由于对大功率毫米波器件的测试是一个多输入多输出的参数测试过程,在整个过程中得到的测试数据量庞大。然而对于测试收集的数据的分析主要还是以人工方式为主,由科研相关人员根据自己的实际计算以及经验对数据进行分析,这使得寻找最佳工作参数比较困难。并且现有的大功率毫米波测试平台的基础保护侧重于硬件层面的保护,主要是在故障发生之后的应对措施上,这会造成一定器件损坏和经济损失,而对于软件层面的保护措施有所欠缺。目前对于行业内现有的智能化测试系统主要集中在对于数据采集,数据自动清洗与储存、基础控制保护等需求,然而对于这些数据的分析能力较弱,并且基于这些数据分析的软件层面的功能如最佳工作参数搜索和故障预测无法进行展开。这对于不断收集的测试数据也没有得到很好地运用,这也导致这些数据无法为科研人员尤其是器件设计人员反馈更有效的信息。本文为了解决上述中的问题,通过引入神经网络等相关领域的智能学习算法,研究大功率毫米波测试数据的预测模型应用,并拓展智能化测试系统的功能,具体介绍如下:1.提出了基于智能化测试系统的最优搜索和故障预测的拓展方案。现有的测试系统对于在数据自动处理方面已经做出了大量的工作,然而根据数据进行预测分析的功能比较弱,通过引入神经网络等相关的智能学习算法,对测试数据进行数据建模,进行更多功能拓展。通过分析现有的系统框架,从软件层面对拓展功能进行分析。2.通过测试数据建模预测为切入点,介绍预测研究对本课题的影响和意义,并对拓展模块的核心预测模型进行详细分析,通过使用不同的神经网络及不同的方式对数据进行算法建模,并基于现有数据对“效率”属性进行单输出预测,最后对结果进行分析。3.通过使用主成分分析方法对测试数据进行数据降维,并根据优化后的数据建立预测模型,并与上一章节的预测模型做出对比。根据已有模型,开发最有搜索模块,并以最优工作“效率”为目标,寻找该状态下的工作参数。最后对故障预测建模进行分析,给出可行的方案。