选择一组能够检测并隔离所有故障的故障检测隔离集(FDIS)是动态系统基于模型故障检测与隔离(FDI)的重要步骤,该步骤通常要求FDIS的基数最小,即求解最小故障检测隔离集(MFDIS),MFDIS的求解时间随着问题规模增大呈指数级增长。BILP(Binary integer linear programming)完备方法是现行动态系统中通用和最高效的MFDIS求解方法,但该方法的求解效率有待提高。本文首次提出了基于部分最大可满足性问题(PMS)的MFDIS求解方法。提出极小超定方程集(MSO)的概念,将部分MSO集合用MSO等价集表示,以缩减问题规模。将MFDIS求解问题转化为PMS问题,进而提高求解效率。实验结果表明,本文方法将问题规模平均约简至原来的8.22%;与BILP方法相比,本文方法的求解效率提高了4.18~9.5倍。
海量图像以流数据的形式实时涌入网络,使得在线图像检索需求越来越迫切。为了保证在线图像检索性能,研究人员利用在线哈希算法实时更新哈希函数,并重新学习新、旧数据集的哈希码。然而,随着旧数据集的日益积累,在线更新旧数据集的哈希码会严重影响在线检索效率。为此,提出非对称深度在线哈希(asymmetric deep online Hashing,ADOH),以非对称的方式深度学习在线哈希网络,并且仅生成新数据集的哈希码,无须更新旧数据集的哈希码,能够有效地提升在线检索效率。ADOH算法通过最小化哈希码内积与相似度矩阵之间的差异,保持样本对之间的语义相似性关系。另外,ADOH算法建立分类损失项和标签嵌入模块学习样本的语义信息,使生成的哈希码更具备语义鉴别性。在3个广泛使用的数据集cifar-10、mnist和Places205上设置在线近邻检索对比实验,结果表明ADOH算法的在线近邻检索性能优于目前8种较先进的在线哈希算法。
集成电路中插入测试点是芯片测试中不可或缺的环节,其方法是通过在电路上插入一定数量的测试点来提高芯片的故障覆盖率.集成电路测试是整个设计流程中不可或缺的关键步骤之一.为了进一步缩短测试时间和提高芯片良品率,越来越多的国内外学者们从事集成电路测试方法的研究.通过对插入测试点故障覆盖率的HTPI(Hybrid Test Point Insertion)方法深入研究,提出了结合测试点质量对测试点进行约简的RHTPI(Reduction of Hybrid Test Point Insertion)方法 .此方法在保证故障覆盖率相等的情况下,有效提高了测试点选择的效率.从测试点覆盖率特征出发提出负质量测试点概念,依据负质量测试点对测试点集合进行约简,进而减小需要计算测试点集合的规模,有效缩短了求解时间.为避免负质量测试点删除部分具有较高覆盖率的测试点,提出了结合自适应系数的自适应负质量测试点的概念,依据自适应负质量测试点对测试点集合进行约简,进而在保证故障覆盖率相等的情况下有效提高了测试点选择效率.在标准测试用例上的实验结果表明,与HTPI方法相比,RHTPI方法计算候选测试点最小减少率为0.16%,最大减少率为44.56%,平均为24.56%,其求解效率最低提高了1.03,最高提高了2.37,平均提高了1.52,有效提高了测试点选择效率.本文给出的方法有效减少了芯片测试时间,进而缩短了芯片设计周期.
暂无评论