多核学习综述
特征融合，多核学习，核方法是机器学习的一种重要思想8期汪洪桥等:多核学习方法10391.2容许核的构造数据的基因功能分类问题,其中就讨论了前期、中期利用核函数可以大大简化计算,但如何针对具和后期三种集成方式.早期集成是指数据的集成,后体的问题设计出最适当的核函数却是一个难点实期集成是指分类器结果的集成,而中期集成就是核际上,经常采用的方法是直接定义核函数,从而隐矩库的组合,它通过对多个基本核矩阵进行合成得含地定义了特征空间. Mercer条件是检验核函数到,基于这种多核矩阵直接求和方式,可以实现异构是否定义了一个特征空间的充分条件,我们称满足数据源的融合,用来训练分类器此后,在蛋白质功能预测56与定位,蛋白质容许楼满是一些闭包性质或条件6,这使得我分子间的交互预测2,蛋白质折叠识别和远端同源们可以从些简单的核函数设计出复杂的核函数性检测2等方向,由于涉及到多特征空间或有效属性质1.容许核的正系数线性组合是容许核性的集合( roups of attributes available)问题,来性质2.容许核的乘积是容许核自异构源的数据具有不同特性,如全局特性、局部特性质3.函数乘积的积分是容许核.性等,这就需要核矩阵在集成时可以评佔这些潜在设s(x,)是一个定义在X×X上的函数,使的异构目标描述子各自的贡献.因此出现了一些加得k(x,x)=/5x,x)(2,x)dx存在则ka,2)板图多核合成方法,这类多核方法都无追过多个核是一个容许核数的线性组合得到的,图1所示的就是其构成的性质4.平移不变核是容许核的充要条件示意图个平移不变核k(x,2)=k(-x)是容许核,类别标号或预测值结果输出)且仅当其傅里叶变换F(u)-(2x)-号xk(x)i(ur)dx是非负的分类或回归(分类器或回归R效性质5.内积型核是容诈核的必要条件.合成核空闫合成核若一个内积型核k(x,2)=k(x·z)是容许核,则它必满足v≥0.k(5)≥0.0k()≥0且k(5)Kernel sKernel h5k()>0核空间(kemC性质6.内积型核是容许核的充要条件.一个内积型核k(x,z)=k(x·z)是容许核,当征空间(C且仅当其幂级数展开式k(t)=∑0ant中所有系数an≥0.对于有限维的空间,条件可以稍微减弱输入数据图1多核函数线性组合合成示意图当前已经仔在较多的满足 Mercer条件的核函rig. 1 Sketch map of composition using multiple kernel数,常见核函数通常可分为两类:局部核和全局核6ar而局部核选择不同的核参数,又可分为大尺度核与小尺度核.在一些复杂情形下.同时考虑核机器分下面呆用公式的形式对上述线性组合合成核进类、回归性能和泛化能力,将不同核组合使用,将是行描述.假定k(x,2)是已知核函数,k(x,2)是它的更合理的选择归一化形式,例如核函数k(x,z)可以采用如下方法进行归一化:√k(x,x)k(z,x).采用以引入的符2基本多核学习:合成核方法号,可以定义以下几种合成核:将不同特性的核函数进行组合,获得多类核函a)直接求和核( Direct summation kernel)数的优点,可以得到更优的映射性能.并且,典型的学习问题经常涉及到多种或者异构的数据,多核方k(,2)=∑k(x,2)法可以提供更佳的灵活性.此外,它可以作为一种巧妙的方法来解释学习结果、使得应用问题可以得到b)加求和核( Weighted summation kernel)更深入的理解.这就是多核学习的一类基本方法,即合成核方法k(x,2)=∑(,2,≥0,∑月=1(6)2.1合成核的构造1)多核线性组合合成方法c)加权多项式扩展核( Weighted polynomial多核学习最早从生物信息学领域得到应用和认extended kernel同.如 Pavlidis等20在2001年就研究了基于异构k(x,z)=ak1(x,2)+(1-a)k2(x,2)(7)1010自动化学报36卷其中.k(x,2)是k(x,x)的多项式扩展是,该合成核矩阵的大小为(s×n)×(s×n),而原近来,这类合成核法又得到一些改进,在图始核矩阵的大小都是n×n,由于合成核矩阵是原始像目标的识别领域得到广泛应用.如在金字塔框架核矩阵规模的§倍,因此样本特征必须被复制,使运对日标形状进行多核表示阿,或釆用多核方法,算量成倍增加自动获得基」决策的一种相应目标类别的稀疏依赖3)其他改进合成核方法图,实现了多类目标联合检测③2].提高了目标的识近年来,针对多核学习中核函数的选取以及杖别率.通过同时考虑多核线性组合的稀疏性和分类值系数的改进,又出现了一些新的多核合成方法,器的强判别力,将多核学习问题转化为不同的优化如:问题58.63,或通过多对象描述子、多特征空间的整a)非平稳多核学习合,并进行快速求解64.此外,合成核方法在特征提前述的多核线性组合方法都是对核函数的平稳取、处理及应用7、分类972-4、图像分割、组合,即对所有输入样本,不同的核对应的权值是系统辨识等方面又得到了一些成功应用不变的.无形中对样本进行了一种平均处理. Lewis2)多核扩展合成方法等吲提出了一种多核的非平稳组合方法,对每个输述合成核方法都是试图通过一种求和“平均入样本配以不同的权值系数.如常规SVM判别函化”的思想42来实现不同核矩阵融合.然而,这里数为存在个丢失原始核矩阵信息的风险.比如,如果数据集的局部分布是多变的.不同的核处理不同的区f(c)=∑0r,m)+b(1域会得到更好的结果,对不同核函数采用平均的方法将丢失刻画这些局部分布的性能.为了实现核矩引入不同的加权系数,典型的合成核SVM的阵的组合而不丢失任何原始信息,可以考虑将多核判别函数可以改写为矩阵进行扩展合成42],新的核矩阵由原核矩阵和其他不同的核矩阵共同构成.在这个更大的核矩阵中原核矩阵仍然存在.因此,原始核函数的性质得以保∫(x)-∑m∑k(x,x)+b(1留.该合成核矩阵的形式为而对于非平稳的合成核SVM,其判别函数改进11K1,2K为2.2K∑a:∑()k(c;,m)(12)K1 K可以看出,原始核矩阵位于新矩阵的对角线上在最大熵判别( Maximum entropy discrimination,其他所有元素是定义为(Kn)3=Fn(m,)的MED)框架下,通过使用一种大间隔隐变量生成两个不同核矩阵的混合,可由如下公式求得(以两个模型,使得隐参数估计问题可以通过变化边界和高斯核为例)一个内点优化过程来表示,并且相应的参数估计可以通过快速的序列最小优化( Sequential minimaloptimization,SMO)算法实现.通过多种数据集的4:4+(9)实验验证,非平稳的多核学习方法具有更好的通用性.很明显,当p=p时,Kp=knb)局部多核学习实验结果显示,当数据集具有变化的局部数据此后,仍旧是针对多核学习在整个输入空间中分布时,这种合成核方法将是更好的选择此外,通对某个核都是分配相同权值的问题,G6nen等0常核组合方法在很大程度上依靠训练数据,并且必利用一种选通模型( Galing nodel)部地选择合须道过学习获取一些权系数,以标识每个核的重要适核函数,提出了一种局部多核学习算法在SVM性.而在护展合成核方法中,这些核函数的重要性可框架下,其判别函数形如以直接从支持向量机的训练过程中导出.由此,分别对应不同核的权系数可以通过一个单独的分类尜优化过程整体得到.并且该优化过程不会像其他加权∑q∑(x)k1(x;xm/r)+b(13)核方法那样,由于在优化权系数和训练分类器过程中两次仗用训练数据而产生训练数据的过拟合.但其中,7z(x)是选通函数,其定义形式为8期汪洪桥等:多核学习方法10117(c)exp((vm, )+Umo)(14)详细阐述了应用于合成核的列生成 Boosting方法并成功推广到分类和回归问题∑ep(,x)+"l2)二次约束型二次规划从数学形式上看,二次约束型二次规划是一类这里的tm和tm是选通模型参数,可以在多核学习目标函数和约束同为二次函数的优化问题过程中通过梯度下降法获得.将局部选通模型和基于核的分类器相结合,优化问题可以用一种联合的方式加以解决.局部多核学习方法获得了与多核学习近似的精度,但只需要存储更少的支持向量.基于st.Px+qx+r;≤0,i=1,2,…,m此, Christoudias等又提出了一种基于 BayesianAr=b的局部权值求取方法,以使学习过稈能适应人规模(1的数据集这里,P,B1,…,Pn是n×n矩阵,优化变量x∈c)非稀疏多核学习R;如果P1,…,Pmn均为0矩阵,则约束变为线性大部分合成核方法都有式(6)的形式,即对多核的,该问题实际变为一个二次规划问题系数的约束是一种1范数的形式,以提高核组合的Bach等针对多核矩阵和分类器系数锥组合稀疏性.稀疏性的提高在一些情况下可以减少冗余,问题的联合优化,提出了Q(QP的-种新对偶肜提高运算效率.但当某个问题多个特征编码间具有式,把它作为一个二阶锥规划,可以利用 Moreau-正交性,稀性可能导致有用信息的丢失和泛化性 Yosida正则化来生成SMO方法的适用形式.实能变弱.Klof等通过对系数引入一种l2范数约验结果显示这种基于SMO的算法比常用工具箱中束,即‖2=1,提出了非稀疏的多核学习方法.虽应用的内点法更有效,广泛应用于支持向量回归问然在此约束下,名核组合形式是非凸的,但通过使用题1二范数‖|2=1边界上的值,可以得到一个紧致的3)半定规划凸近似,这就保证了核矩阵的严格正定性.通过在大通过在一个核矩阵中综合考虑训练数据和测试规模数据集下与C1范数和常用多核学习( Multiple数据, Lanckrict等田通过半定规划技术实现了核kernel learning,MKT)方法进行对比实验,仿真实矩阵的学习问题,也为合成核模型提供了一种功能验结果显示2-MKL在抗噪声和特征集冗余方面具强大的渐进直推式算法,该算法被成功应用并推广有较强的鲁棒性.此后,Klo等刚又将O2范数约到蛋白质功能预测0.其考虑的核矩阵具有如下形束推广到任意C范数,p>1,进步增强了核机器式的通用性和鲁棒性Ktr Ktrt2,2合成核机器的学习方法Kr Kt为了求取合成核的参数,通常是将合戊核与支其中,K一(x)重(x;),1-1,…,mu,m+持向量机方法相结合,然后将目标函数转化成不同1,…,m1+nt:这里nt和m是有标号的训练样的优化问题,如不同的正则化形式或对训练样本本个数和无标号的测试样本个数.我们的目标是的一些约束,通过不同的优化方法进行求解.基于通过优化关于训练数据块Kt的损失函数,学习得此,出现了多种合成核机器的学方法到最优的混合数据块矩阵Kr和测试数据块矩阵1) Boosting方法K1即利用有标号的训练样本米预测测试样本的类早期受集成思想和 Boosting方法的启发,别,也就是说,作者认为在训练的过程中同时考虑训Bennett提出了一种多自适应国归核( Multiple练样本和测试样本,可以找出最佳的核矩阵.但这additive regression kernels,MARK)算法.MARK样产生的问题是,求解核矩阵的搜索空间也相对变定义了一种异构核模型,并考虑一个大规模核知阵大,为了避免过学丬( Overfilling), Lanckriet利用库( Library),这个库由不同的核函数和其参数构成.限制核矩阵的迹为一常数米控制,于是有了约束式通过使用一种梯度 Boosting列生成方法, MARK tr(K)=C构建出异构核矩阵的每一列,然后将其添加到合成半定规划是一种凸优化问题( Convex opti-核中.算法的目标就是在这个核矩阵库的基础上,找 mization problem)∞o,它有一个线性的目标函数到一种构建推广模型的方法.这种方法推广性强,不( Alline objectives lunction)、有限个线性矩阵不等需要存储大量的数据米应对后续的预测,提高了预式约束( Linear matrix inequality constraints)以及测的效率在此基础上,通过与SVM结合,Bi等17有限个线性矩阵等式约束( Affine matrix equality1042自动化学报36卷constraints),其标准形式如下如回归问题、一类分类(奇异检测)问题等.实验结果显示该算法可以有效增强模型的自动选择能力min c u并能提高学习结果的解释性.同时能有效应用于数S.t.Fy()-Fd+uFi+,.+ugFg20十万个样本和数百个核的大规模组合优化问题.这7=1,…,种半无限线性规划相比其他方法明显提高了学习速度,适宜于解决大规模问题.特别是当SVMs与·些Au= b已出现的字符串核( String kernel)相结合, String(17)kernel也是一种有效的核方法,它根据两个字符串其中向量t是最优化目标,FF是n×n的的所有公共子串计算它们的相似度,利用这些核对对称矩阵.F(a)是一个半正定阵,上标j表示特征的稀疏映射,使得我们可以训练一种字符串核可能有1全1个约束式:满足此约束式的所构成sVM,并应用于计算生物学中的千万级样本的数据的集合是一个凸集合.A是一个行数与长度相同,片段24在此基础上,7iem等提出了一种应用于列数与b长度相同的矩阵表示有限个等式约束式联含特征映射的多核学习方法,为多兴分类问题的因此,半定规划是在对称且半正定矩阵的凸子集合多核学习提供了一种史方便和原理化的途径.通过( Convex subsct)卜:求解凸函数的最优化问题针对多核支持向量分类问题,通过定义一种对一种凸Q(QP以及两种 SILPs在数据集上进行比较,实验结果显示 SILPS比QCQP在速度上更能指标( Performance iudex)u(K),基于原始一对有优势终可以转化为一个标准的半定规划形式5)超核( Hypcrkcrncls)对基于核方法的支持向量机而言、如何选择一个合适的核函数实现自动的机器学习是一个很大的min t,t,入,υ,6挑战Ong等3通过定义一种核空间上的再生核t.tr|∑FHilbert空间,即超再生核 Hilbert空间,并引入超核的概念及构造方法,在更广义的层面上实现了这,K;≥0目标定义1(超再生核 Hilbert空间, Hyper reproducing kernel Hilbert space).改Ⅹ为非3.tre-tU8+ xy空集合,Ⅹ:ⅩxX是复合指标集,H为函数f:X→R的 Hilbert空间,该函数可表示为该空间中两(e+-6+入y)1t-26Ce个向量的内积,且其范数f=√f,f,则被0>0称为超雨生 Hilbert空间,如果存在一个超核k:x6>0X→R具有如下性质:(18再生性:对所有∫∈丑,有(k,),/)其中,t是引入的一个替代变量( Auxiliary vari-f(x),特殊地,(k(x),k(,x2)-k(xxablc),v,6,A是引入的 Lagrangian乘子,至此,可b)k张成整个空间H,即H以通过标准的半定规划求解方法得到B及相应的span()(XLagrangian乘子,半定规划具有很高的泛化能力c)对仟一固定的(X,超核k是关于其第线性规划( Linear programming,LP)以及QCQP二个输入的核函数,即对任一固定的x∈X,函数问题都可以转换推广成半定规划门题然后可以很k(x,x)-kx,(x,x),x,x′∈是一个核函数容易地使用内点法( Interior-point method)加以解在超再生核 Hilbert空间上,可以用类似于止则决化品质函数的方法.得到一个从训练数据对核进行4)半无限线性规划学习的推理框架.对超核的学习,可以通过定义Sonnenburg等B7在多核矩阵锥组合的基础上,个被称为品质函数( Quality functional)的量(类似提出了一种通用而更有效的多核学习算法.该方法于风险函数)来实现,这个量可以衡量核函数“非良将Bach等的QCQP对偶形式改写为一种半无限( Badness”的程度线性规划(Semi- infinitite linear program,SILP)形定义2(正则化品质函数, Regularized qual-式,新的规划形式可以在标准的SVM应用问题中, ity functionality).设X,Y分别是训练测试样本利用成熟的线性规划方法进行求解.并且,通过将组合和样本标签,对X的一个半正定核矩阵K,此形式进行推广,算法能有效解决更多类型的问题,其正则化的质函数定义为如下形式:8期汪洪桥等:多核学习方法1013g(,x,Y)=9mp(k,X,Y)+2‖(17)分组LasoLasso回归是目前处理多重共线性的主要方法这里,≥0是一个正则化常数,h表示空间之一,相刘于其他方法,更容易产生稀疏解:在参H中的范数,Qm(k,X,Y)是一种经验品质函数,数估计的同时实现变量选择,因而可以用来解决检它表示核函数k与某一特定数据集X,Y的匹配程验中的多重共线性问题,以提高检验的效率.Laso度,该函数的值常用来调整k以使得gm最优(如:可以推广为分组Laso( Group lasso),从而使得最优核目标度量)模型的解可以保持组稀疏性和层次性.Bach26·关引理1(再生核 Hilbert空间的表示定理,注于分块1范数正则化的最小二乘回归,即分组Representer theorem for hyper-RKHS).设Las0o题,研究了其渐进模型一致性,推导出了分X为非空集合,Qmp是任意经验品质函数,X,Y组Laso-致性在一些实际假设下的充要条件,如分别是训练测试样木组合和样木标签,则每一个最模型误定.当线性预测器和欧氏范数(2范数)用函小化正则化品质函数g(k,X,Y)的k∈Ⅱ具有数和再生核 Hilbert,范数代替,这就是常说的多核学以下的一种表示形式习问题.通过使用函数分析工具和特定的协方差算,将上述一致性结果推广到无限维情形,同时提出k(x)=∑月12(m,m),(m,m1),,x∈x种自适应方法来获得一致性模型的估计,即使2,7在非适应方法必要性条件不满足的情况下也能适用(20)为多核学习间题提供了一条新的途径对每一个1≤i,≤M,这里B;∈R2.3其他合成核参数学习方法根据超再牛核 Hilbert空间的表示理论可知,由超核构造的决策函数不仅由某一个单核构成,而且从最简单的多个核直接求和到上述的各种改进还由多核之间的一个线性组合构成,因此具有更优合成核构造方法,多核学习经历了从经验性选择的性能在分类、回归以及奇异检测等方面的实验证运用多和优化方法求解的过程但针对一些具体间实了该方法的有效性B.8,拓展了多核模型选择与题,对核参数的选取,多核权系数的设定,目前还没合成的研究途径有形成一个合理统一的模式.常用的方法只能是凭6)简单MKL借经验、实验对比、大范围的搜索或通过交叉验证从Bach等的多核学习框架36出发, Sonnen-等进行寻优.在这种情况下,也出现了其他的些方bug等提出了种通用而更有效的多核学习算法,实现了多核学习问题,典型的有法37,该方法通过迭代使用现有的支持向量机代1)基于智能优化方法的多核学习码,从一个新的角度解决了人规模问题的多核学习这类方法主要通过一些比较成熟的智能优化然而,这种迭代算法在收敛到一个合理解之前,需要方法,建立目标函数,寻找该函数极值的过程就是过多的迭代运算. Rakotomanonyy等27用一种自合成核参数寻优的过程如采用多项式核与径向适应的C2范数正则化方法米考虑多核学习问题,每基核的合成核2作为支持向量机的核函数k个核矩阵的权系数被包含在标准SVM的经验风险2-(1-p)km,将其用SVM进行预测过程中最小化问题中,并采用(2约束以提高解的稀疏,的参数向量(d,o,,p)作为粒子,其中d为多项式然后采用了一种基于分块1范数正则化的算法来解核参数,为径向基核尺度参数,y为SVM调整参决这一问题,为多核问题提供了一个新的视角,并且数,p为合成核的权重参数,利用粒了群算法对该合证明了该方法与Bach等的方法是等效的.从上运成核的参数进行优化,最终找到最优的预测结果描述可以看出,除了学习合成核外,该与法解决的是2)基于核目标度量的多核学习个标准的SVM优化问题,这里核的定义形式为核度量434是两个核函数之间或核函数与目多个核的线性组合. Rakotomamonjyl称之为简标函数间的一个相似性度量,在多核矩阵信息融合单多核学习( Simple MKL)在加权的2范数正则方面得到了应用,其概念最早由 Cristianini等提出化形式下,同时对多核权系数进行一个额外的1范考虑一个两类分类数据集S={(x,1)}=1,其中非数约束,为多核学习提供了一种基于混合范数正则∈{+1,-1},则在数据集S下,两个核矩阵之间的化的新思路.简单多核学习可以从两类分类问题向核度量定义为其他方向扩展,如回归、类、一类分类(奇异检测)A(S,K1,K2)(K1,K2)以及多类分类问题,具有很强的通用性,并且与其他(21√k1,K1)F(K2,k2)F多核学习算法相比,该算法收敛速度更快且效率更这里,(K,Ka)F=>1-1Fn(x2:)(x,T)通1044自动化学报36卷过上式,对应于S的核矩阵K的性能可以通过A;-2,t-0,1,2,值米量度,如:A(5,K,G),这里的G是基于特定任务的理想核G=y,其中y=m12…,.基另一种典型多尺度核为小波核函数( Waveletkernel function) 831于对目标核的度量原珥,通过使用不同的核函数,或定理1.令h(m)是一个小波母函数,a和c分者调节不同的参数值,可以产生一组核矩阵.然后,别表示仲缩和转移因子,a,∈R如果x,z∈R对该度量值的最大化执行半定规划或其他学习方法,则内积型小波核函数可表示为以得到一个对不同核矩阵加权组合的最优核3多个尺度的多核学习:多尺度核方法k(2)=江4(合成核方法虽然有了一些成功应用,但都是根据简单核函数的线性组合,生成满足 Mercer条件的转移不变小波核函数为新核函数;核函数参数的选择与组合没有依据可循,对样木的不平坦分布仍无法圆满解决,限制了决策k(a, z)=(函数的表示能力.在此情况下,山现了多核学习的种特殊化情形,即将多个尺度的核进行融合.这种定理2.考虑具有一般性的小波函数方法更具灵活性,并且能比合成核方法提供更完备的尺度选择.此外,随着小波理论、多尺度分析理论h(x)=cos(1.75x)252间使其其有了很好的且论录这类方法目箭也如果x2(R",则小波核函数为得到了很好的利用,烘型的如 Kingsbury等③2将多个尺度大小的核进行分光heng等B到、 Yang k(a,2)=h(x二等834提出了多尺度支持向量回归.分别用于非平坦i=1数的估计和时序列预测.此外,通过进一步将多∏1c015(n-2)C一之尺度核与支持向量机结合.多尺度核方法在基于回归的热点检测48和图像压缩49等方面均得到了应(26用.近来,结合多尺度分析方法,基于 Hilbert空间通过仲缩因子a的变化,即可得到不同尺度的小波中的再生核进行函数重构得到了重视并进行了相关的应用研究;此外,多尺度核方法又逐步推广到核函数了高斯过程的健模与处里-27,这对基于核方法3.2多尺度核的学习方法的机器学习又是一次大的扩展1)多尺度核序列学习方法3.1具有多尺度表示能力的核函数对多尺度核的学习,很直观的思路就是进行多尺度核的序列学习.多尺度核序列合成方法32简单度表示能力的核函数.在被广泛使用的核函数中,高理解就是先用大尺度核拟合对应决策函数平滑区域的样木,然后用小尺度核拟合决策函数变化相对剧斯径向基核烈区域的样本,后面的步骤利用前面步骤的结果,进k(a, a )=cxp(22行逐级优化,最终得到更优的分类结果考虑一个两尺度核k1和k2合成的分类问题是最受欢迎的,因为它们具有通用普遍的近似能力,我们要得到合成的决策函数同时它也是一种典型的可多尺度化核.以此核为例f(x)=f1(x)+f2(x)将其多尺度化(假设其只有半移不变性):k(-22这里22af()=∑ak1(xn,)b2其中.σ1
- 2020-12-07下载
- 积分：1
安捷伦N9030A频谱仪Scpi接口协议
安捷伦N9030A频谱仪Scpi接口协议，英文版资料，很详细实现连通对于VISA必须注意:虽然应用指南14659/1465-11Ⅵ ISA API是标准的,但各厂商则是在早期自动测试中,系统控制概要器称为台式计算器或仪器控制器用VSA层下的不同层控制硬件。此它只有有限的处理能力和少量的外,各厂商还可能为它应用层的独测试系统中的一些因素会增加存储器。为使语法尽可能简单,设备特特性作了增强。为使其能完成所Vo连接的负担。比如系统中的仪器制造商采用短命令,先是二进制,后有工作,主计算机中安装的VSA版数,要执行的测试数,命令量、状态消息,以及要传送的测试数据。LAN本必须与IO硬件兼容(这正是PC采用ASCI1技术是解决负担问题的最好方法。标准IO,如LAN和LSB的另一优它是GPB的快速和低价的替代方不同制造商定义他们自己的命点,支持这些按口的任何版木SA案,在连接距离和锁定连接器上也令串,通常是针对各仪器特定功能都能工作,因为低级驱动程序已标超过UsB。的专有命令。在系统中要把仪器更准化)换至另一厂家的仪器,甚至用新仪当前一代PC多数都有内置的器更换同一厂家的较老仪器,都可更自由地选择LAN端口,因此测试系统的计算部分只需最小的物理配置。测试仪器能需要完全重写系统软件。与测试和测量行业1O的进步拥有LAN端口也越来越平常。此同时,PC行业一直在追求DO和程外,像 Agilent E5810 A LAN/ GPIB仪器命令还不是故事的全部。序语言的独立性,Mco建立了网关这样的装置能在基于LAN的测控制器和系统仪器间的连接性需要组件对象模型(COM,这是允许不试系统中容易地包括仅有GPB的另增的软件层。历史上的1O软件层同软件厂商制作的组件组合进入各较老仪器。包括了库,如标准仪器控制库种应用的软件体系结构。COM不依(SICL)或NL-48应用软件通过使赖于任何特定的程序语言作出系统使用LAN的决定用这些库实现与仪器的直接通信。也能更容易地与同事共享数据、结各厂商都有专用于与自己IO接口为融入语言独立性的优点果、报告等。但它也为可能影响系统性能和完整性的恶意威胁和不经意通信的专有应用程序接口(API)。这 Agilent开始建立作为ⅤISA标准伙的风险开启了大门。幸而有保护的给用不同厂家设备建造测试系统的伴的 VISA COM。 VISA COM是专用LAN能屏蔽网络免受大部份风系统开发者带来很大困难一当然, VISA API I面向对象的表述:ⅥSA险,并保证最大的吞吐率。大多数许多系统用过的(和还在使用的)设AP通过使用组件对象模型而进入 Windows PC和低价网络设备的这备确实来自多家厂商。应用层。些标准能力有两种可行的实现方法:一种是围绕LAN路由器建造标准化AP其结果是:Ⅵ SA COM使您能另一种是基于配有两块LAN卡的为更容易构建多厂商测试系统,自由选取最流行的1O配置,从选PC。组仪器厂商建立了虚拟仪器软件择“COM友好”语言,如C#、 VisualBasc6和Ⅴ isual basic.NET诸语言为在PC中建立与LAN使能仪体系结构(VISA)。它提供标准化的器的透明通信,还需要做一些工作。AP,允许通过公共接口一直接或中获益。如我们后面的讨论,您选择成功取决于 Microsoft windows xP使用驱动程序控制仪器。从应历的的应用开发环境(ADE)将影响对的LAN服务,以及 Agilent IO Li观点来看,各厂商的ⅤSA似乎相同。您应用的最佳库和API选择。braries suite14所提供简化和加速连接过程的一些附加能力。1为更多了解仪器控制的发展,请参看应用指南1465-3理解驱动程序和直接O,25页www.agilent.com/find/systemcomponents实现通信标准化直接Mo今天,SCPI仍是使用最多的仪器控当您使能了连通能力后,就要1989年,HP2推出称为测试和制形式。决定如何实现主计算机和系统仪器测量系统语言(TMSL)的仪器通信间的通信。有两种可选方案,即直接语言,在改进一致性和易用性上:作IO和仪器驱动程序。直接O建立了尝试。其后HP和其它八家制造与各仪器的直接连接,它较快,但限商以TMSL为起点,共同致力建立制了仪器的互换和软件重用。大多通用的仪器控制方法。其成果是数仪器驱动程序使用直接IO和SCPI,即可编程仪器的标准命令。SCPI,但有时它会隐藏连接。总之,驱动程序以降低灵活性(可能还有SCPI在仪器固件中的实现使用速度)为代价换取改进的互换性和于直接LO的程序语法更鲁棒和更重用能力。在许多情况下,您可既使可预期。语法定义了严格的层次,规用仪器驱动程序,又使用直接O,定了跨仪器型号的一致性命令、响以实现最佳速度、灵活性和测量功应和数据格式。所定义的这些命令能的平衡。和响应适用于源、敏感和开关装置。表1:这一 Visual basic6框图使用ScP和Ⅵ SA COM IO与函数发生器通信Dim Egen As VisaComL-b. FormattedIo488Code removed: Set up the connection to tre instrumentWith fenWritestringReset the function generator工. ClearClear errors and status registersWritestring "FUNCtion PUlSeSelect pulse waveshapeWritestring "OUTPut: LOAD 50Set the load -mpedance to 50 ohms (defaultLOW OWritestringVOLTage: HIGH 0.75Figh level=.75 VWritestring "PULSe: PERiod 1e-3Writestring "PULSe: WIDTh 100e-6Pulse width100usWritestring PULSe: RANsition 10e-gi Edge time is -0 ns (rise time fall time)Iritestring OUTPut ONTurn on the instrument outputFcr I =0 To 18Vary edge by 5 nsec stepsWritestring " PULSe: RANsition " s(0.000C0001 +I*0. 000000005300mEnd with21999年HP把它的测试和测量业务分拆至 Agilent改进互换和重用于ⅠⅥI标准的出现,NⅠ为遵循探索应用的替代方案SCPI是一项重大进步,但仪器标准更新了它的工具,但基于专打包的压缩软件通常以性能和驱动程序的后续发展已使互换和重有工具的许多系统仍在使用中。灵活性为代价,提供测量和分析的为获得重用和可互换能力,TV-用达到全新的水平。仪器驱动程序C需要用附加补丁软件围绕不直便利。这样的产品一般非常适合产(或简称“驱动程序”)是使能PC与品开发期间使用的小型系统或一次仪器间的通信,针对特定仪器(或特接攴持软件互换能力的核心DLL性系统。与其相反,定制软件往往是定仪器门类)的高层软件部分。对软技术,应用程序必须调用中间驱件开发者来说,驱动程序通过指导动程序(一个“YVC类驱动程需要高性能和最大灵活性的设计验证和生产测试这类应用的最好答案。开发者完成各必要编程步骤和在程序”),然后由它接着调用实现该序环境内提供仪器能力简化编程和功能的专门仪器驱动程序。简化基本分析任务缩短开发时间(而不是像SCPI和直‘1coM:通过利用COM计算有一些替代通用开发环境的方接IO那样在手册中)。机标准,该标准能最大限度实现案。一个例子是“目标应用”,它针可互换性和重用。 IVI-COM驱动对特定的测量或技术领域,或针对第一代驱动程序针对特定厂商,程序与标准PC组件体系结构软产品开发生命期中的特定阶段或任通常使用特定ADE工作(有些遗存的应用程序还在使用这样的专用驱件相集成,从熟悉和方便的务。这些应用包括为非经常性测量动程序)。但今天巳有三种类型的标ADE控制仪器,以得到生产能力所设计的软件(手动或半自动)。这准化仪器驱动程序。它们与多种的极大改进。IVI-COM驱动程些软件一般用于产品开发的较早阶ADE一道工作,能使仪器与任何厂序用VISA( ISA COM或段或设计验证期间。商的IO硬件通信。ⅥISA-C)控制VX或GPB仪器。由于许多新的仪器包括计算机标像 Agilent IntuiLink连通性软件·VⅪ即插即用:它们原来是为模准O,如IAN和USB,用于非(免费)和 Agilent BenchLink(低价)块化ⅤⅪI仪器开发,后来又扩展GPB仪器的 VI-COM驱动程这类应用软件能容易地用于执行半到非VXI仪器。通过VISA库,序并不要求使用VSA,虽然许自动测量,收集效据和分析来自各种仪器的结果。这两种应用软件使致性的驱动程序提供Ⅰ/O多使用了VISA用驱动程序或直接IO一以实现仪器VXI即插即用WIN32驱动程序规范能在所有流行语言中工作,如果您不能确定使用的是何种通信、控制和数据传输。O技术或驱动程序,可检查仪器通是今天使用最广的驱动程序体系结构。信所使用的连接串或“仪器地址”VISA型串的形式如“ TCPIPⅣ-c:ⅣVL-C有二个明显不同的34980A.tm.agilent.com:inst0驱动程序。该术语通常适用于基NSTR”,而基于SCL的串则如“lan于NI专有工具的驱动程序。由34980A.m.agilent.com]nst0"www.agilent.com/find/systemcomponents· Intuilink:这种连通性应用软件BenchLink是 Windows基应用钦比较开发环境通过在流行PC应用软件,如件(图2),它用电子数据表格式Windows word和 Excel中增加流程化数据收集、展示和分析。您行将选择的软件环境对建立工具条简化数据传输。 Intuilink它也能通过包括在IO软件中的和维护测试系统所需要的时间、工作量和成本有极为显著的影响。开能从测量仪器直接取回数据,使LAN、USB或GPIB与仪器通信发环境可以是图形式的,或者是文您能保持在PC应用软件中,并还有对 BenchLink的更高售价本式的。如 Agilent VEE Pro和N使用其熟悉的界面。通过支持LabvIEw这样的图形环境使用图示GPB、USB、LAN和 Fire wire接替代方案,包括适用于功能测试的方法,工程师掌握这种方法比较容口, ntuilink也消除了仪器与PC仪器控制软件和特定域应用软件易。您只需操纵代表命令和功能的间的壁垒产品范围从一般测试执行程序到针图标用程序流线把它们连接,这样对应用的程序,如蜂窝电话管制测做能更容易看到执行路径和交互Benchlink:这种低价的应用软试L具。所有这些都服务于减少仪它也为您屏蔽了下层的语法。针对件有支持各种仪器的版本。器编程、连通和通信的负担测试和测量的图形环境还有扩展的1/O和仪器驱动程序,以及与测量相关的数学运算及图形能力。图形编程最适合小型和中型的测量应用图2. Agilent BenchLink Data Log9gr提供电子数据表形式的测试设置,以及对测量的实时显示和分析而对大型程序,可视接口则变得难以理解X吧国园xScen Setup SWich Cortrol l相反,文本程序则较难掌握,因Enablerecopy To Cupboard CrannetslodsMep为需要全面和深入了解编程语言的20-Chwnnel Amwu Mu曲啪母图·世留队茶命令和语法。但由于多数文本语言是基于开放标准,它们提供对开发0.036612435DC)环境、软件工具和培训机会的更大Awerage value. -0.0367263015253828选择。而且有众多适用的第三方驱动程序、工具和插卡。文本程序最适-1.157E06cDC)合大型复杂程序,因为更容易浏览Average Voke:-11016209107932E-06和理解。Rslerence Ref Unt MaterA Maxmum value: 1. 414E-0S过去,文本编程所产生的应用10.00md004212221444wdoChae5000c0024254程序在运行时间上有明显的速度优Minmum Value:-2357E-06势,它超过图形编程所产生的应用Count: 1184yl(02Auro ScoleD.002884919Della0010.64程序。但在今天,这两种方法产生的one Fo Computed应用程序在运行速度上相差甚小。最大化性能和灵活性屏上帮助: Intellisense特性和具有 Agilent测试和您可选择支持定制测量软件创F帮助”能力与基于COM和测量工具集的Ⅴisua| Studio建的方案。其范围从测试自动化应NET的第三方驱动程序和软件Agilent测试和测量L具集2.0用软件到使用图形或文本编程的全协同工作。例如驱动程序的功能开发环境。您选中的方案将确Intellisense窗显示所有可用的榮具有测试自动化能力,它使用一套作,对每一项操作的简要描述,集成和易于使用的软件工具和组件定仪器通信的最好选择。以及所有允许参数的概要和说项目向导、API、类库、 widgets、Microsoft visual studio明。对于各种驱动程序或部件,图形、驱动程序和其它工具扩屐V只需按F1键,就打开展现该驱 sual studio的NE版。所建立的坏Ⅴ Visual studio是文本式的编程动程序在线帮助手册的新视窗。境简化了把测试和测量融入定制应解决方案,它提供扩展的开发工具这种上下文相关的屏上帮助要比用软件的过程。在 Visual Studio环和内置的帮助能力,以加速Win-翻阅印刷的编程手册快得多。境中使用测试和测量工县集2.0,您dows基应用软件的开发。集成的就可使用所中意的文本编程语言,开发环境为所有支持语言提供一致种测试系统应用软件也有·把您的新代码与在其它语言中编写性的接口,包括 Visual basic,CH+项缺点:即Ⅴ isual studio中的新.的已有代码相集成。和C#。NFT基语言难以使用CAPI。Microsoft程序语言最新版用NET技测试和测量工具集2.0还提供作为标准化的主流开发产品,术与驱动程序及第三方软件通信二加速和简化系统开发的一些其它Visual studio有如下优点NHT迅速扬弃了CAP技术。这影能力。开放性:由于Ⅴ isual studio是开响到YSA1O库的CAP版本,以· DirectIo类:这是直接向仪器发放和应用广泛的标准,因此能与及IVC和ⅤX即插即用驱动程序送命令的最简单方法。任何其它编程技术通信。这样,为解决这一问题, Agilent为VlSA您就能用数以千计的第三方工具^PL提供NET的包装程序。该包·包装的ⅤX即插即用驱动程序软件和驱动程序等一来支持装程序可免费从www.agilent它把驱动程序集成至.NET,县您的开发工作。com/find/iolib下载,它也已包括在有全部 IntelliSense和F1帮助能Agilent IO库产品中。力。测试和测量工具集也能认识coM友好: Visual studio能使用和使用带有内置 Intellisense的基于 Microsoft com的编程技术IV-COM驱动程序。良好工作。包括Ⅴ ISA COM和IVI-COM。●仪器资源管理器:用这一工具能容易地看到和编辑仪器IO配置初始化与仪器的通信。www.agilent.com/find/systemcomponentso监视程序:这一公共程序使 Agilent VEE Pro由于 VEE Pro是开放和对标准您能更容易地使用仪器控制软件对于寻求替代文本编程的L稗友好的环境,它也为测试系统开发和仪器驱动程序—IVI-CON,师来说, Agilent VEE Pro70是能提供一些好处:VXI郎插即用驱动程序一通过监视直接LO下层发送至仪器的加速建造和编程测试系统进程的强直接JO:通过其容易和强大的直大而易用的程序环境。为创建一个命令和返回的结果数据诊断问题接I/O能力,Ⅴ EE Pro提供对直(图3)。程序,您从宏大的库中选择高级图接IO的极好支持,以控制任何形对象,把它们用直线或“导线”连标准仪器和许多厂商的PC插卡。这样, Visual Studio和测试和测接。导线连接规定了直观框图中的量工具集的有机结合就能解决与定功能和序列。仪器驱动程序: VEE Pro支持各制应用软件连接和控制测试设备相种工业标准驱动程序,如IVI关的许多难题。COM和VⅪI即插即用驱动程序。它支持上千种驱动程序,以及70多家制造商的流行仪器。图3.测试和测量工具集的监视程序跟踪o层,提供 Agilent VISA. SA COM,SCL和SCL细·COM和NET:对于不熟悉NET节,帮助您找到源代码中的瓶颈问题程序语言而又需要使用这些能力9 Agilent IO Monitor的工程帅来说, VEE Pro关注各Fle View Monitor Help种细节,可确保COM与NETG區母■园Time Stamp Progr3 aDdress」soe」 FunctionI 10 Data Ret Val Time(ms)软件的成功交互14: 03: 34.909 vaexe gpib. 22 SICLSICLcausee0367014: 03: 34.910 vaexe gpib. 22 SICLSICL:: Prompt1222573014: 03: 34.911 vaexe gpib. 22 SICL Detail SICL B: tulip write " TST?. 0 85.350014: 03: 34.997 va exe gpib, 22 SICL Detail SICL B: tulip read152129210SICL B: tulip write- Process ID 1884: Thread ID 1880Parameters.InputNameTypeValueA OffsetHexadecimalASCllin int327400000002a54535430..TSTImein uint 32in uintain uint32ab al Is评估ⅣO软件替代方案ADE VS. O APIIVI-C和 IVI-COM。它们与多种我们的最终目标是使您能用最选用ADE将影响为您的应用选ADE一道工作,可通过任何厂商的少时间确定测试系统中应使用何种择最好的IO库和API。表2示出IO硬件与仪器通信。IO库或驱动程序。这项工作在今天 Agilent支持的各种IO,为各ADE表3从左到右示出三代驱动程是不可避免的一但我们能提出简化推荐的库,以及首选的和历史上的序标准化的进程一专用、测试和这一过程的几项建议。替代方案。测量标准和PC工业标准。它也代仪器驱动程序vs.直接o作为一个值得注意的例子,在表了驱动程序技术的过去、现在和在比较驱动程序和直接顶O时,使用Ⅴ isual basic6时,我们认为未来需考虑两项关键因素。一是开发诫 VISA COM优 J VISA AP,因为为加速测试系统开发,我们推度和执行速度的权衡:驱动程序有VISA COM是面向对象,而VISA卷仪器控制使用最新 VI-COM驱动更快的开发速度,而直接IO则能AP是层次观察。使用COM版意谓程序和VX即插即用WN32驱动更快地执行。着您不需要为YB对象增加bas文程序。ⅣCOM驱动程序技术是建件(需要通过参考),并且VISA造于PC标准体系结构之上的唯一另一项因素是能访问的仪器功COM允许使用上下文相关的种。在COM上建造的部件驱动能。驱动程序通常覆盖仪器所有功 ntcllisensc都助,。程序可在所有流行PC语言和大多能的一个子集—一般限制为最常使用的功能。相反,直接ⅣO与SCPⅠ ADE VS.仪器驱动程序数测试和测量语言中L作。此外,它利用最流行的IO形式,可用于最命令的组合能访问仪器可编程功能如上所述,有三种类型的标准新NET技术之中。的100%。如果您既想利用驱动程序化仪器驱动程序:ⅤXI即插即用的优点,又需要访问所不支持的特性,在一个应用程序中使用这两种方法是有可能的。表2ADE和推荐的|O库应用开发环境推荐的库支持的替代方案首选历史Visual basic 6VISA COMVISA With visa 32. basSICLVisual c/ct+VISA With visa 32. hVISA COMSICLVisual basic net测试和测量工具集直接WOⅥ SA COMC#和其它NET语言VISA With visa32 csVISA with visa32, vb表3ADE及其推荐的仪器驱动程序仪器驱动程序家族专用测试和测量测试和测量组件Pc(针对一种语言)(基于测试和测量标准)(基于PC标准)Labview即插即用abwindows/cⅥ即插即用V-COMVX/即插即用GN)WNVX即插即用VEE Panel驱动程序VI-Cwww.agilent.com/find/systemcomponents成就测试系统的未来术语输入/输出层一也称WO层;该软件与外部装置(如仪器)交互,发布命令和开放标准,如COM和LAN巳ADE一应用程序开发环境;这一软件收集数据。被计算机世界广泛接纳,现在又正开发程序的集成套件可能包括文本编辑成就着测试系统开发的未来。通过器、编译器调试器,以及用于建立、维V—可互换虚拟仪器;这是一种标准最大化软件重用,更容易的仪器互护和调试应用程序的其它工具。仪器驱动程序模型,允许对不同仪器型换,包括不同型号甚至不同品牌仪号和门类有一致的程序形式。AP|—应用程序接口这是严格定义的器的互换,这些标准加速了系统的套软件例程,通过它,应用程序能访ⅣMcOM驱动程序一也称M组件驱动开发。通过允许您在一个应用程序问操作系统下层或可重用软件库提供的程序;M驱动程序作为COM对象出中使用直接IO,SCPI和驱动程序,功能和服务。现,它保留您所选开发环境的所有能力。标准也提高了系统的功能性和性能。C#一读作“ C sharp”;这是新近面向LAN—局域网您选择的开发环境应能将测试组件的程序语言,它类似C+,并组和测量更容易融入定制应用程序中。合了C和Java语言的属性。库一汇集可调用的软件操作可重用的如果您更乐于使用文本程序,带有coM一公共对象模型,也称Mcot软件功能意味着可由其它程序使用。agilent测试和测量工具集的 Visual COM:它允许软件开发者创建可与现NET框架用于应用程序开发的平台,Studio将能避免与测试设备连接与有应用程序一道使用,而不需要修改程它在 Windows环境中提供大的操作库,控制有关的许多问题。如果您愿采序的新软件组件;这是为软件重用对鼓励软件重用,减少程序员错误和简化用图形程序, Agilent VEE Pro是开DLL的改进。应用程序的开发;它的两个主要组件是放和对标准友好的环境,它支持直公共语言运行时间和类库接IO和驱动程序,以及COM和.直接Wo一直接输入/输出;与仪器通NFT技术。信,但没有驱动程序的好处(或开销);即插即用驱动程序—也称通用仪器驱成功使用直接MO需要深入了解可编程动程序;VⅪ丨即插即用驱动程序被非为了解简化系统集成的更多方仪器的标准命令(SCP)。VⅪ仪器采用;用户编写的程序也能调用库功能。法,加速系统开发和利用开放连通DLL—动态链接库由其它应用程序使能力的各种优点,请访问:wWw.用的一套软件操作;它可随时加载,作scP|一可编程仪器的标准命令;定agilent. com/findlopen。您也能由为可重用软件库的容器由多个应用程序义了全套控制可编程测试设备的通用此链接到我们的系统开发者在线社同时共享。命令。区,通过签约优先获得本系列中未来的应用指南。只需寻找链接“Join驱动程序—也称仪器驱动程序这是驻SCL一标准仪器控制库;这是模块化存在计算机上和用于控制仪器(如数字仪器通信库,能与各种计算机体系结your peers in simplifying test-system多用表、示波器、网络分析仪)的功能构、丨O接口和操作系统一道工作;已被Integration汇集:也是ScL,直接O和SA的VsA取代替代方案。USB—通用串行总线;设计用于取代GP|B—通用接口总线;这是用于测试PC中的RS232和RS422串行总线设备与测试系统连接的最主要8-bt并行ⅣO连接。UPnP一通用即插即用;这一网络体系结构保证了装置、软件和外设的兼容HPB— Hewlett-Packard接口总线:性;它不同于即插即用或VX即插即用GP|B的另一名称驱动程序。10
- 2020-12-11下载
- 积分：1
