终端设备老化测试方法及装置制造方法及图纸

一种终端设备老化测试方法及装置

【技术实现步骤摘要】
终端设备老化测试方法及装置、可读存储介质


[0001]本专利技术涉及测试
，尤其涉及一种终端设备老化测试方法及装置
、
可读存储介质
。

技术介绍

[0002]终端设备，如智能手机
、
智能手表等电子产品，在经过一段时间的使用后，可能会出现卡顿
、
发热
、
耗电速度较快等老化现象，极端情况下甚至会无法使用
。
[0003]在终端设备的开发过程中，通常需要进行老化测试来判断可能存在的问题以及在自然使用情况下的性能退化问题
。
[0004]现有技术中，无法快速地对终端设备进行老化测试
。

技术实现思路

[0005]本专利技术解决的是无法快速地对终端设备进行老化测试的技术问题
。
[0006]为解决上述技术问题，本专利技术提供一种终端设备老化测试方法，包括：获取关联于终端设备老化测试的测试参数；对所述测试参数进行预处理，获取所述测试参数对应的特征向量；将所述特征向量输入至目标神经网络模型，基于所述目标神经网络模型的输出确定所述终端设备的老化测试结果
。
[0007]可选的，所述对所述测试参数进行预处理，获取所述测试参数对应的特征向量，包括：对所述测试参数进行小波分解，获取第
N
层低频小波系数以及
N
层高频小波系数；基于所述第
N
层低频小波系数以及
N
层高频小波系数，构建所述测试参数对应的特征向量，
N
为小波分解层数
。
[0008]可选的，所述基于所述第
N
层低频小波系数以及
N
层高频小波系数，构建所述测试参数对应的特征向量，包括：计算所述第
N
层低频小波系数的能量以及所述
N
层高频小波系数的能量，构建所述测试参数对应的特征向量
。
[0009]可选的，所述对所述测试参数进行预处理，获取所述测试参数对应的特征向量，包括：对所述测试参数进行小波包分解，获取2N
个小波包系数；
N
为小波包分解系数；基于2N
个小波包系数对应的能量，构建所述测试参数对应的特征向量
。
[0010]可选的，所述目标神经网络模型为极限学习机网络模型
。
[0011]可选的，采用如下步骤获取所述极限学习机网络模型：设置隐含层节点个数
、
隐含层神经元的偏置参数
、
输入层节点与隐含层节点间的连接权值；选择隐含层节点的激活函数，确定隐含层的输出矩阵；选择隐含层节点的激活函数，确定隐含层的输出矩阵；计算输出层权值
。
[0012]可选的，所述测试参数为实时检测采集到的；或者，所述测试参数为预先采集到的历史数据
。
[0013]可选的，在确定所述终端设备的老化测试结果之后，还包括：输出所述老化测试结果
、
所述老化测试结果对应的问题原因，以及，记录并存储本次老化测试关联的数据
。
[0014]可选的，所述测试参数包括如下至少一种：终端设备的温度
、
终端设备的运行时间
、
终端设备的电池温度
、
终端设备的电池电量
、
终端设备的系统运行时间
、
终端设备中各应用程序的响应时间
、
终端设备的系统响应时间
、
终端设备的开机时间
、
终端设备的内存剩余空间
、
终端设备的上下行速度
。
[0015]本专利技术还提供了一种终端设备老化测试装置，包括：获取单元，用于获取关联于终端设备老化测试的测试参数；特征构建单元，用于对所述测试参数进行预处理，获取所述测试参数对应的特征向量；结果确定单元，用于将所述特征向量输入至目标神经网络模型，基于所述目标神经网络模型的输出确定所述终端设备的老化测试结果
。
[0016]本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述任一种所述的终端设备老化测试方法的步骤
。
[0017]本专利技术还提供了另一种终端设备老化测试装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述任一种所述的终端设备老化测试方法的步骤
。
[0018]与现有技术相比，本专利技术的技术方案具有以下有益效果：
[0019]获取关联于终端设备老化测试的测试参数，提取测试参数的特征构建特征向量，将特征向量输入至预先训练得到的神经网络模型，基于神经网络模型的输出确定终端设备的老化测试结果
。
由此，上述方案能够实现快速地获知终端设备的老化测试结果
。
附图说明
[0020]图1是本专利技术实施例中的一种终端设备老化测试方法的流程图；
[0021]图2是本专利技术实施例中的一种小波包分解的示意图；
[0022]图3是本专利技术实施例中的一种终端设备老化测试装置的结构示意图
。
具体实施方式
[0023]现有技术中，通常在终端设备中不间断地运行预设的应用程序，对终端设备进行老化测试，直至运行出现问题时才会停止对终端设备的测试，进而对终端设备运行过程中出现的问题进行分析处理
。
可见，现有技术中，获取老化测试结果需要对终端设备进行较长时间的老化测试才能够得到
。
[0024]而在本专利技术实施例中，获取关联于终端设备老化测试的测试参数，提取测试参数的特征构建特征向量，将特征向量输入至预先训练得到的神经网络模型，基于神经网络模型的输出确定终端设备的老化测试结果
。
由此，上述方案能够实现快速地获知终端设备的老化测试结果
。
[0025]为使本专利技术的上述目的
、
特征和有益效果能够更为明显易懂，下面结合附图对本专利技术的具体实施例做详细的说明
。
[0026]本专利技术实施例提供了一种终端设备老化测试方法，参照图1，以下通过具体步骤进行详细说明
。
[0027]在具体实施中，下述终端设备老化测试方法可以由测试设备所执行
。
测试设备中可以运行有测试软件
。
在测试过程中，测试设备运行测试软件，与终端设备进行通信，获取
终端设备的相关参数
。
[0028]具体地，测试设备可以通过有线或者无线的方式与终端设备进行通信
。
有线的通信方式可以为通过
USB
接口进行通信，或者通过
JTAG
接口进行通信，或者通过
SPI
接口进行通信等
。
无线本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种终端设备老化测试方法，其特征在于，包括：获取关联于终端设备老化测试的测试参数；对所述测试参数进行预处理，获取所述测试参数对应的特征向量；将所述特征向量输入至目标神经网络模型，基于所述目标神经网络模型的输出确定所述终端设备的老化测试结果
。2.
如权利要求1所述的终端设备老化测试方法，其特征在于，所述对所述测试参数进行预处理，获取所述测试参数对应的特征向量，包括：对所述测试参数进行小波分解，获取第
N
层低频小波系数以及
N
层高频小波系数；基于所述第
N
层低频小波系数以及
N
层高频小波系数，构建所述测试参数对应的特征向量，
N
为小波分解层数
。3.
如权利要求2所述的终端设备老化测试方法，其特征在于，所述基于所述第
N
层低频小波系数以及
N
层高频小波系数，构建所述测试参数对应的特征向量，包括：计算所述第
N
层低频小波系数的能量以及所述
N
层高频小波系数的能量，构建所述测试参数对应的特征向量
。4.
如权利要求1所述的终端设备老化测试方法，其特征在于，所述对所述测试参数进行预处理，获取所述测试参数对应的特征向量，包括：对所述测试参数进行小波包分解，获取2N
个小波包系数；
N
为小波包分解系数；基于2N
个小波包系数对应的能量，构建所述测试参数对应的特征向量
。5.
如权利要求1所述的终端设备老化测试方法，其特征在于，所述目标神经网络模型为极限学习机网络模型
。6.
如权利要求5所述的终端设备老化测试方法，其特征在于，采用如下步骤获取所述极限学习机网络模型：设置隐含层节点个数
、
隐含层神经元的偏置参数
、
输入层节点与隐含层节点间的连接权值；选择隐含层节点的激活函数，确定隐含层...

【专利技术属性】
技术研发人员：朱海峰，张杰，
申请(专利权)人：展讯通信上海有限公司，
类型：发明
国别省市：