【技術實現步驟摘要】
本專利技術涉及參數測量領域，尤其是涉及一種應用于ate對adc產品inl、dnl參數快速測量的方法。
技術介紹
1、?ate是一種廣泛應用于集成電路測試的設備，用于評估芯片在生產過程中的電氣性能，adc是一種將模擬信號轉換為數字信號的接口電路，其中inl和dnl是兩個重要的靜態參數，用于衡量adc的轉換精度和性能，傳統上，在芯片出廠前，需要通過ate對adc進行全面的測試，以確保其符合設計要求和應用規范，測試通常包括對芯片施加特定輸入信號，并使用示波器等儀器觀察輸出信號的準確性；
2、然而，傳統的adc測試依賴于大量數據采集和復雜的測試流程，導致測試成本高、時間長，特別是在高頻adc產品中，測試所需的硬件資源極大，且數據采集的過程中，采樣精度和測試效率不足；
3、此外，傳統測試方法無法對未采集到的數據進行有效補全，導致測試結果的精確度受到限制，難以滿足現代高集成度、高頻率產品的要求。
技術實現思路
1、本專利技術的目的在于針對現有技術的不足之處，提供一種應用于ate對adc產品inl、dnl參數快速測量的方法，旨在利用少量采集數據，通過神經網絡模型進行誤差預測和補全，顯著減少了測試數據采集量，大幅降低測試時間和成本。同時，該方法通過對未采集部分的數據進行補全和修正，確保了測試結果的精度，適用于高集成度和高頻率的adc產品，有效提高了測試效率和產品性能的一致性。
2、為此，本申請提供一種應用于ate對adc產品inl、dnl參數快速測量的方法，包括
3、步驟s100、獲取adc產品數據與環境參數及預處理。
4、步驟s200、基于s100中所得數據，配置三層神經網絡模型。
5、步驟s300、基于s200中三層神經網絡模型運算結果，進行誤差預測及優化三層神經網絡模型。
6、步驟s400、基于s300所得誤差預測值，補全adc產品數據及調整。
7、步驟s500、基于補全的adc產品數據，得出補全數據參數。
8、步驟s600、基于s500所得補全數據參數進行反饋處理。
9、在一些具體實施方式中，獲取adc產品數據與環境參數及預處理，具體包括：
10、步驟s100.1、基于ate設備獲取adc產品歷史數據與當前部分數據。
11、其中，歷史數據為：inl和dnl數據。
12、其中，當前部分數據為：部分inl和dnl數據。
13、步驟s100.2、獲取測試環境參數。
14、所述環境參數包括：溫度和電壓波動。
15、所述溫度，基于溫度傳感器獲取。
16、所述電壓波動，基于電壓監控設備獲取。
17、步驟s100.3、基于所得歷史數據、當前部分數據及環境參數進行預處理。
18、在此需要說明的是，預處理包括：數據清晰和標準化處理，其中，預處理已是本領域技術人員熟知的現有技術，在此不在贅述。
19、在一些具體實施方式中，采用三層神經網絡模型對s100中所得數據進行初步運算，具體包括：
20、步驟步驟s200.1、基于獲取的歷史數據，將歷史數據劃分為：訓練集、驗證集和測試集。
21、步驟步驟s200.1.1、構建神經網絡模型。
22、所述三層神經網絡分別為：輸入層、隱藏層和輸出層。
23、所述輸入層為：采集的adc產品輸入信號特征。
24、其中，信號特征包括：輸入電壓、輸出值、溫度、頻率。
25、所述隱藏層為：用于捕捉復雜的非線性關系。
26、其中，隱藏層采用relu激活函數，并包含20個神經元。
27、所述輸出層為：用于線性激活函數。
28、?其中，輸出層包含2個神經元，分別對應inl和dnl的預測值。
29、基于配置后的三層神經網絡模型，將輸入歷史數據，特征為，每一層的輸出為：
30、式中，是權重矩陣，是偏置項，x是輸入特征向量，x包括電壓、輸出、溫度，relu激活函數是處理非線性特征。
31、步驟步驟s200.2、基于訓練集對神經網絡模型進行訓練，并獲取inl與dnl的預測值。
32、步驟步驟s200.2.1、采用損失函數，通過神經網絡神經網絡模型所得的預測值與當前部分數據對比來最小化二者的差異，所述損失函數，具體為：
33、
34、式中，是損失函數，n是數據集中的樣本數量，是第i個數據點的inl預測值，是第i個數據點的inl真實值，是第i個數據點的dnl預測值，是第i個數據點的dnl真實值，是第i個數據點的inl誤差平方，是第i個數據點的dnl誤差平方。
35、步驟步驟s200.2.2、采用隨機梯度下降算法更新神經網絡神經網絡模型中權重，具體為：
36、
37、式中，是第t輪訓練時的權重矩陣，是第t+1輪訓練后的更新權重，是學習率，控制每次權重更新的步長，是損失函數對當前權重的偏導數，并衡量當前權重對損失的影響。
38、步驟步驟s200.2.3、采用驗證集數據對訓練后的神經網絡神經網絡模型進行評估。
39、所述評估，若神經網絡模型在驗證集上的損失值未降低超過5%，則增加訓練輪數，所述增加訓練輪數為：50至100輪。
40、步驟步驟s200.3、基于測試集和訓練后的神經網絡神經網絡模型，對步驟步驟s100.2中所述的當前部分數據進行誤差預測測試，并測試通過神經網絡神經網絡模型補全未采樣部分的inl、dnl數據。
41、所述誤差預測，具體為：
42、
43、式中，是第i個輸入數據點對應的inl和dnl預測值，是表示經過神經網絡神經網絡模型處理的輸出函數，輸入為數據點，神經網絡模型權重w和偏置b，是第i個采樣點的輸入特征，包括輸入電壓、輸出信號、溫度。
44、所述補全未采樣部分，利用神經網絡模型預測結果，推斷未采樣的數據點誤差。
45、步驟步驟s200.4、基于驗證集和神經網絡模型的預測結果，對inl和dnl誤差進行進一步校正。
46、步驟步驟s200.4.1、采用加權修正算法，基于神經網絡模型輸出的inl、dnl預測值與實際采集的少量真實數據對比，具體為：
47、
48、式中，是經過校正后的最終inl和dnl誤差，是修正系數，設置為0.8，用于控制預測值和真實值在最終結果中的權重，是神經網絡模型預測出的inl和dnl誤差值，是實際采集到的inl和dnl誤差值。
49、步驟步驟s200.4.2、基于訓練后的神經網絡神經網絡模型的預測結果進行驗證對比。
50、所述驗證結果為：若誤差過大，則調整校正系數，所述誤差在預期范圍為2%。
51、在一些具體實施方式中，基于s200中三層神經網絡模型運算結果，進行誤差預測及優化三層神經本文檔來自技高網...
【技術保護點】
1.一種應用于ATE對ADC產品INL、DNL參數快速測量的方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種應用于ATE對ADC產品INL、DNL參數快速測量的方法，其特征在于，獲取ADC產品數據與環境參數及預處理，具體包括：
3.根據權利要求1所述的一種應用于ATE對ADC產品INL、DNL參數快速測量的方法，其特征在于，采用三層神經網絡模型對S100中所得數據進行初步運算，具體包括：
4.根據權利要求1所述的一種應用于ATE對ADC產品INL、DNL參數快速測量的方法，其特征在于，基于S200中三層神經網絡模型運算結果，進行誤差預測及優化三層神經網絡模型，具體包括：
5.根據權利要求1所述的一種應用于ATE對ADC產品INL、DNL參數快速測量的方法，其特征在于，基于S300所得誤差預測值，補全ADC產品數據及調整，具體包括：
6.根據權利要求1所述的一種應用于ATE對ADC產品INL、DNL參數快速測量的方法，其特征在于，基于補全的ADC產品數據，得出補全數據參數，具體包括：
7.根據權利
...【技術特征摘要】
1.一種應用于ate對adc產品inl、dnl參數快速測量的方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種應用于ate對adc產品inl、dnl參數快速測量的方法，其特征在于，獲取adc產品數據與環境參數及預處理，具體包括：
3.根據權利要求1所述的一種應用于ate對adc產品inl、dnl參數快速測量的方法，其特征在于，采用三層神經網絡模型對s100中所得數據進行初步運算，具體包括：
4.根據權利要求1所述的一種應用于ate對adc產品inl、dnl參數快速測量的方法，其特征在于，基于s200中三層神經網絡...
【專利技術屬性】
技術研發人員：胡久恒，丁寧，
申請(專利權)人：杭州高坤電子科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。