【技术实现步骤摘要】
本专利技术涉及参数测量领域，尤其是涉及一种应用于ate对adc产品inl、dnl参数快速测量的方法。
技术介绍
1、 ate是一种广泛应用于集成电路测试的设备，用于评估芯片在生产过程中的电气性能，adc是一种将模拟信号转换为数字信号的接口电路，其中inl和dnl是两个重要的静态参数，用于衡量adc的转换精度和性能，传统上，在芯片出厂前，需要通过ate对adc进行全面的测试，以确保其符合设计要求和应用规范，测试通常包括对芯片施加特定输入信号，并使用示波器等仪器观察输出信号的准确性；
2、然而，传统的adc测试依赖于大量数据采集和复杂的测试流程，导致测试成本高、时间长，特别是在高频adc产品中，测试所需的硬件资源极大，且数据采集的过程中，采样精度和测试效率不足；
3、此外，传统测试方法无法对未采集到的数据进行有效补全，导致测试结果的精确度受到限制，难以满足现代高集成度、高频率产品的要求。
技术实现思路
1、本专利技术的目的在于针对现有技术的不足之处，提供一种应用于ate对adc产品inl、dnl参数快速测量的方法，旨在利用少量采集数据，通过神经网络模型进行误差预测和补全，显著减少了测试数据采集量，大幅降低测试时间和成本。同时，该方法通过对未采集部分的数据进行补全和修正，确保了测试结果的精度，适用于高集成度和高频率的adc产品，有效提高了测试效率和产品性能的一致性。
2、为此，本申请提供一种应用于ate对adc产品inl、dnl参数快速测量的方法，包括
3、步骤s100、获取adc产品数据与环境参数及预处理。
4、步骤s200、基于s100中所得数据，配置三层神经网络模型。
5、步骤s300、基于s200中三层神经网络模型运算结果，进行误差预测及优化三层神经网络模型。
6、步骤s400、基于s300所得误差预测值，补全adc产品数据及调整。
7、步骤s500、基于补全的adc产品数据，得出补全数据参数。
8、步骤s600、基于s500所得补全数据参数进行反馈处理。
9、在一些具体实施方式中，获取adc产品数据与环境参数及预处理，具体包括：
10、步骤s100.1、基于ate设备获取adc产品历史数据与当前部分数据。
11、其中，历史数据为：inl和dnl数据。
12、其中，当前部分数据为：部分inl和dnl数据。
13、步骤s100.2、获取测试环境参数。
14、所述环境参数包括：温度和电压波动。
15、所述温度，基于温度传感器获取。
16、所述电压波动，基于电压监控设备获取。
17、步骤s100.3、基于所得历史数据、当前部分数据及环境参数进行预处理。
18、在此需要说明的是，预处理包括：数据清晰和标准化处理，其中，预处理已是本领域技术人员熟知的现有技术，在此不在赘述。
19、在一些具体实施方式中，采用三层神经网络模型对s100中所得数据进行初步运算，具体包括：
20、步骤步骤s200.1、基于获取的历史数据，将历史数据划分为：训练集、验证集和测试集。
21、步骤步骤s200.1.1、构建神经网络模型。
22、所述三层神经网络分别为：输入层、隐藏层和输出层。
23、所述输入层为：采集的adc产品输入信号特征。
24、其中，信号特征包括：输入电压、输出值、温度、频率。
25、所述隐藏层为：用于捕捉复杂的非线性关系。
26、其中，隐藏层采用relu激活函数，并包含20个神经元。
27、所述输出层为：用于线性激活函数。
28、 其中，输出层包含2个神经元，分别对应inl和dnl的预测值。
29、基于配置后的三层神经网络模型，将输入历史数据，特征为，每一层的输出为：
30、式中，是权重矩阵，是偏置项，x是输入特征向量，x包括电压、输出、温度，relu激活函数是处理非线性特征。
31、步骤步骤s200.2、基于训练集对神经网络模型进行训练，并获取inl与dnl的预测值。
32、步骤步骤s200.2.1、采用损失函数，通过神经网络神经网络模型所得的预测值与当前部分数据对比来最小化二者的差异，所述损失函数，具体为：
33、
34、式中，是损失函数，n是数据集中的样本数量，是第i个数据点的inl预测值，是第i个数据点的inl真实值，是第i个数据点的dnl预测值，是第i个数据点的dnl真实值，是第i个数据点的inl误差平方，是第i个数据点的dnl误差平方。
35、步骤步骤s200.2.2、采用随机梯度下降算法更新神经网络神经网络模型中权重，具体为：
36、
37、式中，是第t轮训练时的权重矩阵，是第t+1轮训练后的更新权重，是学习率，控制每次权重更新的步长，是损失函数对当前权重的偏导数，并衡量当前权重对损失的影响。
38、步骤步骤s200.2.3、采用验证集数据对训练后的神经网络神经网络模型进行评估。
39、所述评估，若神经网络模型在验证集上的损失值未降低超过5%，则增加训练轮数，所述增加训练轮数为：50至100轮。
40、步骤步骤s200.3、基于测试集和训练后的神经网络神经网络模型，对步骤步骤s100.2中所述的当前部分数据进行误差预测测试，并测试通过神经网络神经网络模型补全未采样部分的inl、dnl数据。
41、所述误差预测，具体为：
42、
43、式中，是第i个输入数据点对应的inl和dnl预测值，是表示经过神经网络神经网络模型处理的输出函数，输入为数据点，神经网络模型权重w和偏置b，是第i个采样点的输入特征，包括输入电压、输出信号、温度。
44、所述补全未采样部分，利用神经网络模型预测结果，推断未采样的数据点误差。
45、步骤步骤s200.4、基于验证集和神经网络模型的预测结果，对inl和dnl误差进行进一步校正。
46、步骤步骤s200.4.1、采用加权修正算法，基于神经网络模型输出的inl、dnl预测值与实际采集的少量真实数据对比，具体为：
47、
48、式中，是经过校正后的最终inl和dnl误差，是修正系数，设置为0.8，用于控制预测值和真实值在最终结果中的权重，是神经网络模型预测出的inl和dnl误差值，是实际采集到的inl和dnl误差值。
49、步骤步骤s200.4.2、基于训练后的神经网络神经网络模型的预测结果进行验证对比。
50、所述验证结果为：若误差过大，则调整校正系数，所述误差在预期范围为2%。
51、在一些具体实施方式中，基于s200中三层神经网络模型运算结果，进行误差预测及优化三层神经本文档来自技高网...
【技术保护点】
1.一种应用于ATE对ADC产品INL、DNL参数快速测量的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种应用于ATE对ADC产品INL、DNL参数快速测量的方法，其特征在于，获取ADC产品数据与环境参数及预处理，具体包括：
3.根据权利要求1所述的一种应用于ATE对ADC产品INL、DNL参数快速测量的方法，其特征在于，采用三层神经网络模型对S100中所得数据进行初步运算，具体包括：
4.根据权利要求1所述的一种应用于ATE对ADC产品INL、DNL参数快速测量的方法，其特征在于，基于S200中三层神经网络模型运算结果，进行误差预测及优化三层神经网络模型，具体包括：
5.根据权利要求1所述的一种应用于ATE对ADC产品INL、DNL参数快速测量的方法，其特征在于，基于S300所得误差预测值，补全ADC产品数据及调整，具体包括：
6.根据权利要求1所述的一种应用于ATE对ADC产品INL、DNL参数快速测量的方法，其特征在于，基于补全的ADC产品数据，得出补全数据参数，具体包括：
7.根据权利
...【技术特征摘要】
1.一种应用于ate对adc产品inl、dnl参数快速测量的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种应用于ate对adc产品inl、dnl参数快速测量的方法，其特征在于，获取adc产品数据与环境参数及预处理，具体包括：
3.根据权利要求1所述的一种应用于ate对adc产品inl、dnl参数快速测量的方法，其特征在于，采用三层神经网络模型对s100中所得数据进行初步运算，具体包括：
4.根据权利要求1所述的一种应用于ate对adc产品inl、dnl参数快速测量的方法，其特征在于，基于s200中三层神经网络...
【专利技术属性】
技术研发人员：胡久恒，丁宁，
申请(专利权)人：杭州高坤电子科技有限公司，
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。