故障诊断是集成电路领域中的重要研究方向,基于测试激励集方法求解候选故障诊断是目前较为高效的诊断方法,而GTreord是目前具有较高诊断准确性的方法.在对GTreord方法深入研究的基础上,本文依据测试激励与候选故障诊断解之间的结构特征,通过分析电路故障输出响应,提出结合结构特征的测试激励集重排序的候选诊断(Reor⁃dering Test Default Diagnosis,RTDD)方法.根据测试激励对生成候选故障诊断解集合的影响程度的不同,提出测试分数概念;通过比较电路的实际故障输出响应、无故障输出响应、模型故障输出响应,计算出测试激励的测试分数.测试激励集依据测试分数进行重排序,并将重排序后的测试激励集用于故障诊断.实验结果表明,与GTreord方法相比,RTDD方法提高了测试激励集重排序的效率,求解时间提高1~4个数量级;此外,在保障同样诊断准确性的情况下,RTDD方法有效减少了所需测试的激励个数.
针对自然语言处理中传统因果关系抽取主要用基于模式匹配的方法或机器学习算法进行抽取,结果准确率较低,且只能抽取带有因果提示词的显性因果关系问题,提出一种使用大规模的预训练模型结合图卷积神经网络的算法BERT-GCN.首先,使用BERT(bidirectional encoder representation from transformers)对语料进行编码,生成词向量;然后,将生成的词向量放入图卷积神经网络中进行训练;最后,放入Softmax层中完成对因果关系的抽取.实验结果表明,该模型在数据集SEDR-CE上获得了较好的结果,且针对隐式的因果关系效果也较好.
暂无评论