[发明专利]一种基于机器学习的电子设备自动测试方法及系统

权利要求书

1.一种基于机器学习的电子设备自动测试方法，其特征在于，包括：

获取电子设备的测试数据，提取测试数据的特征分量；所述测试数据包括序列化波形数据和非序列化视频和图像数据；

对测试数据进行主成分分析，确定不同特征分量的相关性，进而生成特征向量；

将特征向量输入至预设故障诊断模型中，输出电子测试故障的预测结果；

在提取测试数据的特征分量的过程中，对于序列化数据的特征提取：

对测试采样后得到的一组数据向量的每个分量数组，求取其幅值平方和即为总能量值特征；先进行去噪，然后将分量数组中的最大与最小值作差即得到去噪后的峰峰值特征；给定一定幅值阈值，然后将分量数组中高于阈值的所有幅值求取平均值即得到基于阈值计算的幅值特征；给定一定步长，求取分量数组中间隔一定步长的幅值的平方和即为基于一定步长的能量值特征；

所述基于机器学习的电子设备自动测试方法，还包括：

输出电子测试故障的预测结果的同时，将特征向量的分析结果返回自动测试前端，指导前端测试资源配置与流程的更新和改进；

首先确定自动测试资源配置与流程，根据之前的经验或者当前需求，采集尽量完备的数据特征；

然后将采集到的数据信息转化为特征向量后应用于后台机器学习算法，通过主成分分析方法、模型结果假设检验方法确定在当前特征集合下的模型效果和精度是否满足测试要求，即哪些特征为冗余和弱相关特征；

最终将冗余特征的信息反馈给自动测试前端，在自动测试资源配置与流程中优化资源配置并剔除冗余特征相关的测试步骤，从而完成测试资源配置与流程的更新和改进，使后续测试更为精准和高效。

2.如权利要求1所述的一种基于机器学习的电子设备自动测试方法，其特征在于，特征向量的分析结果包括冗余特征信息。

3.如权利要求1所述的一种基于机器学习的电子设备自动测试方法，其特征在于，在提取测试数据的特征分量的过程中，对于非序列化图像数据的特征提取：

输入特征向量为像素点矩阵，经过重构得到二维矩阵，然后利用卷积数学运算，实现像素点矩阵的进一步压缩，得到非序列化图像数据的特征提取。

4.一种基于机器学习的电子设备自动测试系统，其特征在于，包括自动测试前端和服务器端，所述服务器端包括：

特征分类提取模块，其用于获取电子设备的测试数据，提取测试数据的特征分量；所述测试数据包括序列化波形数据和非序列化视频和图像数据；

特征向量生成模块，其用于对测试数据进行主成分分析，确定不同特征分量的相关性，进而生成特征向量；

预测结果输出模块，其用于将特征向量输入至预设故障诊断模型中，输出电子测试故障的预测结果；

所述服务器端，还包括：

特征向量分析结果反馈模块，其用于输出电子测试故障的预测结果的同时，将特征向量的分析结果返回自动测试前端，指导前端测试资源配置与流程的更新和改进，具体地，

首先确定自动测试资源配置与流程，根据之前的经验或者当前需求，采集尽量完备的数据特征；

然后将采集到的数据信息转化为特征向量后应用于后台机器学习算法，通过主成分分析方法、模型结果假设检验方法确定在当前特征集合下的模型效果和精度是否满足测试要求，即哪些特征为冗余和弱相关特征；

最终将冗余特征的信息反馈给自动测试前端，在自动测试资源配置与流程中优化资源配置并剔除冗余特征相关的测试步骤，从而完成测试资源配置与流程的更新和改进，使后续测试更为精准和高效。

5.如权利要求4所述的一种基于机器学习的电子设备自动测试系统，其特征在于，特征向量的分析结果包括冗余特征信息。