Labwindows/CVI+Matlab建立高频衰减模型

        引言

　　LabWindows/CVI美国国家仪器公司(NI公司)推出的交互式C语言开发环境。LabWindows/CVI以ANSIC为核心，将功能强大、使用灵活的C语言与用于数据采集分析和显示的测控专业工具有机地结合起来。它的集成化开发环境、交互式编程方法、函数面板和丰富的库函数大大增强了C语言的功能，为熟悉C语言的开发人员建立了检测系统、自动测试环境、数据采集系统、过程监控系统、虚拟仪器等提供了一个软件开发平台。Matlab是由Math Works公司于1984年推出的一套科学计算软件。它具有强大的矩阵计算和数据可视化能力，一方面可以实现数值分析、优化、统计、偏微分方程数值解等若干个领域的数学计算;另一方面可以实现二维、三维图形绘制，图像处理、虚拟现实等方面的处理。

　　本文的出发点是利用Matlab强大的数学处理功能，对某平台高频测试功率衰减问题进行数据分析，并以此建立高频通道功率衰减数学模型。并在此基础上采用LabWindows/CVI这一软件开发平台，利用其灵活丰富的库函数，以及可以轻松实现数据分析和显示的软面板功能来控制测试仪器，在获取仪器测试实际数据的基础上，将测试得到高频信号频率带入建立的衰减数学模型进行计算得到此时的功率衰减值，并将此数值与实际测得功率值相加显示到虚拟仪器面板上，作为最终的测试结果。从而实现了编程环境中C语言的高效执行效率和科学计算相结合的目的，试验证明了该方法的有效性。

　　1 通用ATS传输通道结构分析

　　ATS硬件结构和接口电路设计具有一定的共性，其一般测试结构如图1所示，从图中可以看出实现信号传输的通道结构主要包括2个部分：一是ATE(Auto Test Equipment，自动测试设备)中信号流经的途径，一般流程部件为测试仪器-连接线缆-开关-连接器;二是适配器结构，根据UUT测试需求实现开关系统的灵活配置，以及完成信号调理。适配器设计一方面存在功能上的共性，即需要完成放大、衰减、滤波、隔离、线性化等信号调理功能;另一方面也有其特殊性，如必须结合UUT具体测试要求，设计各种调理电路。而ATE在设计完成后，具有结构功能不变性，特别对高频信号而言，其本身特点不能按一般的集总系统理解，故此需要对这一特定的信号传输特性进行分析。

　　ATE中测试高频信号主要关注其频率和功率2个参数，经过试验已证实，高频信号经过传输通道(电缆、开关、连接器)时对频率测试精度影响很小，可以忽略;而信号的功率会随着频率的改变而有规律的变化。这种衰减产生的原因包括以下几个方面：

　　(1)电缆在传输信号时会产生趋肤效应损耗和介电损耗。其中高频信号沿着导体内侧的表面传输，这种现象即为所谓的趋肤效应;绝缘材料在电场作用下，由于介质电导和介质极化的滞后效应，在内部引起的能量损耗，由于电介质绝缘体会影响电缆的电容，电介质绝缘体同样会产生与频率相关的电缆损耗，即介质损耗。在自动测试设备中，介电损效应是高频信号产生损耗的主要原因。

　　(2)开关和连接器作为特殊的连接线，同样会使信号传输时产生衰减。

　　(3)这些元件连接到一起后，由于阻抗不完全匹配会引起信号波反射，产生反射损耗，并且元件之间焊接处不可避免地会产生频谱泄漏等，都将导致信号功率衰减。对于前2种功率损耗，电缆、开关和连接器在出厂时都给出了不同频率段下功率衰减值，而对于第3种因素产生的损耗，是不可预知的，需要在完成设计后进行测定。

　　另外，上述几种元件使用时，因其老化和温度变化不可避免的会产生随机误差，如连接器的本振频率会随着温度变化产生漂移等。因此，为减小这些随机误差，一方面应选择高质量的元件;另一方面要定期对ATE进行计量，以便及时调整相关测试参数。

　　2 基于Matlab建立高频传输衰减模型

　　2.1 获取高频信号传输通道功率衰减值

　　本文旨在结合Matlab和LabWindows/CVI两者的优势，为ATS中高频通道传输损耗设计一种软件补偿的方法。功率衰减与其大小无关，而是随频率改变而变化，本文以某平台为基础，对频率范围在[30 MHz，2.7 GHz]内的高频信号源进行测试，得到(不同频率、功率)信号经过传输通道的功率衰减值，如表1所示。

　　2.2 高频信号传输通道功率衰减建模

　　在测量数据处理中，常常遇到根据测量数据确定给定模型的参数;为离散测量数据建立连续模型2类问题。本文的数据处理工作属于第2种，在这类问题的测量数据处理方法中，比较好的是选取能够描述测量数据特征的某类曲线，在一定意义下从这类曲线中寻求一条“最好”的曲线作为实验数据对应的连续模型，并给出该连续模型对应的参数。这种处理思想被称为“拟合”，本文将采用经典的最小二乘拟合方法进行数据处理。

　　2.2.1 最小二乘拟合

　　以两元模型为例，假设x和y分别为测量数据矢量，x*和y*分别为对应的真值矢量，f为拟合模型，θ为模型参数矢量，则：

　　由式(2)列出对应的正规方程并求解就可以得出模型参数的最小二乘估计值。最小二乘拟合的理论基础是高斯-马尔可夫定理，其发展已有约两百年的历史，在数据处理中被广泛应用。最小二乘估计具有无偏性和方差最小的性质，且与测量矢量所服从的概率分布无关，因而当测量矢量的概率分布形式不能严格知道，无法使用经典统计中的参数估计理论时，最小二乘拟合成为了数据处理的一种简便方法，同时这也是最小二乘拟合在数据处理中被广泛使用的原因。基于上述原因，本文选取最小二乘拟合方法对测试数据进行处理。