基于深度学习的嵌入式设备缺陷追踪的自动化方法
专利汇可以提供基于深度学习的嵌入式设备缺陷追踪的自动化方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于 深度学习 的嵌入式设备 缺陷 追踪的自动化方法，包括自动化测试系统上位机、 硬件 设备，该方法替代了测试结果的人工分析工作，将无定形态的测试结果数据化，并由循环神经网络分析建模，找出缺陷所在，从而简化了测试完成后研发端的分析工作，加快了产品研发的 迭代 效率。，下面是基于深度学习的嵌入式设备缺陷追踪的自动化方法专利的具体信息内容。
1.一种基于深度学习的嵌入式设备缺陷追踪的自动化方法，包括自动化测试系统上位机、硬件设备，其特征在于，具体步骤如下：
S1、自动化测试系统上位机根据测试计划下发测试指令至硬件设备；
S2、硬件设备内部的计数器根据事件计数，并将计数结果反馈给自动化测试系统上位机，所述的事件即为硬件设备内部各种运行状态的实时反映；
S3、自动化测试系统根据计数器所反馈的计数结果进行循环神经网络的训练；
S4、对步骤S3中的循环神经网络进行判断，判断其是否训练完毕，如是，进入步骤S5；如否，继续训练循环神经网络直至训练结束；
S5、自动化测试系统上位机利用训练完成的循环神经网络，根据硬件设备运行过程中采集的数据，对测试结果预测，并将预测结果与实际测试结果进行比较，如预测结果与实际测试结果一致时，进入步骤S6；如预测结果与实际测试结果有误差，进入步骤S8；
S6、对实际测试结果进行分析，如测试结果为失败，则进入步骤S7，如测试结果为成功，则测试结束；
S7、当步骤S6中的测试结果为失败时，根据激活的循环神经网络节点输出判断依据，而后测试结束；
S8、判断步骤S5）中预测结果与实际测试结果的错误率是否大于设定阈值，如是，继续训练循环神经网络直至训练结束；如否，则测试结束。
2.根据权利要求1所述的基于深度学习的嵌入式设备缺陷追踪的自动化方法，其特征在于，所述硬件设备有多个，所述自动化测试系统上位机同时采集所有所述硬件设备内的运行数据，并将运行数据输入循环神经网络进行训练。
3.根据权利要求2所述的基于深度学习的嵌入式设备缺陷追踪的自动化方法，其特征在于，所述循环神经网络的训练过程如下：
1）每个硬件设备，在一次测试过程中，所采集的若干计数器的实时结果组成的序列为一个数据集Ai，其中，测试结果作为所述数据集的标签Bi，将数据送入循环神经网络模型进行训练，并计算循环神经网络的输出结果记为Y；
2）计算循环神经网络模型测试的误差D，D=Bi-Y；
3）根据误差D调整循环神经网络模型中的权重矩阵W；
4）对每个测试重复上述训练过程；
5) 单个测试项目可以重复进行，每次测试结束后对过去一段时间内的测试组成的数据集统计预测误差率，
若误差率超过设定阈值，返回步骤1）以继续对循环神经网络模型进行训练；
若误差率小于设定阈值，则训练结束；
6）训练结束后，每次测试完成，神经网络都对测试结果做一次预测，并和实际结果比对，统计一段时间内的误差率，如果超过设定阈值，重新开始训练，否则不做改变。
基于深度学习的嵌入式设备缺陷追踪的自动化方法
技术领域
背景技术
发明内容
S2、硬件设备内部的计数器根据事件计数，并将计数结果反馈给自动化测试系统上位机，所述的事件即为硬件设备内部各种运行状态的实时反映；
S3、自动化测试系统根据计数器所反馈的计数结果进行循环神经网络的训练；
S4、对步骤S3中的循环神经网络进行判断，判断其是否训练完毕，如是，进入步骤S5；如否，继续训练循环神经网络至训练结束；
S5、自动化测试系统上位机利用训练完成的循环神经网络，根据硬件设备运行过程中采集的数据，对测试结果预测，并将预测结果与实际测试结果进行比较，如预测结果与实际测试结果一致时，进入步骤S6；如预测结果与实际测试结果有误差，进入步骤S8；
S6、对实际测试结果进行分析，如测试结果为失败，则进入步骤S7，如测试结果为成功，则测试结束；
S7、当步骤S6中的测试结果为失败时，根据激活的循环神经网络节点输出判断依据，而后测试结束；
S8、判断步骤S5）中预测结果与实际测试结果的错误率是否大于设定阈值，如是，继续训练循环神经网络至训练结束；如否，则测试结束。
2）计算循环神经网络模型测试的误差D，D=Bi-Y；
3）根据误差D调整循环神经网络模型中的权重矩阵W；
4）对每个测试重复上述训练过程；
5) 单个测试项目可以重复进行，每次测试结束后对过去一段时间内的测试组成的数据集统计预测误差率，
若误差率超过设定阈值，返回步骤1）以继续对循环神经网络模型进行训练；
若误差率小于设定阈值，则训练结束；
6）训练结束后，每次测试完成，神经网络都对测试结果做一次预测，并和实际结果比对，统计一段时间内的误差率，如果超过设定阈值，重新开始训练，否则不做改变。
具体实施方式
S2、硬件设备内部的计数器根据事件计数，并将计数结果反馈给自动化测试系统上位机，所述的事件即为硬件设备内部各种运行状态的实时反映；
S3、自动化测试系统根据计数器所反馈的计数结果进行循环神经网络的训练；
S4、对步骤S3中的循环神经网络进行判断，判断其是否训练完毕，如是，进入步骤S5；如否，继续训练循环神经网络至训练结束；
S5、自动化测试系统上位机利用训练完成的循环神经网络，根据硬件设备运行过程中采集的数据，对测试结果预测，并将预测结果与实际测试结果进行比较，如预测结果与实际测试结果一致时，进入步骤S6；如预测结果与实际测试结果有误差，进入步骤S8，这里的实际测试结果即为由硬件设备内部的计数器所采集到的运行数据；
S6、对实际测试结果进行分析，如测试结果为失败，则进入步骤S7，如测试结果为成功，则测试结束；
S7、当步骤S6中的测试结果为失败时，根据激活的循环神经网络节点输出判断依据，而后测试结束；
S8、判断步骤S5）中预测结果与实际测试结果的错误率是否大于设定阈值，这里，将该阈值设置为5%，如是，继续训练循环神经网络至训练结束；如否，则测试结束。
2）计算循环神经网络模型测试的误差D，D=Bi-Y；
3）根据误差D调整循环神经网络模型中的权重矩阵W；
4）对每个测试重复上述训练过程；
5) 单个测试项目可以重复进行，每次测试结束后对过去一段时间内的测试组成的数据集统计预测误差率，
若误差率超过设定阈值，返回步骤1）以继续对循环神经网络模型进行训练；
若误差率小于设定阈值，则训练结束，这里的阈值根据实际情况进行设定；
6）训练结束后，每次测试完成，神经网络都对测试结果做一次预测，并和实际结果比对，统计一段时间内的误差率，如果超过设定阈值，重新开始训练，否则不做改变。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种肢体康复训练方法、系统及嵌入式设备 | 2020-05-08 | 345 |
| 用于提供带有标记的容器的系统及方法 | 2020-05-11 | 39 |
| 基于FPGA-ARM嵌入式系统的R-LATs系统移动端信号处理方法 | 2020-05-08 | 102 |
| 传感器网络节点的数据处理方法及传感器网络节点 | 2020-05-08 | 27 |
| 一种针对嵌入式轨道钢槽式道床路基不均匀沉降的维修方法 | 2020-05-08 | 822 |
| 一种基于机器视觉的玉米苗期机械除草识别方法及装置 | 2020-05-11 | 753 |
| 深度可分离卷积的加速方法、存储介质及应用 | 2020-05-08 | 421 |
| 多芯片集成功率管理解决方案 | 2020-05-08 | 427 |
| 通用型无人机机载计算机测试台 | 2020-05-08 | 308 |
| 一种用于车辆的载重与定位信息综合监控系统 | 2020-05-08 | 1019 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
