通用数字信号处理波形机器学习控制应用
1.相关申请的交叉引用本公开要求于2021年6月4日提交的名称为“general digital signal processing waveform machine learning support application”的美国临时申请no. 63/197,282的权益，该美国临时申请的公开内容以其全文通过引用并入本文。
技术领域
2.本公开涉及测试和测量系统和仪器，并且更具体地，涉及用于将机器学习集成到测试和测量系统中的机器学习平台。
背景技术：
3.所有不同种类的电气和光学部件的制造商必须在将部件发送到它们的客户之前测试部件。光学和电气部件在制造线路上的测试典型地涉及：设置针对部件的操作参数，测试它以聚集输出数据，且然后评估输出数据以查看部件是通过还是失败。该过程可以针对每个部件发生多次。这提高了针对每个部件的制造成本，乘以部件数目。该数目可以达到数十万个部件。
4.一些制造商已经提供了指示下述内容的数据：单个部件的测试可能在最差情况示例中耗费多达200次迭代。最佳情况示例耗费三次和五次迭代之间的某处。减少这些迭代提高了吞吐量并降低了成本。
5.实现机器学习途径可以改进该过程。机器学习系统已经示出：它们可以加速操作参数的选择以及将所得测量结果提供给测试系统。另外，机器学习可以协助用于校准、表征、测试、调谐等的其他环境。
6.然而，当前不存在以测试多种类型的部件的灵活性集成到客户测试系统中的机器学习平台。
附图说明
7.图1示出了测试和测量系统的实施例。
8.图2-5示出了针对不同系统配置的用户界面的实施例。
9.图6示出了波形管理菜单的实施例。
10.图7示出了连续时间线性均衡器（ctle）/时钟恢复菜单的实施例。
11.图8示出了快速傅里叶变换（fft）控件菜单的实施例。
12.图9示出了双谱和双相干控件菜单的实施例。
13.图10示出了机器学习训练菜单的实施例。
14.图11示出了机器学习运行时菜单的实施例。
15.图12示出了用于选择针对显示的曲线图的菜单的实施例。
16.图13示出了结果菜单的实施例。
17.图14示出了仿真波形发生器菜单的实施例。
18.图15示出了针对仿真波形发生器中的扫描参数的菜单的实施例。
19.图16示出了pam4扫描参数发生器输出仿真波形的示例。
20.图17示出了保存和召回菜单的实施例。
21.图18示出了帮助菜单的实施例。
具体实施方式
22.机器学习和人工智能应用现在是主流且在许多技术领域中得到应用，该许多技术领域包括测试和测量仪器和系统。实施例涉及测试和测量系统，其包括支持机器学习训练和运行时的软件应用平台。平台提供针对问题的调试和与波形相关联的测量的支持以及将波形放到适于机器学习的形式中所需的许多数字信号处理（dsp）变换。实施例提供与用户测试自动化软件的同步。平台的一个示例应用可以是：将机器学习集成到制造线路上的校准、表征或测试过程中，例如在针对光学发射机或收发器的调谐过程中。许多其他应用是可能的。
23.图1示出了包括软件应用平台的测试和测量系统的实施例的框图。在实施例中的一些中，客户的软件应用控制制造或者作为用于执行机器学习训练且用于执行机器学习的运行时操作的闭环系统的一部分的测试过程。这里被称作“客户app”的图1中的客户应用（“客户测试自动化sw应用”）16控制温度、光学或电气开关、测试和测量仪器，诸如谱分析器、示波器、bert（误比特率测试）和/或其他项目。
24.实施例具有使它对于将利用机器学习的许多类型的系统而言有用的灵活性。
25.在制造线路上调谐光学发射机参数的示例说明了闭环操作。客户测试自动化app会将系统设置成获取波形。然后，它会存储元数据的集合。在该示例中，元数据会包括被加载到发射机中的发射机调谐参数。对于训练循环，客户app收集所获取的波形和关联的元数据，并将它转移到在本公开中描述的平台中，该平台是图1中的“广义机器学习控制应用”，其包括可配置且可训练的机器学习系统，诸如神经网络。该讨论还可以将这一点称作“ml控制app”。客户app会扫描不同参数设置，并重复训练步骤直到已经获得足够数据以训练神经网络。
26.在制造线路上的运行时期间，客户app或测试自动化系统具有调谐发射机的任务。它设置发射机参数并从发射机收集输出波形。客户app仅将波形发送到ml控制app。机器学习系统然后观察波形，并确定客户应当将什么用于设置调谐参数的下一次迭代。该闭环操作在比先前采用的传统方法更少的时间中优化了发射机的调谐。
27.在图1中，测试和测量系统具有由处理器10表示的一个或多个处理器、可存储由该一个或多个处理器执行以运行客户测试自动化系统16的代码的存储器12、以及ml app或ml系统22。系统一般将包括被测试设备（dut）18（诸如，上面提及的光学发射机）以及测试和测量设备20（诸如，示波器或“镜”）。尽管该图示出了镜，但系统可以包括其他类型的测试和测量设备。测试自动化系统在训练期间将波形、参数和/或测量结果传递到机器学习系统，其中参数和/或测量结果被包括在元数据中。在运行时期间，波形被发送到机器学习系统，并且它将结果返回到测试自动化系统。
28.应当注意，运行客户app和ml app的该一个或多个处理器可以驻留于相同计算设备上，或者可以驻留于两个不同计算设备上，一个针对客户app并且一个针对机器学习系
统。那些计算设备之一可以包括测试和测量设备。具有被配置成且能够执行针对一个或全部两个应用的代码的处理器的任何设备。
29.在以下讨论中，附图图示了在用户界面14上显示给用户的菜单。由应用的组合执行的系统的各种能力和选项的菜单演示。尽管该讨论聚焦于菜单，但应当注意，在菜单上提供的选项表示在由处理器执行时使系统执行由选项标识的任务或功能的代码。
30.测试和测量系统的主要基础在于波形的获取。系统通常从测试和测量设备获取这些，但也可以从存储器、诸如处于测试和测量设备上的本地存储器、跨网络或从指定位置（诸如，文件夹）获取它们。另外，测试自动化系统在训练期间提供与每个波形相关联的实际元数据作为输入。该输入元数据可以包括有益于以某种方式对波形进行分类的任何事物。输入元数据可以包括许多不同类型的信息。它们可以包括发射机调谐参数、用于发送波形的发射机寄存器中的各种参数。可以存在数十个或甚至数百个参数。元数据的其他示例包括而不限于从发射波形的设备上的温度读取的温度、湿度、在波形上作出的任何类型的测量结果、波形数据的响应的带宽、通过其而传输了波形的介质的传递函数的估计、波形上的噪声、用于创建或获取波形的测试和测量设备的噪声、平均光学功率、抖动等。
31.图1包括针对机器学习控制应用的系统配置选择菜单。该菜单允许用户针对当前测试环境或过程而选择具体类型的机器学习系统配置。例如，用户可以选择如图2中所示的光学发射机调谐系统。如可以通过图2看出的那样，屏幕具有跨顶部的若干个标签，并且这些图示出了针对系统标签的一些选项。在一些实施例中，用户界面可以显示所选择的系统配置的框图，如图2-5中所示，这可以协助用户理解系统的操作和系统内的数据流。
32.示例使用双相干图像来示出测量系统。图3-5示出了不同类型的双相干系统的不同选择。许多类型的系统可以被添加以在该系统配置选择菜单中使用。该菜单块使系统能够被推广。系统配置可以与系统模板有些类似。特定系统类型的用户选择可以预先选择或预先配置系统内的其他块，例如，要被应用于在图1中所示的dsp变换菜单中示出的输入波形的特定波形dsp变换的预先选择。
33.这些允许用户选择要应用于波形的各种变换，以准备数据以用作到机器学习训练过程的输入。这些可以包括而不限于诸如应用前馈均衡（ffe）、决策反馈均衡（dfe）之类的均衡或者其他滤波器、应用贝塞尔汤普森（bessel-thompson）滤波器、以及执行双谱分析。应当注意，公开号为2021/0081630的美国专利讨论了双谱分析且以其全文通过引用并入本文。其他变换可以包括波形创建的类型的选择。这可以包括而不限于在2021年6月11日提交的美国专利申请no. 17/345,312中讨论的循环回路图像张量创建、在2022年6月3日提交的美国专利申请no. 17/592,437中讨论的特定类的眼图、以及在2022年5月18日提交的美国专利申请no. 17/747,954中讨论的波形图像张量数据库。如上所提及，公开号为2021/0081630的美国专利申请讨论了双谱图像、双相干图像、高阶统计图像和高阶统计数据。这些专利申请以其全文通过引用并入本文。
34.时钟恢复包括针对波形变换的另一选项。应用是通用的，并且照此，可以添加其他系统示意图，这要求在本公开中未提及的dsp处理块。未来dsp算法可以被添加以支持添加到应用的未来系统。
35.图6示出了作为用户界面中的下一标签的波形管理菜单的实施例。图7示出了连续时间线性均衡器（ctle）和时钟恢复菜单的实施例。图8示出了快速傅里叶变换（fft）菜单的
实施例。图9示出了双谱分析设置的实施例。
36.返回到图1，系统还提供针对ml训练和运行时选项的用户选择。图10示出了ml训练菜单的实施例。还应当注意，用户界面允许用户选择训练或运行ml系统，以及利用进度表暂停或停止过程。系统的该部分允许用户设置机器学习网络的类型以及针对当前任务而对从网络需要的输入数据和输出数据的组织。这要求用户应用针对调谐过程的每个步骤而获取波形数据并将其连同实际元数据一起馈送到ml块。系统可以与波形的每步获取顺序地或者通过存储波形和元数据的大集合且将其移交给ml块来执行这一点。菜单可以包括训练曲线图，其在训练过程期间被更新以示出训练的进度和准确度。菜单还可以包括框图图像，其示出网络层配置并允许用户不论何时神经网络算法ml被选择时都控制配置和设置。菜单可以包括针对除神经网络外的ml系统的其他支持菜单。
37.图11示出了ml运行时菜单的实施例。系统的该部分允许用户设置和控制机器学习系统的运行时使用。如上所提及，这可以驻留于客户的制造线路上，但不限于该使用。在运行时，测试自动化系统获取波形数据并在没有元数据的情况下将其发送到机器学习系统，且然后接收作为来自机器学习块的输出的预测元数据。预测元数据不同于与在训练期间使用的输入波形相关联的输入元数据。机器学习系统可以将输出元数据存储在预定位置中以供测试自动化系统访问。
38.另外，系统可以包括评估菜单。这些允许用户评估机器学习结果并使用户能够选择最佳路径，块显示针对使用输入测试数据的集合而选择的所选ml技术中的每一个的测试结果准确度。这允许用户看到针对多种模型的准确度结果并选择ml算法和特征选择的最优组合。
39.图12示出了针对曲线图标签的菜单的实施例。该菜单允许用户以任何期望形式对波形数据和元数据进行绘制和可视化。这可以具有系统的调试和验证中的使用。除这些曲线图外，系统还可以给用户提供以其他形式（诸如，图13中所示）看到结果的能力。
40.如可以在先前菜单中的任一个中看到的那样，在用户界面的顶部处，在先前讨论的所有标签上面，存在如图14中所示的针对wfrm发生器的选择。这允许用户管理仿真波形工具，以出于训练ml系统的目的使用仿真数据而不是实际实况数据来生成测试波形。它允许用户设置影响波形形状的各种参数的扫描，以及引入对信号的损伤以用于调谐训练模型。图15示出了扫描参数菜单的实施例。图16示出了针对扫描参数的pam4（脉冲幅度调制-4级）仿真波形的示例。
41.机器学习系统的另一方面允许用户将波形做成动画。这允许用户将每个波形和/或其变换图像连同元数据一起放到针对每个扫描参数值的单个图像影片帧中。
42.返回到图1，可以看出，存在关于波形数据的其他能力。波形管理器允许用户容易地设置对波形数据和元数据进行组织和管理的各种方面。系统可以具有训练所需的数千个波形。
43.如上所讨论，系统可以包括一个或多个测试和测量设备。波形转化器允许用户引导系统以将来自任何类型的所支持的测试装备（诸如，来自不同制造商的测试装备）的波形变换成更适于机器学习系统的格式。类似地，系统可以包括下述能力：将波形转移到任何段的所支持的测试仪器，以用于显示和/或测量、分析或者用于在波形数据上执行其他变换。这可以包括：在图1中所示的仪器连接菜单中使用编程接口（pi）命令以连接到所支持的测
试装备。pi命令还可以用于自动化控制。
44.除了连接到其他仪器外，ml系统还可以具有允许ml系统控制和设置其他软件应用的菜单。例如，ml系统可以设置和运行抖动分析软件，诸如dpojet，其为由tektronix开发的实时周期、频率、抖动和定时分析工具。ml系统将已经内置在pi命令中，以将波形转移到测试和测量设备，并将抖动分析应用设置成显示眼图并作出抖动和其他测量结果。ml系统然后将从应用接收回测量结果并将它们用作用于波形分类的元数据。
45.ml系统还将具有通用支持菜单，诸如，允许用户首先保存且然后稍后召回在系统的特定配置中使用的设置的菜单，如图17中所示。ml系统还可以包括帮助菜单，诸如图18中所示。帮助菜单可以提供文本和链接以参考论文或研究论文，以协助用户使用该应用。
46.ml系统的另一部分将允许用户设置针对系统的操作中的事件的通知。例如，系统可以包括过程偏离通知。系统将确定从ml分析输出的每个预测元数据的平均值。如果平均值开始在某个时间段内漂移，则触发将发生，以发送电子邮件或其他类型的警报以通知事件。这提供了由该菜单提供的动作的类型的仅一个示例。
47.如上所讨论，该ml系统提供了供许多不同类型的机器学习过程执行被测试设备的分析且提供结果（诸如，基于在运行时期间提交的波形来调谐结果和测量结果）的平台。ml系统允许灵活性，具有可扩充的能力，且提供针对许多未来应用的框架。
48.本公开的方面可以在特别地创建的硬件上、在固件、数字信号处理器上、或者在包括根据所编程的指令进行操作的处理器的特殊编程的通用计算机上操作。如本文使用的术语控制器或处理器意在包括微处理器、微型计算机、专用集成电路（asic）和专用硬件控制器。本公开的一个或多个方面可以体现在由一个或多个计算机（包括监视模块）或其他设备执行的计算机可使用数据和计算机可执行指令中，诸如在一个或多个程序模块中。一般地，程序模块包括在由计算机或其他设备中的处理器执行时执行特定任务或实现特定抽象数据类型的例程、程序、对象、部件、数据结构等。计算机可执行指令可以被存储在非瞬变计算机可读介质上，该非瞬变计算机可读介质诸如是硬盘、光盘、可移除储存介质、固态存储器、随机存取存储器（ram）等。如本领域技术人员应当领会的那样，可以如在各种方面中期望的那样组合或分布程序模块的功能。另外，功能可以整个或部分地体现在固件或硬件等同物（诸如集成电路、fpga等等）中。可以使用特定数据结构以更有效地实现本公开的一个或多个方面，并且这种数据结构是在本文描述的计算机可执行指令和计算机可使用数据的范围内考虑到的。
49.在一些情况下，可以以硬件、固件、软件或其任何组合实现所公开的方面。所公开的方面还可以被实现为由一个或多个非瞬变计算机可读介质携带或者在一个或多个非瞬变计算机可读介质上存储的指令，该指令可以由一个或多个处理器读取和执行。这种指令可以被称作计算机程序产品。如本文所讨论，计算机可读介质意指可由计算设备访问的任何介质。作为示例而非限制，计算机可读介质可以包括计算机储存介质和通信介质。
50.计算机储存介质意指可以用于存储计算机可读信息的任何介质。作为示例而非限制，计算机储存介质可以包括ram、rom、电可擦除可编程只读存储器（eeprom）、闪速存储器或其他存储器技术、致密盘只读存储器（cd-rom）、数字视频盘（dvd）、或者其他光盘储存器、磁带盒、磁带、磁盘储存器或其他磁储存设备、以及在任何技术中实现的任何其他易失性或非易失性、可移除或不可移除介质。计算机储存介质排除信号本身和瞬变形式的信号传输。
51.通信介质意指可以用于计算机可读信息的通信的任何介质、作为示例而非限制，通信介质可以包括同轴线缆、光纤电缆、空气、或者适于电、光学、射频（rf）、红外、声或其他类型的信号的通信的任何其他介质。
52.另外，该所撰写的描述参考了特定特征。应当理解，本说明书中的公开内容包括那些特定特征的所有可能组合。例如，在特定方面的上下文中公开了特定特征的情况下，还可以尽可能地在其他方面的上下文中使用该特征。
53.而且，当在本技术中参考了具有两个或更多个所限定的步骤或操作的方法时，所限定的步骤或操作可以是按任何次序或同时地实施的，除非上下文排除那些可能性。
54.示例下面提供了所公开的技术的说明性示例。技术的实施例可以包括下面描述的示例中的一个或多个和任何组合。
55.示例1是一种测试和测量系统，包括：机器学习系统，被配置成与测试自动化系统通信；用户界面，被配置成允许用户提供一个或多个用户输入并将结果提供给用户；以及一个或多个处理器，所述一个或多个处理器被配置成执行使所述一个或多个处理器执行下述操作的代码：通过所述用户界面来接收一个或多个用户输入，所述一个或多个用户输入至少标识所选择的机器学习系统配置，以用于配置所述机器学习系统；接收由被测试设备的操作创建的波形；应用所配置的机器学习系统以分析所述波形；以及提供与所述波形有关的预测元数据的输出。
56.示例2是示例1的测试和测量系统，其中使所述一个或多个处理器接收所述波形的代码包括使所述一个或多个处理器执行下述操作的代码：从所述测试自动化系统接收所述波形，或者从存储器检索所述波形。
57.示例3是示例2的测试和测量系统，其中使所述一个或多个处理器从所述存储器检索所述波形的代码包括使所述一个或多个处理器执行下述操作的代码：从测试和测量设备上的存储器、本地存储器或远程存储器之一检索所述波形。
58.示例4是示例1至3中任一项的测试和测量系统，其中标识所选择的机器学习系统配置的所述一个或多个用户输入包括：标识光学收发器测试系统或双谱分析系统之一的用户输入。
59.示例5是示例1至4中任一项的测试和测量系统，其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器执行下述操作的代码：变换所述波形，以准备用于在所述机器学习系统中使用的波形数据。
60.示例6是示例5的测试和测量系统，其中使所述一个或多个处理器变换所述波形的代码包括使所述一个或多个处理器执行下述各项中的至少一个的代码：将均衡应用于所述波形；应用贝塞尔汤普森滤波器；执行双谱分析；生成高阶统计数据；以及提供时钟恢复选项。
61.示例7是示例5的测试和测量系统，其中使所述一个或多个处理器变换所述波形的代码包括使所述一个或多个处理器执行下述操作的代码：生成循环回路图像张量、经典眼图的一个或多个子集、波形段图像张量阵列、短模式波形、双谱图像、双相干图像和高阶统计图像之一的波形图像。
62.示例8是示例1至7中任一项的测试和测量系统，其中所述一个或多个处理器进一
步被配置成执行使所述一个或多个处理器执行下述操作的代码：将波形管理菜单显示给用户；通过所述用户界面来接收用户选择；以及根据所述用户选择来组织输入波形和波形元数据。
63.示例9是示例1至8中任一项的测试和测量系统，其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器执行下述操作的代码：转化来自测试和测量设备的波形，或者将波形传输到测试和测量设备。
64.示例10是示例1至9中任一项的测试和测量系统，其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器执行下述操作的代码：通过接收与所述波形相关的波形输入元数据来训练所述机器学习系统；以及将所述波形和波形输入元数据提供给所述机器学习系统以用于训练。
65.示例11是示例10的测试和测量系统，其中使所述一个或多个处理器训练所述机器学习系统的代码包括使所述一个或多个处理器执行下述操作的代码：以下述两种方式之一训练所述机器学习系统：与所述波形的每步获取顺序地；或者通过存储波形和波形输入元数据的集合以及将所述集合提供给所述机器学习系统以用于训练。
66.示例12是示例10的测试和测量系统，其中使所述一个或多个处理器训练所述机器学习系统的代码包括使所述一个或多个处理器执行下述操作的代码：显示和更新示出所述训练的进度和准确度的曲线图。
67.示例13是示例10的测试和测量系统，其中使所述一个或多个处理器训练所述机器学习系统的代码包括使所述一个或多个处理器执行下述操作的代码：生成仿真测试波形，所述仿真测试波形包括扫描参数和对信号的损伤中的至少一个。
68.示例14是示例10的测试和测量系统，其中使所述一个或多个处理器训练所述机器学习系统的代码包括使所述一个或多个处理器执行下述操作的代码：显示由输入测试数据的集合产生的所选择的机器学习系统配置的准确度。
69.示例15是示例1至14中任一项的测试和测量系统，其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器执行下述操作的代码：显示曲线图、波形和输出元数据。
70.示例16是示例1至15中任一项的测试和测量系统，其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器执行下述操作的代码：对输出元数据的值求平均；将所述值与漂移阈值进行比较；以及如果平均值超过所述漂移阈值，则提供通知。
71.示例17是示例1至16中任一项的测试和测量系统，其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器执行下述操作的代码：显示具有用户输入的主菜单，以允许用户启动、停止或暂停所述机器学习系统运行或训练；以及显示包括与所述机器学习系统正在什么点处进行操作相关的信息的状态输出。
72.示例18是示例1至17中任一项的测试和测量系统，其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器执行下述操作的代码：建立到由用户选择的测试装备的连接；以及将波形转移到所述测试装备。
73.示例19是示例18的测试和测量系统，其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器执行下述操作的代码：执行编程指令以允许自动化控制。
74.示例20是示例1至19中任一项的测试和测量系统，其中所述一个或多个处理器进
一步被配置成执行使所述一个或多个处理器执行下述操作的代码：执行和控制使所述一个或多个处理器在波形上执行抖动分析的其他代码。
75.示例21是示例1至20中任一项的测试和测量系统，其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器执行下述操作的代码：保存和召回针对所述测试和测量系统的应用设置。
76.示例22是示例1至21中任一项的测试和测量系统，其中所述一个或多个处理器进一步被配置成执行使所述一个或多个处理器执行下述操作的代码：产生结果报告。
77.尽管已经出于图示的目的图示和描述了本公开的具体方面，但应当理解，在不脱离本公开的精神和范围的情况下，可以作出各种修改。相应地，本公开不应当受限制，除非由所附权利要求限制。