Що відрізняє діаграму «хорошого» очей від «поганої»?

Я працюю на тестуванні USB-перевірки на роботі, а осцилоскоп Agilent, з яким я працюю, повертає хороший підсумок статистики пропуску / відмови разом із гарною діаграмою очей. Оскільки пропуск / невдача вказаний в межах, мені не потрібно робити тонну аналіз на цих діаграмах.

Я переглянув досить багато з них за останні кілька днів, і мені це стало цікаво: загалом, що відокремлює «хороші» діаграми очей від «поганих»? У багатьох тестах, які я провів, пристрій вийшов з ладу, але очна діаграма виглядала дуже схожою на пройдену.

Я можу зрозуміти діаграму, де є кричущі переходи через око, але які інші фактори враховуються при перегляді цих діаграм?

Око, яке ви показуєте, міцно входить до категорії «хороших» очей. Немає нічого, що могло б спричинити помилку частіше, ніж раз на 100 000 років.

Деякі речі, на які слід звернути увагу:

• Ви надсилаєте реальні дані під час вимірювання очей? Нерегулярний малюнок або подібна поведінка може створити око, яке виглядає набагато чистіше, ніж око, що має реальні дані.

• Чи є зовнішні перешкоди, які могли б викликати переривчасту деградацію очей (що в цьому випадку не було захоплено)?

Для порівняння, ось кілька "поганих" очей, узятих із пошуку зображень Google.

Це випадок значного випадкового шуму:

Нижнє око тут демонструє сильне спотворення робочого циклу:

Це око демонструє значну міжсимвольну інтерференцію (ISI). Це око, ймовірно, все-таки досягне 10 ^-9 або кращої швидкості помилок (але тоді, схоже, це відбувається від шумового моделювання):

Тут праворуч зображено ISI з формою, характерною для загасання (яка, як правило, відбувається від втрати ефекту шкіри).$\sqrt{f}$

Червоні очі показують ефект віддзеркалення в лінії електропередачі:

Ці очі демонструють сильні тремтіння ефектів, можливо, спричинені ланцюгом відновлення даних за тактовою формою, яка працює над своїми можливостями: