大功率毫米波器件结构复杂,特性参数众多,在设计制造阶段,需要反复进行大量性能测试,通过分析测试数据,来了解器件实际性能表现。随着自动测试技术的发展,现有大功率毫米波自动测试系统功能日益完善,在数据精确获取、海量数据存储、数据实时可视化以及器件基础控制保护方面做了大量工作,积累了大量历史测试数据,如何对这些数据进行批量自动处理,并通过这些数据获取更多信息用于指导大功率毫米波器件生产实际成为亟待解决的问题。本文以解决上述问题为目的,利用数据挖掘技术,研究大功率毫米波测试数据批量自动处理实现与机器学习算法建模应用,并在现有自动测试系统基础上进行拓展,提出了一种智能化测试系统总体设计方案,具体介绍如下:1.提出了一种智能化测试系统总体设计方案。现有自动测试系统难于进行数据批量自动处理的原因是Labwindows/CVI平台缺少相应数据处理工具,利用数据挖掘技术,选取Python及相关第三方库为主要工具,对数据进行处理,处理后的数据通过机器学习算法建模分析,获取更多信息。将整个智能化测试系统分为三层,现有自动测试系统构成“数据采集与保护控制层”、Python数据自动处理部分构成“数据管理分析层”、机器学习算法应用部分构成“多参数优化策略层”,从整体框架上对后两层进行了模块化设计,并从软硬件组成上进行了可行性分析。2.详细介绍了Python数据自动处理部分。首先结合实例介绍了常用的数据分析方法,然后根据本课题测试数据特点,详细分析了数据自动处理的需求点,以模块化设计思路编程实现了包括数据清洗、实时处理、历史数据管理等功能,提升了测试数据分析处理效率,最后对处理后的数据进行了可视化展示。3.算法应用方面详细研究了基于BP神经网络的预测。首先介绍了BP神经网络算法基本原理,以某次具体实验数据为例,建立BP神经网络模型,对测试数据中的重要属性“效率”值进行预测研究,结果显示利用BP神经网络建模可以得到良好的预测结果。接着用主成分分析方法对BP神经网络进行优化,通过降低输入数据维度,减少训练样本数据较大时的网络训练计算量。最后,基于BP神经网络建立“打火”预测模型,提出了一种用于提升大功率毫米波器件安全性的主动控制保护方案。