器学习的硬件电路校准方法与装置。
技术介绍
1、在集成电路测试设备（autotestequipment,ate)中有大量的需要进行校准的装置，例如：电压源，电流源，任意波形发生器等等，主要由ad,da及运放等电路构成。该类装置因为需要给被测器件(deviceundertest,dut)提供精确的电压，电流等信号，但因为自身所包含的ad,da,运放等组成元件存在线性或非线性误差，导致原始的电路装置无法满足高精度的信号发生能力，所以每个装置在实际使用前需要进行专门的校准。
2、传统的校准方法，是将ad,da,运放等组成的电路装置看作一个线性信号发生装置，通过线性回归方法获得满足精度要求情况下装置的输入与输出所组成的线性系统的增益(gain)与偏差(offset)，对输入x进行运算：gain*x+offset从而得到校准后的输出y。该方法存在以下几个问题：
3、1.实际电路装置在输出信号的部分参数区域可以视作线性工作区域，例如：电压源的输出每个档位的10%~90%的电压区间。而在档位两端存在非线性的情况，导致校准后的装置无法将每个输出或输入档位的相应参数区域完全利用。
4、2.每个装置往往具有多个工作模式，每个模式包含若干档位。传统模式下，仅使用gain与offset对装置进行校准。此方法的弊端在于，环境因素（如温度）对于装置也存在一定影响；若在某一温度t1下使用gain与offset对装置进行校准，实际使用时环境温度
5、3.若区分不同温度段使用gain与offset对装置进行校准，将会产生以温度和档位两个维度下的gain与offset。虽然可用，但其搭建环境控制温度较为困难，花费时间较长，需要保存的数据量较大，储存与使用均较为麻烦。
技术实现思路
1、针对上述现有技术，本专利技术要解决的技术问题是以何种方式获得有效的校准原始数据，如何需要建立合适的神经网络模型，实现所有档位与温度范围内输出精度预测达到万分之一以内的数据拟合，如何使神经网络校准能够消除环境等因素（温度）对于器件输出的影响。
2、为解决上述问题，本专利技术提供了一种基于机器学习的硬件电路校准方法，包括以下步骤：
3、s1、获取器件在不同档位不同温度下指定工作范围内的输入值和输出值，作为训练样本，训练样本中一条数据包含：用户指定的期望值、档位、温度、硬件电路最终实际输出、硬件电路测量值、万用表测量值；
4、s2、从器件获取到足够的训练样本后，将样本先进行预处理和归一化处理，再输入到神经网络中进行训练；得到神经网络训练模型的参数；
5、s3、根据对器件输出或测量的不同，选择相应的参数作为神经网络的输入，经过神经网络模型的计算，得到所需修正的结果。
6、在上述基于机器学习的硬件电路校准方法中，原有校准方式不考虑环境因素（温度）的影响，受温度影响明显，在其他温度下进行的校准与实际值相差较大；而利用神经网络进行校准可以有效减小环境因素的影响，并将输出修正在预期精度范围内。
7、作为本申请的进一步补充，s2中，使用神经网络模型对输入样本进行预测，再与输出标签值进行比较和反向传播，直到样本训练的精度达到要求后结束训练。
8、作为本申请的进一步补充，包括校准输出状态，在校准输出时，s1中所述的训练样本中一条数据包含：用户指定的期望值、档位、温度、硬件电路最终实际输出值；此时，神经网络模型的输入为：硬件电路实际输出值、档位、温度；神经网络的输出为：用户指定的期望值。
9、作为本申请的进一步补充，包括校准测量状态，在校准测量时，s1中所述的训练样本中一条数据包含：硬件电路测量值、档位、温度、万用表测量值；此时，神经网络模型输入为：硬件电路测量值、档位、温度；神经网络模型输出为：万用表测量值。
10、本专利技术还提供了一种基于机器学习的硬件电路校准装置，包括一上位机ate，所述上位机ate的软件控制端中搭载有神经网络模型，用于实现上述的校准硬件电路校准方法。
11、作为本申请的又一种改进，一种基于机器学习的硬件电路校准装置，包括一硬件电路fpga，所述硬件电路fpga中搭载有神经网络模型，用于实现上述的校准硬件电路校准方法。
12、综上所述，本专利技术通过神经网络机器学习的方法实现了一种新的校准方法。相比现有校准方法，具有如下的优点：
13、1.能够同时学习所有档位与温度下各个输入对应的输出映射；
14、2.能够实现全档位范围内所有输入对应的线性与非线性输出工作区域的参数校准；
15、3.能够解决原有校准方式易受温度影响的问题。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的硬件电路校准方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的硬件电路校准方法，其特征在于：包括校准输出状态，在校准输出时，S1中所述的训练样本中一条数据包含：用户指定的期望值、档位、温度、硬件电路最终实际输出值；
3.根据权利要求1所述的一种基于机器学习的硬件电路校准方法，其特征在于：包括校准测量状态，在校准测量时，S1中所述的训练样本中一条数据包含：硬件电路测量值、档位、温度、万用表测量值；
4.根据权利要求1所述的一种基于机器学习的硬件电路校准方法，其特征在于：所述S2中，使用神经网络模型对输入样本进行预测，再与输出标签值进行比较和反向传播，直到样本训练的精度达到要求后结束训练。
5.一种基于机器学习的硬件电路校准装置，其特征在于：包括一上位机ATE，所述上位机ATE的软件控制端中搭载有神经网络模型，用于实现权利要求2或3任一所述的校准硬件电路校准方法。
6.一种基于机器学习的硬件电路校准装置，其特征在于：包括一硬件电路FPGA，所述硬件电路FPGA中搭载有神经网络模
...【技术特征摘要】
1.一种基于机器学习的硬件电路校准方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的硬件电路校准方法，其特征在于：包括校准输出状态，在校准输出时，s1中所述的训练样本中一条数据包含：用户指定的期望值、档位、温度、硬件电路最终实际输出值；
3.根据权利要求1所述的一种基于机器学习的硬件电路校准方法，其特征在于：包括校准测量状态，在校准测量时，s1中所述的训练样本中一条数据包含：硬件电路测量值、档位、温度、万用表测量值；
4.根据权利要求1所述的一种基于机器学习的...
【专利技术属性】
技术研发人员：毛国梁，洪思昂，
申请(专利权)人：南京宏泰半导体科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。