信号眼图质量诊断方法、装置及存储介质与流程
本发明涉及通信,尤其涉及一种信号眼图质量诊断方法、装置及存储介质。
背景技术:
1、传统的眼图评估与信号质量诊断方法通常依靠人工几何测量以及人工设定的规则阈值来衡量眼图质量,如眼图高度、眼图宽度、边缘阈值等指标。这些参数仅能描述信号状态的部分特征,无法全面捕捉系统整体问题,如在实时系统中呈现的复杂失真现象、混合性损伤或细微模式变化等。而且传统方法通常仅凭人工主观判断将眼图划分为合格与否,然而信号衰减往往并非由单一孤立因素导致,而是可能由多种因素共同作用所致,传统方法在分析这种复合故障机制时存在局限性,可能导致误分类或完全漏检。另外,当信号环境、信道条件或缺陷模式发生变化时,基于规则阈值的方案通常需要人工重新调谐,适应性较差。因此,随着高速信号环境日趋复杂且噪声敏感,传统方法可靠性逐渐降低,难以在海量高速接口数据中实现可靠规模化应用。
技术实现思路
1、本发明实施例提供一种信号眼图质量诊断方法、装置及存储介质,以提升眼图质量诊断的准确性及自动化程度。
2、第一方面,本发明实施例提供了一种信号眼图质量诊断方法,该方法包括:
3、获取待诊断目标眼图数据,基于所述待诊断目标眼图数据生成原始视图,并通过第一编码器对所述原始视图进行特征提取,得到图像特征;
4、对所述原始视图进行快速傅里叶变换,得到频域视图,并通过第二编码器对所述频域视图进行特征提取,得到频域特征;
5、对所述原始视图进行小波变换,得到小波视图,并通过第三编码器对所述小波视图进行特征提取,得到瞬态特征;
6、通过门控模块获取所述频域特征以及所述瞬态特征相对所述图像特征的特征权重,并根据所述特征权重对所述频域特征以及所述瞬态特征进行调整;
7、通过融合模块对所述图像特征、调整后的频域特征以及调整后的瞬态特征进行特征融合,得到共享联合表示,以控制所述共享联合表示中所述频域特征和所述瞬态特征相对所述图像特征的比例;及
8、根据所述共享联合表示预测所述待诊断目标眼图的质量等级和信号劣化成因,通过融合路径和直连路径预测所述待诊断目标眼图的瞬态异常信息,所述融合路径基于所述共享联合表示进行预测,所述直连路径基于所述调整后的瞬态特征进行预测。
9、可选的,所述通过门控模块获取所述频域特征以及所述瞬态特征相对所述图像特征的特征权重,包括:
10、将所述图像特征、所述频域特征以及所述瞬态特征映射至同一维度,得到图像参考特征、频域映射特征以及瞬态映射特征;
11、对所述图像参考特征与所述频域映射特征进行内积运算,得到频域关联值,对所述频域关联值进行归一化处理,得到频域特征权重,将所述频域特征与所述频域特征权重相乘,得到调整后的频域特征;及
12、对所述图像参考特征与所述瞬态映射特征进行内积运算,得到瞬态关联值,对所述瞬态关联值进行归一化处理,得到瞬态特征权重,将所述瞬态特征与所述瞬态特征权重相乘,得到调整后的瞬态特征。
13、可选的,所述预测所述待诊断目标眼图的信号劣化成因,包括:
14、根据所述共享联合表示中由所述频域特征提供的周期性分量,确定所述周期性分量的频谱集中程度,根据所述频谱集中程度区分周期性噪声与宽频噪声;
15、根据所述共享联合表示中由所述瞬态特征提供的时域局部变化分量,确定所述时域局部变化分量的分布模式,根据所述分布模式区分抖动与符号间干扰;
16、根据所述共享联合表示中由所述图像特征提供的眼孔几何分量,确定所述眼孔几何分量的空间偏移特征,根据所述空间偏移特征区分电压下垂与突发瞬态。
17、可选的,所述预测所述待诊断目标眼图的瞬态异常信息,包括:
18、将所述共享联合表示输入瞬态检测头,得到第一瞬态预测结果,所述第一瞬态预测结果包括瞬态异常类型及瞬态严重程度;
19、将所述调整后的瞬态特征经维度映射后输入所述瞬态检测头,得到第二瞬态预测结果,所述第二瞬态预测结果包括异常位置;
20、对所述第一瞬态预测结果和所述第二瞬态预测结果进行联合解析,得到所述瞬态异常信息;
21、其中,所述维度映射通过全连接层将所述调整后的瞬态特征的维度映射至与所述瞬态检测头输入维度匹配,所述异常位置为所述待诊断目标眼图中的延迟区域、电压区域或延迟-电压联合区域。
22、可选的,所述方法还包括:
23、根据所述待诊断目标眼图数据的采样点在延迟-电压坐标系中的分布,将所述原始视图至少划分为交叉区域和眼中心张开区域,生成用于标识各区域的区域标识图;其中,所述延迟-电压坐标系为以延迟为水平轴、以参考电压为垂直轴所形成的坐标系,所述交叉区域为所述原始视图中信号电平发生跳变的波形轨迹所在的区域,所述眼中心张开区域为以相邻信号电平跳变时刻的中点为中心的区域;
24、将所述区域标识图输入所述门控模块,以使所述瞬态特征的所述特征权重为随区域变化的空间权重。
25、可选的,所述方法还包括:
26、获取多张原始眼图,并向部分所述原始眼图中注入预设混合噪声,得到眼图样本,每个所述眼图样本设有对应的质量标签、成因标签以及瞬态标签;
27、对所述眼图样本进行快速傅里叶变换,得到频域视图样本;
28、对所述眼图样本进行小波变换,得到小波视图样本;
29、根据所述眼图样本、所述频域视图样本以及所述小波视图样本对预设机器学习模型进行训练;所述预设机器学习模型包括骨干网络以及任务检测头,所述骨干网络包括所述第一编码器、所述第二编码器、所述第三编码器、所述门控模块以及所述融合模块,所述任务检测头包括质量检测头、成因检测头以及瞬态检测头。
30、可选的,所述根据所述眼图样本、所述频域视图样本以及所述小波视图样本对预设机器学习模型进行训练,包括三特征训练阶段如下:
31、通过所述第一编码器对所述眼图样本进行特征提取,得到样本图像特征;
32、通过所述第二编码器对所述频域视图样本进行特征提取,得到样本频域特征;
33、通过所述第三编码器对所述小波视图样本进行特征提取,得到样本瞬态特征;
34、将所述样本图像特征、所述样本频域特征以及所述样本瞬态特征映射至同一维度;
35、通过所述门控模块确定所述样本频域特征以及所述样本瞬态特征相对所述样本图像特征的第一特征权重,并根据所述第一特征权重对所述样本频域特征以及所述样本瞬态特征进行调整;
36、通过所述融合模块对所述样本图像特征、调整后样本频域特征以及调整后样本瞬态特征进行特征融合,得到第一样本共享联合表示;
37、将所述第一样本共享联合表示分发至所述质量检测头、所述成因检测头以及所述瞬态检测头,以基于所述眼图样本相应标签进行训练。
38、可选的,所述通过融合模块对所述图像特征、调整后的频域特征以及调整后的瞬态特征进行特征融合,得到共享联合表示,包括:
39、根据所述待诊断目标眼图的预测质量等级,确定迭代轮次上限,所述预测质量等级越差,所述迭代轮次上限越大;
40、在每轮迭代中,对所述图像特征与所述调整后的频域特征、所述调整后的瞬态特征分别进行逐通道的残差偏差计算,得到逐通道融合调整量;
41、在每轮迭代中,根据当前迭代轮次和所述预测质量等级,计算门控开放系数,所述门控开放系数用于缩放所述逐通道融合调整量的幅度;其中,在相同预测质量等级下,迭代轮次越靠后,所述门控开放系数越大;在相同迭代轮次下,预测质量等级越差,所述门控开放系数越大;
42、将所述逐通道融合调整量与当前融合状态进行逐通道相加,得到更新后的融合状态;
43、当达到所述迭代轮次上限时,将最新的融合状态作为所述共享联合表示。
44、可选的,基于所述待诊断目标眼图数据生成原始视图,包括:
45、执行第y+1轮扫描,其中y为非负整数,第y+1轮扫描的等待周期为内存时钟周期的2^y倍;
46、在第y+1轮扫描中采集内存数据信号,得到第y+1轮原始视图;
47、将第y+1轮原始视图与之前所有轮次的原始视图进行累积叠加,得到第y+1轮累积视图;
48、根据第y+1轮累积视图确定所述原始视图。
49、第二方面,本发明实施例还提供了一种信号眼图质量诊断装置,该装置包括:
50、图像特征获取模块,用于获取待诊断目标眼图数据,基于所述待诊断目标眼图数据生成原始视图,并通过第一编码器对所述原始视图进行特征提取,得到图像特征;
51、频域特征获取模块,用于对所述原始视图进行快速傅里叶变换,得到频域视图,并通过第二编码器对所述频域视图进行特征提取,得到频域特征;
52、瞬态特征获取模块,用于对所述原始视图进行小波变换,得到小波视图,并通过第三编码器对所述小波视图进行特征提取,得到瞬态特征;
53、特征调整模块,用于通过门控模块获取所述频域特征以及所述瞬态特征相对所述图像特征的特征权重,并根据所述特征权重对所述频域特征以及所述瞬态特征进行调整;
54、特征融合模块,用于通过融合模块对所述图像特征、调整后的频域特征以及调整后的瞬态特征进行特征融合,得到共享联合表示,以控制所述共享联合表示中所述频域特征和所述瞬态特征相对所述图像特征的比例;及
55、质量信息预测模块,用于根据所述共享联合表示预测所述待诊断目标眼图的质量等级和信号劣化成因,还用于通过融合路径和直连路径预测所述待诊断目标眼图的瞬态异常信息,所述融合路径基于所述共享联合表示进行预测,所述直连路径基于所述调整后的瞬态特征进行预测。
56、第三方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所提供的信号眼图质量诊断方法。
57、本发明实施例所提供的信号眼图质量诊断方法,通过结合图像特征、频域特征及瞬态特征进行预测,并通过门控模块控制频域特征及瞬态特征的特征占比,能够捕捉传统依赖单一时域维度方法难以识别的信号本质缺陷,提升了对复杂混合损伤的感知能力,同时防止了频域特征及瞬态特征作为辅助信息过度主导融合过程而掩盖主信号质量特征,实现了多模态信息的平衡整合,提升了联合特征空间的表征质量。从而有效的提升了眼图质量诊断的准确性。此外,直连路径基于调整后的瞬态特征进行预测,使得调整后的瞬态特征不经过特征融合即可直接用于瞬态异常信息的预测,避免了瞬态特征在与图像特征、频域特征进行特征融合的过程中被稀释或遮蔽,从而完整保留了瞬态特征所反映的信息,融合路径基于共享联合表示进行预测,能够利用图像特征、频域特征及瞬态特征经特征融合后的综合信息。融合路径与直连路径相互配合,提升了瞬态异常信息预测的准确性与可靠性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com