CN117289013A - 用于脉冲电流测试的数据处理方法及系统 - Google Patents

Abstract

公开了一种用于脉冲电流测试的数据处理方法及系统。其首先获取待处理脉冲电流信号，接着，将所述待处理脉冲电流信号通过低通积分滤波器以得到第一滤波后脉冲电流信号，然后，对所述第一滤波后脉冲电流信号进行局部波形特征分析以得到脉冲电流信号段波形特征向量的序列，接着，对所述脉冲电流信号段波形特征向量的序列进行全局关联编码以得到全局语义关联电流波形特征，最后，基于所述全局语义关联电流波形特征，生成真实脉冲电流信号。这样，可以准确地评估设备的功耗、电流峰值、电流波形等，提高脉冲电流测试的准确性和可靠性。

Description

用于脉冲电流测试的数据处理方法及系统

技术领域

本公开涉及脉冲电流测试领域，且更为具体地，涉及一种用于脉冲电流测试的数据处理方法及系统。

背景技术

脉冲电流测试是一种常见的电子设备测试方法，它可以反映出设备的运行状态和故障信息，用于评估设备在脉冲电流工作条件下的性能和可靠性。脉冲电流测试通常涉及对待测设备施加特定的脉冲电流信号，并对设备的响应进行测量和分析。测试过程中，需要获取准确的脉冲电流信号，以便于对其进行处理和分析来提取有用的信息和特征。这些信息可以用于评估设备的功耗、电流峰值、电流波形等指标，从而判断设备的性能和可靠性。

然而，在测试过程中，脉冲电流信号可能会受到噪声、干扰和传输损耗等因素的影响，导致信号失真，这会使得测试结果不准确，难以准确评估设备的性能。此外，脉冲电流信号中常常存在噪声干扰，这些干扰可能来自于测试设备本身或测试环境中的干扰源。噪声干扰会掩盖信号的细节和特征，使得信号处理和分析变得困难。但是，传统的脉冲电流测试方法通常使用基于规则的算法对信号进行处理和分析，提取有用的特征，这些方法往往需要手动选择和设计特征提取算法，且对于复杂的脉冲电流信号，特征提取困难，导致测试结果的准确性和可靠性受到影响。

因此，期望一种优化的用于脉冲电流测试的数据处理方案。

发明内容

有鉴于此，本公开提出了一种用于脉冲电流测试的数据处理方法及系统，其可以准确地评估设备的功耗、电流峰值、电流波形等，提高脉冲电流测试的准确性和可靠性。

根据本公开的一方面，提供了一种用于脉冲电流测试的数据处理方法，其包括：获取待处理脉冲电流信号；将所述待处理脉冲电流信号通过低通积分滤波器以得到第一滤波后脉冲电流信号；对所述第一滤波后脉冲电流信号进行局部波形特征分析以得到脉冲电流信号段波形特征向量的序列；对所述脉冲电流信号段波形特征向量的序列进行全局关联编码以得到全局语义关联电流波形特征；基于所述全局语义关联电流波形特征，生成真实脉冲电流信号。

根据本公开的另一方面，提供了一种用于脉冲电流测试的数据处理系统，其包括：信号获取模块，用于获取待处理脉冲电流信号；低通积分滤波模块，用于将所述待处理脉冲电流信号通过低通积分滤波器以得到第一滤波后脉冲电流信号；局部波形特征分析模块，用于对所述第一滤波后脉冲电流信号进行局部波形特征分析以得到脉冲电流信号段波形特征向量的序列；全局关联编码模块，用于对所述脉冲电流信号段波形特征向量的序列进行全局关联编码以得到全局语义关联电流波形特征；真实脉冲电流信号生成模块，用于基于所述全局语义关联电流波形特征，生成真实脉冲电流信号。

根据本公开的实施例，其首先获取待处理脉冲电流信号，接着，将所述待处理脉冲电流信号通过低通积分滤波器以得到第一滤波后脉冲电流信号，然后，对所述第一滤波后脉冲电流信号进行局部波形特征分析以得到脉冲电流信号段波形特征向量的序列，接着，对所述脉冲电流信号段波形特征向量的序列进行全局关联编码以得到全局语义关联电流波形特征，最后，基于所述全局语义关联电流波形特征，生成真实脉冲电流信号。这样，可以准确地评估设备的功耗、电流峰值、电流波形等，提高脉冲电流测试的准确性和可靠性。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的用于脉冲电流测试的数据处理方法的流程图。

图2示出根据本公开的实施例的用于脉冲电流测试的数据处理方法的架构示意图。

图3示出根据本公开的实施例的用于脉冲电流测试的数据处理方法的子步骤S130的流程图。

图4示出根据本公开的实施例的用于脉冲电流测试的数据处理系统的框图。

图5示出根据本公开的实施例的用于脉冲电流测试的数据处理方法的应用场景图。

具体实施方式

下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。

如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

针对上述技术问题，本公开的技术构思为通过采集脉冲电流信号，并在后端引入信号数据处理和分析算法来进行该脉冲电流信号的时域分析，以此来实现对脉冲电流信号的滤波、特征提取和重建，从而生成真实脉冲电流信号，以便于后续更为准确地提取出脉冲电流信号的有用信息和特征，以此来更为准确地评估设备的功耗、电流峰值、电流波形等，提高脉冲电流测试的准确性和可靠性。

图1示出根据本公开的实施例的用于脉冲电流测试的数据处理方法的流程图。图2示出根据本公开的实施例的用于脉冲电流测试的数据处理方法的架构示意图。如图1和图2所示，根据本公开实施例的用于脉冲电流测试的数据处理方法，包括步骤：S110，获取待处理脉冲电流信号；S120，将所述待处理脉冲电流信号通过低通积分滤波器以得到第一滤波后脉冲电流信号；S130，对所述第一滤波后脉冲电流信号进行局部波形特征分析以得到脉冲电流信号段波形特征向量的序列；S140，对所述脉冲电流信号段波形特征向量的序列进行全局关联编码以得到全局语义关联电流波形特征；以及，S150，基于所述全局语义关联电流波形特征，生成真实脉冲电流信号。

具体地，在本公开的技术方案中，首先，获取待处理脉冲电流信号。接着，考虑到在脉冲电流测试中，所述待处理脉冲电流信号可能包含高频成分和噪声。高频成分可能是由于信号的快速变化或者设备本身的特性引起的。噪声则可能来自于测试设备、测试环境或其他干扰源。因此，为了去除信号中的高频成分和噪声，从而得到更平滑的信号，在本公开的技术方案中，需要进一步将所述待处理脉冲电流信号通过低通积分滤波器以得到第一滤波后脉冲电流信号。应可以理解，通过将所述待处理脉冲电流信号通过所述低通积分滤波器，可以实现对高频成分的抑制，这是由于低通滤波器具有只允许低频信号通过的特性，因此可以去除信号中的高频成分，使得信号变得平滑。这样，能够减少信号的波动和噪声的影响，使得后续的信号处理和分析更加准确和可靠。

然后，考虑到脉冲电流信号通常是由多个脉冲组成的，每个脉冲可能具有不同的特征和行为，例如，不同的脉冲可能具有不同的峰值、持续时间、上升时间和下降时间等特征。因此，为了更好地理解和分析每个脉冲的特性和行为，需要对每个脉冲片段进行独立的分析，以更准确地评估设备的性能和可靠性。基于此，在本公开的技术方案中，对所述第一滤波后脉冲电流信号进行信号切分以得到脉冲电流信号段的序列。通过对信号进行切分，可以将整个信号分解成一系列脉冲电流信号段，每个段代表一个单独的脉冲，以便于后续对于所述各个脉冲电流信号段进行特征分析和提取，从而更为准确地对设备的响应和性能进行更精确的评估。

进一步地，考虑到由于脉冲电流信号在时域中的表现形式为波形图，因此，使用在图像的隐含特征提取方面具有优异表现性能的基于深度神经网络模型的信号波形特征提取器分别对所述脉冲电流信号段的序列中的各个脉冲电流信号段进行特征挖掘，以分别提取出所述各个脉冲电流信号段中有关于脉冲电流信号波形图中的局部时序特征分布信息，从而得到脉冲电流信号段波形特征向量的序列。

继而，由于所述各个脉冲电流信号段中有关于脉冲电流的信号特征之间具有着基于时序整体的关联关系，这些脉冲电信号片段的语义特征之间的关联特征信息对于脉冲电信号的分析和重建具有着重要作用，也有利于后续更为准确地提取出脉冲电流信号的有用信息和特征，以此来更为准确地评估设备的功耗、电流峰值、电流波形等。基于此，在本公开的技术方案中，进一步将所述脉冲电流信号段波形特征向量的序列通过基于转换器的信号段波形上下文编码器中进行编码，以提取出所述各个脉冲电流信号段中的脉冲电流信号局部片段特征基于时序全局的上下文关联特征信息，从而得到全局语义关联电流波形特征向量。

相应地，如图3所示，对所述第一滤波后脉冲电流信号进行局部波形特征分析以得到脉冲电流信号段波形特征向量的序列，包括：S131，对所述第一滤波后脉冲电流信号进行信号切分以得到脉冲电流信号段的序列；以及，S132，通过基于深度神经网络模型的信号波形特征提取器分别对所述脉冲电流信号段的序列中的各个脉冲电流信号段进行特征提取以得到所述脉冲电流信号段波形特征向量的序列。应可以理解，S131步骤的作用是对第一滤波后的脉冲电流信号进行信号切分，将其分成若干个脉冲电流信号段的序列，这样做的目的是将整个脉冲电流信号分解为多个小段，以便对每个脉冲电流信号段进行进一步的分析和处理。S132步骤的作用是通过基于深度神经网络模型的信号波形特征提取器，对脉冲电流信号段序列中的每个脉冲电流信号段进行特征提取，这样可以从每个脉冲电流信号段中提取出有用的波形特征，例如振幅、频率、时域特征等，通过提取这些特征，可以更好地描述和表示脉冲电流信号段的波形特征。最终得到的脉冲电流信号段波形特征向量的序列可以用于进一步的分析、分类、识别或其他应用，这些特征向量可以用于训练机器学习模型，进行故障诊断、状态监测、异常检测等任务，以提高脉冲电流信号的分析和处理效果。

具体地，在步骤S132中，所述深度神经网络模型为卷积神经网络模型。值得一提的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，特别适用于处理具有网格结构的数据，它在计算机视觉领域得到广泛应用。卷积神经网络的核心思想是通过卷积层和池化层来提取输入数据的特征，并通过全连接层进行分类或回归。卷积层使用一组可学习的滤波器（也称为卷积核）对输入数据进行卷积操作，从而捕捉输入数据的局部特征。池化层则通过降采样的方式减少特征图的尺寸，保留最显著的特征。全连接层将汇集的特征映射转换为最终的输出。卷积神经网络的优势在于它能够自动学习具有层次结构的特征表示。通过多层卷积和池化操作，网络可以逐渐提取出越来越抽象的特征，从低级的边缘和纹理到高级的形状和物体。这使得卷积神经网络在图像分类、目标检测、图像生成等任务上表现出色。在步骤S132中，使用卷积神经网络模型作为信号波形特征提取器，可以利用其对波形数据的特征提取能力，从脉冲电流信号段中提取出有用的特征信息，用于后续的分析和处理。

相应地，在步骤S140中，对所述脉冲电流信号段波形特征向量的序列进行全局关联编码以得到全局语义关联电流波形特征，包括：将所述脉冲电流信号段波形特征向量的序列通过基于转换器的信号段波形上下文编码器以得到全局语义关联电流波形特征向量作为所述全局语义关联电流波形特征。应可以理解，步骤S140的目的是将每个脉冲电流信号段的局部特征整合起来，捕捉脉冲电流信号的整体语义信息。具体来说，基于转换器的信号段波形上下文编码器可以对脉冲电流信号段波形特征向量的序列进行建模，从而学习到不同脉冲电流信号段之间的关联和依赖关系。这种全局关联编码的方法可以提取出更高层次的语义特征，捕捉脉冲电流信号的整体模式和结构。得到的全局语义关联电流波形特征向量可以用于进一步的分析和应用。例如，可以将这些特征用于脉冲电流信号的相似性比较，从而进行故障诊断或异常检测。此外，这些特征还可以用于脉冲电流信号的分类、识别或生成等任务，以实现更高级的应用和功能。总之，通过全局关联编码，可以提取脉冲电流信号的全局语义关联特征，从而更好地描述和表示信号的整体模式和结构，为后续的分析和应用提供更有价值的信息。

值得一提的是，在步骤S140中提到的"基于转换器的信号段波形上下文编码器"是指一种称为Transformer的神经网络模型。Transformer是一种用于处理序列数据的强大模型，最初被广泛应用于自然语言处理任务，它的设计思想在于捕捉序列中不同位置之间的关联和依赖关系，而无需使用传统的循环神经网络（如循环神经网络或长短期记忆网络）。Transformer模型由编码器和解码器组成，但在这里只关注编码器部分。编码器由多个相同的层组成，每个层都包含自注意力机制（self-attention）和前馈神经网络（feed-forwardneural network）两个子层。自注意力机制用于在序列中建立全局的上下文关联，而前馈神经网络则用于在每个位置上对特征进行非线性变换。自注意力机制允许每个位置的特征与序列中的其他位置进行交互，并根据它们的相关性进行加权。这种机制使得Transformer能够同时考虑到序列中的全局信息，而不受距离远近的限制。通过多个编码器层的堆叠，Transformer能够逐渐提取出更高级别的特征表示，捕捉序列的长程依赖关系。在步骤S140中，基于转换器的信号段波形上下文编码器利用Transformer模型对脉冲电流信号段波形特征向量的序列进行建模，从而学习到脉冲电流信号段之间的全局语义关联。这样可以更好地捕捉脉冲电流信号的整体模式和结构，提取出具有语义含义的全局特征。

进而，再将所述全局语义关联电流波形特征向量通过基于对抗生成网络的电流滤波器以得到生成真实脉冲电流信号。应可以理解，通过所述基于对抗生成网络的电流滤波器，可以将所述全局语义关联电流波形特征向量转换为生成真实脉冲电流信号。特别地，这里，所述对抗生成网络包括生成器和判别器，其中，所述生成器负责将特征向量映射为脉冲电流信号的形式，而所述判别器用于评估生成的信号与真实信号之间的差异。通过训练所述生成器和所述判别器，所述生成器可以逐渐学习到如何生成符合预期特征的脉冲电流信号。生成的脉冲电流信号可以更准确地反映设备的性能和可靠性，从而提高脉冲电流测试的准确性和可靠性。

相应地，在步骤S150中，基于所述全局语义关联电流波形特征，生成真实脉冲电流信号，包括：将所述全局语义关联电流波形特征向量通过基于对抗生成网络的电流滤波器以得到生成真实脉冲电流信号。应可以理解，对抗生成网络（Generative AdversarialNetwork，GAN）是一种由生成器和判别器组成的神经网络架构。它的目标是通过训练生成器来生成逼真的数据样本，使其在外观和特征上与真实数据样本相似，同时训练判别器来区分生成器生成的样本和真实样本。GAN的基本思想是通过生成器和判别器之间的对抗过程来不断提升生成器的性能。生成器接受一个随机噪声向量作为输入，并将其映射到与真实数据样本相似的空间中。判别器则尝试区分生成器生成的样本和真实样本。在训练过程中，生成器和判别器相互竞争，不断调整自己的参数，以使生成器生成的样本更加逼真，判别器更加准确。对于脉冲电流测试中的数据处理方法，使用基于对抗生成网络的电流滤波器的目的是将学习到的全局语义关联电流波形特征向量转化为生成真实的脉冲电流信号。通过训练生成器部分，GAN可以学习到脉冲电流信号的分布和特征，从而生成与真实脉冲电流信号相似的合成样本。这种方法的好处是可以生成具有特定特征和模式的脉冲电流信号，而无需依赖真实数据。生成的脉冲电流信号可以用于模拟实验、数据增强、算法验证等应用场景。通过对生成器和判别器的训练，可以逐步提高生成器的性能，使生成的脉冲电流信号更加逼真和准确。

进一步地，在本公开的技术方案中，所述的用于脉冲电流测试的数据处理方法，其还包括训练步骤：用于对所述基于深度神经网络模型的信号波形特征提取器、所述基于转换器的信号段波形上下文编码器和所述基于对抗生成网络的电流滤波器进行训练。应可以理解，训练步骤的目的是通过使用已知的标注数据来训练模型，使其能够学习到有效的特征表示和数据转换方式。在脉冲电流测试的数据处理方法中，训练步骤涉及对三个模型进行训练：信号波形特征提取器、信号段波形上下文编码器和电流滤波器。1.信号波形特征提取器的训练：该模型的目标是从原始脉冲电流信号中提取出有用的波形特征。通过训练，模型可以学习到对脉冲电流信号进行有效表示的卷积神经网络结构和参数。这些特征可以捕捉到脉冲电流信号的局部模式和结构，为后续的处理步骤提供更有信息量的输入。2.信号段波形上下文编码器的训练：该模型的目标是对脉冲电流信号段的波形特征向量进行编码，以捕捉脉冲电流信号段之间的全局语义关联。通过使用基于转换器的编码器，模型可以学习到如何将脉冲电流信号段的波形特征向量转换为具有更高级别语义含义的全局特征表示。这样的编码器可以更好地捕捉脉冲电流信号的整体模式和结构。3.电流滤波器的训练：该模型的目标是通过基于对抗生成网络的方法，将全局语义关联电流波形特征向量转换为生成的真实脉冲电流信号。通过训练，模型可以学习到如何从特征表示中还原出原始的脉冲电流信号。这样的滤波器可以用于生成具有与原始信号相似特征的合成脉冲电流信号，用于进一步的分析、测试或模拟。总的来说，训练步骤是为了使这些模型能够从数据中学习到适合脉冲电流测试的特征表示和转换方式，以提高后续数据处理和分析的准确性和效果。

更具体地，在一个具体示例中，所述训练步骤，包括：获取训练数据，所述训练数据包括训练待处理脉冲电流信号，以及，真实脉冲电流信号；将所述训练待处理脉冲电流信号通过低通积分滤波器以得到训练第一滤波后脉冲电流信号；对所述训练第一滤波后脉冲电流信号进行信号切分以得到训练脉冲电流信号段的序列；将所述训练脉冲电流信号段的序列通过所述基于深度神经网络模型的信号波形特征提取器以得到训练脉冲电流信号段波形特征向量的序列；将所述训练脉冲电流信号段波形特征向量的序列通过所述基于转换器的信号段波形上下文编码器以得到训练全局语义关联电流波形特征向量；对所述训练全局语义关联电流波形特征向量进行校正以得到校正后训练全局语义关联电流波形特征向量；将所述校正后训练全局语义关联电流波形特征向量通过所述基于对抗生成网络的电流滤波器以得到训练生成真实脉冲电流信号；计算所述训练生成真实脉冲电流信号和所述真实脉冲电流信号之间的交叉熵损失函数值以得到电流信号间交叉熵损失函数值；以及，基于所述电流信号间交叉熵损失函数值并通过梯度下降的方向传播来对所述基于深度神经网络模型的信号波形特征提取器、所述基于转换器的信号段波形上下文编码器和所述基于对抗生成网络的电流滤波器进行训练。

特别地，在本申请的技术方案中，将所述训练脉冲电流信号段的序列通过基于深度神经网络模型的信号波形特征提取器后，得到的所述训练脉冲电流信号段波形特征向量的序列表达所述待处理脉冲电流信号在经由信号切分从全局时域划分的局部时域下的图像语义特征，由此，将所述训练脉冲电流信号段波形特征向量的序列通过基于转换器的信号段波形上下文编码器后，得到的所述训练全局语义关联电流波形特征向量进一步表达全局时域下的局部时域间的图像语义上下文关联特征，也就是，所述训练全局语义关联电流波形特征向量具有在全局时域-局部时域下的多时域尺度关联图像语义特征表示。

由此，将所述训练全局语义关联电流波形特征向量通过基于对抗生成网络的电流滤波器时，所述训练全局语义关联电流波形特征向量的跨多时域尺度的关联图像语义特征表示也会由于图像语义特征在不同时域尺度的关联精度差异，导致相对于所述训练全局语义关联电流波形特征向量的整体特征表示的局部特征分布稀疏化，即相对于整体高维特征流形的分布外稀疏化子流形，这会使得在将所述训练全局语义关联电流波形特征向量通过对抗生成网络进行特征空间映射时，所述训练全局语义关联电流波形特征向量到映射空间的收敛性差，影响训练生成真实脉冲电流信号的图像语义一致性，也就是，降低了所述训练生成真实脉冲电流信号的图像质量，由此，本公开在训练过程中，对所述训练全局语义关联电流波形特征向量进行校正。

相应地，在一个具体示例中，对所述训练全局语义关联电流波形特征向量进行校正以得到校正后训练全局语义关联电流波形特征向量，包括：以如下校正公式对所述训练全局语义关联电流波形特征向量进行校正以得到所述校正后训练全局语义关联电流波形特征向量；其中，所述校正公式为：其中，/>是所述训练全局语义关联电流波形特征向量，/>是所述训练全局语义关联电流波形特征向量/>的第/>个位置的特征值， />是所述校正后训练全局语义关联电流波形特征向量的第/>个位置的特征值。

也就是，通过基于重概率的正则化来处理高维特征空间内的稀疏分布，以激活所述训练全局语义关联电流波形特征向量在高维特征空间内的几何流形到概率空间的自然分布转移，从而通过对所述训练全局语义关联电流波形特征向量/>的高维特征流形的分布稀疏子流形进行基于重概率化的平滑正则的方式，提高具有高空间稀疏性的复杂高维特征流形在预定类概率下的类别收敛性，从而提升所述训练全局语义关联电流波形特征向量/>通过对抗生成网络得到的训练生成真实脉冲电流信号的图像质量。这样，能够实现对脉冲电流信号的滤波、特征提取和重建以生成真实脉冲电流信号，便于后续更为准确地提取出脉冲电流信号的有用信息和特征，从而提高脉冲电流测试的准确性和可靠性。

综上，基于本公开实施例的用于脉冲电流测试的数据处理方法，其可以准确地评估设备的功耗、电流峰值、电流波形等，提高脉冲电流测试的准确性和可靠性。

图4示出根据本公开的实施例的用于脉冲电流测试的数据处理系统100的框图。如图4所示，根据本公开实施例的用于脉冲电流测试的数据处理系统100，包括：信号获取模块110，用于获取待处理脉冲电流信号；低通积分滤波模块120，用于将所述待处理脉冲电流信号通过低通积分滤波器以得到第一滤波后脉冲电流信号；局部波形特征分析模块130，用于对所述第一滤波后脉冲电流信号进行局部波形特征分析以得到脉冲电流信号段波形特征向量的序列；全局关联编码模块140，用于对所述脉冲电流信号段波形特征向量的序列进行全局关联编码以得到全局语义关联电流波形特征；以及，真实脉冲电流信号生成模块150，用于基于所述全局语义关联电流波形特征，生成真实脉冲电流信号。

在一种可能的实现方式中，所述局部波形特征分析模块120，包括：信号切分单元，用于对所述第一滤波后脉冲电流信号进行信号切分以得到脉冲电流信号段的序列；以及，特征提取单元，用于通过基于深度神经网络模型的信号波形特征提取器分别对所述脉冲电流信号段的序列中的各个脉冲电流信号段进行特征提取以得到所述脉冲电流信号段波形特征向量的序列。

在一种可能的实现方式中，所述深度神经网络模型为卷积神经网络模型。

这里，本领域技术人员可以理解，上述用于脉冲电流测试的数据处理系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的用于脉冲电流测试的数据处理方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本公开实施例的用于脉冲电流测试的数据处理系统100可以实现在各种无线终端中，例如具有用于脉冲电流测试的数据处理算法的服务器等。在一种可能的实现方式中，根据本公开实施例的用于脉冲电流测试的数据处理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该用于脉冲电流测试的数据处理系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该用于脉冲电流测试的数据处理系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该用于脉冲电流测试的数据处理系统100与该无线终端也可以是分立的设备，并且该用于脉冲电流测试的数据处理系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

图5示出根据本公开的实施例的用于脉冲电流测试的数据处理方法的应用场景图。如图5所示，在该应用场景中，首先，获取待处理脉冲电流信号（例如，图5中所示意的D），然后，将所述待处理脉冲电流信号输入至部署有用于脉冲电流测试的数据处理算法的服务器中（例如，图5中所示意的S），其中，所述服务器能够使用所述用于脉冲电流测试的数据处理算法对所述待处理脉冲电流信号进行处理以得到生成真实脉冲电流信号。

目前测试脉冲电流的方法有两种，一种是用磁线圈测试，一种是采样电阻测试。磁线圈测试只能测试A级以上的电流，而采样电阻测试对于nA级以下的电流的电流测试不准确。本测试方法可大大提升nA级以下的测试精确度。

根据采样结果在高阻示波器上的显示可将其干扰信号分成三种。

1、高频干扰：它是由电磁波及其他器件产生释放到测试母线上的。

2、工频干扰：它是由~220V电源产生的干扰。

3、直流干扰：它是由采样器件及传输器件本身的漏电流产生的干扰。

采样的波形是由以上三种干扰信号和实际的脉冲电流信号相加构成的，但只需要脉冲电流信号，以上三种干扰信号要一一去除。以下讨论去除这三种干扰信号的方法。

关于高频干扰的去除，先经过跟随器进行采用，再用低通积分滤波器将高频信号滤除。

关于工频干扰的去除，因为工频干扰来自~220V电源，所以先要将~220V转换成一个同相位的低压方波信号，在信号的下降沿采样。采样的步骤是：1、先在没有电流Iz的情况下并且在工频同相位的低压方波信号的下降沿进行采样，在一定间隔下连续采样4次，每次采样间隔不超过1mS，分别是Voff1，Voff2，Voff3，Voff4；2、再加载电流Iz进行同样的方式采样，得到四个采样结果。分别是Von1，Von2，Von3，Von4。其中，Vo1=Von1-Voff1，Vo2=Von2-Voff2，Vo2=Von2-Voff2，Vo2=Von2-Voff2，四个样求平均值Vo=（Vo1+Vo2+Vo3+Vo4）/4。此时输出的值就是去除低频的值电压值Vo。3、再在电流Iz在工频的下几个周期多次采样，将每个多次采样的值平均就得到最终的电压值。

最后，关于直流干扰的去处：其实在去除工频干扰的时候以去除了直流干扰，也就是先采集一次没有IZ的电流，再采集有IZ时的电流，测得的数据相减就是去除直流干扰的数据。

经以上处理后的电路，可大大提高小电流的测试精度。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种用于脉冲电流测试的数据处理方法，其特征在于，包括：获取待处理脉冲电流信号；将所述待处理脉冲电流信号通过低通积分滤波器以得到第一滤波后脉冲电流信号；对所述第一滤波后脉冲电流信号进行局部波形特征分析以得到脉冲电流信号段波形特征向量的序列；对所述脉冲电流信号段波形特征向量的序列进行全局关联编码以得到全局语义关联电流波形特征；基于所述全局语义关联电流波形特征，生成真实脉冲电流信号。

2.根据权利要求1所述的用于脉冲电流测试的数据处理方法，其特征在于，对所述第一滤波后脉冲电流信号进行局部波形特征分析以得到脉冲电流信号段波形特征向量的序列，包括：对所述第一滤波后脉冲电流信号进行信号切分以得到脉冲电流信号段的序列；通过基于深度神经网络模型的信号波形特征提取器分别对所述脉冲电流信号段的序列中的各个脉冲电流信号段进行特征提取以得到所述脉冲电流信号段波形特征向量的序列。

3.根据权利要求2所述的用于脉冲电流测试的数据处理方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。

4.根据权利要求3所述的用于脉冲电流测试的数据处理方法，其特征在于，对所述脉冲电流信号段波形特征向量的序列进行全局关联编码以得到全局语义关联电流波形特征，包括：将所述脉冲电流信号段波形特征向量的序列通过基于转换器的信号段波形上下文编码器以得到全局语义关联电流波形特征向量作为所述全局语义关联电流波形特征。

5.根据权利要求4所述的用于脉冲电流测试的数据处理方法，其特征在于，基于所述全局语义关联电流波形特征，生成真实脉冲电流信号，包括：将所述全局语义关联电流波形特征向量通过基于对抗生成网络的电流滤波器以得到生成真实脉冲电流信号。

6.根据权利要求5所述的用于脉冲电流测试的数据处理方法，其特征在于，还包括训练步骤：用于对所述基于深度神经网络模型的信号波形特征提取器、所述基于转换器的信号段波形上下文编码器和所述基于对抗生成网络的电流滤波器进行训练。

7.根据权利要求6所述的用于脉冲电流测试的数据处理方法，其特征在于，所述训练步骤，包括：获取训练数据，所述训练数据包括训练待处理脉冲电流信号，以及，真实脉冲电流信号；将所述训练待处理脉冲电流信号通过低通积分滤波器以得到训练第一滤波后脉冲电流信号；对所述训练第一滤波后脉冲电流信号进行信号切分以得到训练脉冲电流信号段的序列；将所述训练脉冲电流信号段的序列通过所述基于深度神经网络模型的信号波形特征提取器以得到训练脉冲电流信号段波形特征向量的序列；将所述训练脉冲电流信号段波形特征向量的序列通过所述基于转换器的信号段波形上下文编码器以得到训练全局语义关联电流波形特征向量；对所述训练全局语义关联电流波形特征向量进行校正以得到校正后训练全局语义关联电流波形特征向量；将所述校正后训练全局语义关联电流波形特征向量通过所述基于对抗生成网络的电流滤波器以得到训练生成真实脉冲电流信号；计算所述训练生成真实脉冲电流信号和所述真实脉冲电流信号之间的交叉熵损失函数值以得到电流信号间交叉熵损失函数值；基于所述电流信号间交叉熵损失函数值并通过梯度下降的方向传播来对所述基于深度神经网络模型的信号波形特征提取器、所述基于转换器的信号段波形上下文编码器和所述基于对抗生成网络的电流滤波器进行训练。

8.一种用于脉冲电流测试的数据处理系统，其特征在于，包括：信号获取模块，用于获取待处理脉冲电流信号；低通积分滤波模块，用于将所述待处理脉冲电流信号通过低通积分滤波器以得到第一滤波后脉冲电流信号；局部波形特征分析模块，用于对所述第一滤波后脉冲电流信号进行局部波形特征分析以得到脉冲电流信号段波形特征向量的序列；全局关联编码模块，用于对所述脉冲电流信号段波形特征向量的序列进行全局关联编码以得到全局语义关联电流波形特征；真实脉冲电流信号生成模块，用于基于所述全局语义关联电流波形特征，生成真实脉冲电流信号。

9.根据权利要求8所述的用于脉冲电流测试的数据处理系统，其特征在于，所述局部波形特征分析模块，包括：信号切分单元，用于对所述第一滤波后脉冲电流信号进行信号切分以得到脉冲电流信号段的序列；特征提取单元，用于通过基于深度神经网络模型的信号波形特征提取器分别对所述脉冲电流信号段的序列中的各个脉冲电流信号段进行特征提取以得到所述脉冲电流信号段波形特征向量的序列。

10.根据权利要求9所述的用于脉冲电流测试的数据处理系统，其特征在于，所述深度神经网络模型为卷积神经网络模型。