一种基于人工智能的滤波器老化测试评估系统的制作方法

本发明涉及滤波器评估，特别是涉及到一种基于人工智能的滤波器老化测试评估系统。

背景技术：

1、数字滤波器是现代电子系统中的关键组件，广泛应用于通信、音频、视频和图像处理等领域。然而，随着时间的推移，数字滤波器的性能会逐渐退化，这种现象被称为"老化"。老化会导致滤波器的频率响应发生变化，进而影响整个系统的性能。因此，对数字滤波器进行老化测试和评估是非常必要的，它可以帮助及时发现性能退化问题，并采取相应的措施来维持系统的稳定性和可靠性。

2、让数字滤波器长期保持稳定的性能是一个复杂的问题，涉及到材料、工艺、电路设计等多个方面。其中，如何准确、高效地评估数字滤波器的老化程度是一个关键的技术挑战。传统的老化测试方法，如加速寿命测试，通常需要耗费大量的时间和成本。此外，这些方法往往依赖于特定的测试环境和条件，难以适应日益复杂的应用场景。因此，亟需开发新的测试评估方法，以提高老化测试的效率和适应性。

3、目前，数字滤波器的老化测试和评估主要依赖于传统的方法，如加速寿命测试和失效分析等。这些方法存在以下几个主要缺陷：

4、（1）耗时长，成本高。加速寿命测试通常需要在高温、高湿等恶劣环境下对器件进行长时间的测试，才能获得足够的老化数据，这非常耗时耗力。失效分析则需要借助昂贵的仪器设备，对失效的器件进行详细的物理分析，成本很高。

5、（2）适应性差。传统方法往往针对特定的失效机理和测试条件，难以适应日益多样化的应用环境和失效模式。

6、（3）依赖专家经验。失效分析通常需要资深专家根据经验对失效模式进行判断，缺乏客观、量化的评估指标，难以实现自动化的测试评估。

7、近年来，人工智能技术的飞速发展为解决这一问题提供了新的思路。特别是深度学习方法，凭借其强大的特征学习和表示能力，在图像、语音等多个领域取得了突破性的进展。这启发探索将深度学习方法应用于数字滤波器的老化测试和评估，通过从数据中自动学习到的丰富特征，来实现对老化程度的准确判断。

技术实现思路

1、为了解决现有技术中存在的问题，本发明的提出了一种基于人工智能的滤波器老化测试评估系统，其特征在于，包括数据预处理模块，老化特征提取模块，老化程度评估模块。

2、具体地，所述数据预处理模块包括数字滤波器老化测试数据集的选择与处理子模块以及数据增强子模块；

3、所述数字滤波器老化测试数据集的选择与处理子模块具体处理过程如下：选取了三种数字滤波器：有限脉冲响应（fir）滤波器、无限脉冲响应（iir）滤波器和格型滤波器。对于每种类型，随机生成了200个滤波器样本，其中包含不同阶数、截止频率和结构参数的滤波器。

4、对于fir滤波器，其系统函数可以表示为：

5、，其中，为滤波器的单位脉冲响应序列，为滤波器阶数。

6、对于iir滤波器，其系统函数可以表示为：

7、，其中，和分别为滤波器的前向和反向系数，和分别为前向和反向部分的阶数。

8、对于格型滤波器，其传输函数可以表示为：

9、，其中，为增益常数，和分别为滤波器的零点和极点，和分别为零点和极点的个数。

10、在数据收集过程中，使用了加速老化测试的方法。具体而言，将每个滤波器样本置于高温、高湿的环境中，连续工作1000小时。在老化过程中，每隔100小时对滤波器的性能参数进行一次测量，包括：

11、（1）幅频响应曲线：记录滤波器在不同频率下的增益和相位特性。对于数字滤波器，其频率响应可以通过在单位圆上取得到：

12、

13、增益和相位特性分别为：和。

14、（2）零极点分布图：记录滤波器系统函数的零点和极点在复平面上的分布。对于数字滤波器，其稳定性与极点的位置有关。如果所有极点都位于单位圆内，则系统稳定。

15、（3）脉冲响应序列：记录滤波器对单位脉冲信号的响应序列。对于fir滤波器，其单位脉冲响应序列即为滤波器系数。对于iir滤波器，其单位脉冲响应序列可以通过差分方程求解：。

16、（4）噪声功率谱密度：记录滤波器输出噪声的功率谱密度。根据维纳-辛钦定理，输出噪声的功率谱密度与输入噪声的功率谱密度和滤波器的频率响应有关：。

17、在获得原始测试数据后，对原始数据进行预处理。首先，对每个性能参数进行了归一化处理，将其映射到[0，1]的范围内。对于幅频响应曲线，采用如下归一化公式：

18、，其中，和分别为所有样本中增益的最小值和最大值。

19、对于零极点分布图，将复平面映射到[-1，1]×[-1，1]的正方形区域内，并将单位圆外的零极点移到单位圆边界上。

20、对于脉冲响应序列和噪声功率谱密度，分别采用如下归一化公式：，，其中，、、和分别为所有样本中相应参数的最小值和最大值。

21、归一化处理可以消除不同参数之间的量纲差异，提高后续特征提取和老化评估的精度。

22、其次，对原始数据进行了平滑处理，使用移动平均滤波器去除测量噪声的影响。对于时域序列，移动平均滤波器的输出为：，其中，为滑动窗口的长度。

23、最后，按照9：1的比例随机划分训练集和测试集，并将数据转换为pytorch的张量格式，方便后续的模型训练和评估。

24、所述数据增强子模块采用以下数据增强策略：

25、（1）时间序列扰动：对脉冲响应序列和噪声功率谱密度序列进行随机的时间偏移、缩放和裁剪，模拟实际测试中的时间同步误差和测量时长变化。对于时间偏移，使用如下公式：

26、，其中，为随机偏移量，为最大偏移范围。

27、对于时间缩放，使用如下公式：，其中，为随机缩放因子，为最大缩放范围。

28、对于时间裁剪，随机选取一个长度为的子序列作为新的样本：，其中，为随机起始位置。

29、（2）频率响应曲线扰动：对幅频响应曲线和进行随机的频率轴和幅度轴扰动，模拟实际测试中的频率偏移和幅度波动。对于频率偏移，使用如下公式：

30、，其中，为随机频率偏移量，为最大偏移范围。

31、对于幅度扰动，使用如下公式：

32、，其中，为随机幅度扰动量，为最大扰动范围。

33、（3）零极点分布扰动：对零极点分布图中的零点和极点进行随机的旋转、平移和缩放，模拟实际测试中的系统参数变化。对于旋转变换，使用如下公式：

34、，其中，为随机旋转角度，为最大旋转范围。

35、对于平移变换，使用如下公式：

36、，其中，和为随机平移向量，为最大平移半径。

37、对于缩放变换，使用如下公式：

38、，其中，为随机缩放因子，为最大缩放范围。

39、通过以上数据增强策略，可以在有限的样本基础上生成更多的变化样本，提高模型的鲁棒性。

40、在本发明中，使用了一个基于注意力增强的swintransformer的特征提取模型，用于从数字滤波器老化测试数据中自动学习有效的老化特征表示。与原始的swintransformer相比，本模型在以下几个方面进行了针对性的改进：

41、（1）输入数据格式：原始的swintransformer主要处理图像数据，其输入为二维的图像块。而在本发明中，的输入数据包括一维的时间序列（如脉冲响应序列）和二维的频域数据（如幅频响应曲线）。为此，将一维序列数据转换为二维的时频谱数据，通过短时傅里叶变换（stft）将时域信号映射到时频域。对于一维序列，其stft可以表示为：

42、，其中，为窗口函数，为帧移，为傅里叶变换点数，和分别为时间帧和频率点的索引。

43、通过stft，可以将一维序列转换为二维的时频谱图，其尺寸为，其中为时间帧数，为频率点数。对于二维的频域数据，将其resize为固定尺寸的矩阵。这样，所有的输入数据都被转换为二维的张量格式，与swintransformer的输入要求相兼容。

44、（2）窗口大小和移位步长：在原始的swintransformer中，窗口大小和移位步长通常设置为固定值，如7×7和3×3。而在本发明中，发现不同类型的数字滤波器数据可能具有不同的时频特性，需要采用不同的窗口大小和移位步长。因此，将窗口大小和移位步长设置为可学习的参数，通过端到端的训练自适应地调整其值，以更好地匹配不同数据的特点。

45、（3）注意力机制：为了进一步增强模型对局部细节的关注能力，在原始的swintransformer结构中引入了时频域注意力机制和通道注意力机制。

46、上述模型一般的处理过程如下：

47、首先，对于输入的二维时频谱图，将其划分为个不重叠的局部窗口，每个窗口的大小为。然后，对每个局部窗口内的特征进行编码，得到一组局部特征向量，其中为特征维度。

48、接下来，对局部特征向量应用多头自注意力机制。具体地，首先将通过线性变换得到查询矩阵、键矩阵和值矩阵：

49、，其中，为学习参数，为每个注意力头的特征维度。

50、然后，计算查询矩阵与键矩阵的相似度，并通过softmax函数得到注意力权重矩阵：

51、，接着，将注意力权重矩阵应用于值矩阵，得到注意力加权后的特征矩阵：。

52、最后，将不同注意力头得到的特征矩阵拼接起来，并通过一个线性变换得到输出特征矩阵：，其中，为注意力头的数量，为学习参数。

53、为了引入时频域注意力，对注意力权重矩阵进行变换。

54、具体地，首先通过全局平均池化将特征矩阵在时间和频率维度上压缩，得到一个特征向量：

55、，然后，通过两个全连接层和一个sigmoid函数，得到时间和频率维度上的注意力权重向量和：

56、，其中，为全连接层的学习参数。

57、最后，将时频域注意力权重应用于注意力权重矩阵，得到时频域增强的注意力权重矩阵：，其中，和分别表示时间和频率维度上的索引。

58、通过引入时频域注意力，让模型自适应地关注时频谱图中的关键时间段和频率带，提高特征提取的针对性。

59、除了时频域注意力，还引入了通道注意力，用于自适应地调整不同特征通道的重要性。与时频域注意力类似，首先通过全局平均池化得到通道描述符向量：，然后，通过两个全连接层和一个sigmoid函数，得到通道注意力权重向量：，其中，为全连接层的学习参数。

60、最后，将通道注意力权重应用于输出特征矩阵，得到通道增强的特征矩阵：，其中，表示逐元素相乘。

61、通过引入通道注意力，可以让模型自适应地调整不同特征通道的重要性，提高特征表示能力。

62、注意力增强的swintransformer模型通过引入时频域注意力和通道注意力，可以更加有效地从数字滤波器老化测试数据中提取与老化相关的特征。在每个swintransformer块中，先通过多头自注意力机制得到初步的特征表示，然后通过时频域注意力和通道注意力对特征进行优化和增强，最终得到一个全面而有针对性的老化特征表示。

63、具体的，老化特征提取流程如下：

64、（1）对于每个数字滤波器样本，首先提取其幅频响应曲线、脉冲响应序列和噪声功率谱密度作为原始特征。

65、（2）对于幅频响应曲线，直接将其resize为固定尺寸的矩阵，其中和分别为频率采样点数和幅度量化等级数。

66、（3）对于脉冲响应序列和噪声功率谱密度，首先对其进行短时傅里叶变换，得到时频谱图和，其中、、、分别为相应的时间帧数和频率点数。

67、（4）将幅频响应矩阵、脉冲响应时频谱图和噪声功率谱时频谱图拼接在一起，得到一个多通道的时频谱图作为swintransformer的输入。

68、（5）将多通道时频谱图送入注意力增强的swintransformer模型，经过多个swintransformer块的特征提取和注意力增强，得到一个高级的特征表示，其中、和分别为特征图的时间维度、频率维度和通道数。

69、（6）对高级特征表示进行全局平均池化，得到一个特征向量作为数字滤波器样本的老化特征。

70、（7）将所有数字滤波器样本的老化特征向量组成一个特征矩阵，其中为样本总数，作为后续老化程度评估的输入。

71、通过以上流程，就可以使用注意力增强的swintransformer模型从原始的数字滤波器老化测试数据中自动提取出有效的老化特征。

72、所述老化程度评估模块处理过程如下：

73、在获得了数字滤波器样本的老化特征表示之后，需要根据这些特征来评估其老化程度。为此，首先选取合适的老化评估指标。

74、老化评估指标包括幅频响应偏差、脉冲响应衰减时间、中心频率漂移和噪声系数等。

75、（1）幅频响应偏差表示滤波器在老化前后幅频响应曲线的变化量，可以用下式计算：

76、，其中，和分别表示老化时间为时和初始时刻滤波器在频率处的幅度响应，为频率采样点数。越大，说明滤波器的幅频响应退化越严重。

77、（2）脉冲响应衰减时间表示滤波器的单位脉冲响应从峰值衰减到某一阈值（如峰值的1/e）所需的时间，可以用下式计算：

78、，其中，为滤波器的单位脉冲响应序列，为衰减阈值（取值在0到1之间）。越大，说明滤波器的脉冲响应衰减越慢，老化程度越低。

79、（3）中心频率漂移表示滤波器的中心频率在老化前后的变化量，可以用下式计算：

80、，其中，和分别表示老化时间为时和初始时刻滤波器的中心频率。越大，说明滤波器的频率选择性退化越严重。

81、（4）噪声系数表示滤波器输出噪声功率与输入信号功率之比，可以用下式计算：

82、，其中，为输入信号的功率谱密度。越大，说明滤波器的噪声抑制能力越差，老化程度越高。

83、在实际评估中，可以根据具体应用场景和老化机理，选取一个或多个上述指标来综合评判数字滤波器的老化程度。

84、选取了老化评估指标之后，建立映射模型，将数字滤波器样本的老化特征向量映射到对应的老化指标值，其可以是包括、、和在内的一个或者多个指标，这里不做具体限制。

85、所述映射模型可以使用回归模型，如线性回归、支持向量回归（svr）、决策树回归，在本发明中不做具体限制。

86、若采用线性回归，线性模型可以用下式建模：

87、，其中，和分别为回归系数向量和偏置项，可以通过最小化均方误差损失函数来学习：

88、，其中，为训练样本数。

89、所述映射模型也可以使用分类模型，如逻辑回归、支持向量机（svm）、决策树等。此时，需要将连续的老化指标值离散化为几个等级，如"轻度老化"、"中度老化"、"重度老化"等。

90、以二分类的逻辑回归为例，可以用下式建模：

91、，其中，表示样本属于"老化"类，表示样本属于"正常"类，为sigmoid函数。逻辑回归的参数和可以通过最小化交叉熵损失函数来学习：

92、。

93、在训练老化程度评估模型时，需要一个标注了真实老化指标值或老化等级的数据集。这就需要在数据收集阶段，对每个数字滤波器样本进行长时间的老化测试，并记录其老化前后的性能变化，才能获得可靠的标签数据，这也是本发明的一个难点所在。