CN105630458A - 一种基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法 - Google Patents
一种基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法 Download PDFInfo
- Publication number
- CN105630458A CN105630458A CN201511019177.7A CN201511019177A CN105630458A CN 105630458 A CN105630458 A CN 105630458A CN 201511019177 A CN201511019177 A CN 201511019177A CN 105630458 A CN105630458 A CN 105630458A
- Authority
- CN
- China
- Prior art keywords
- neural network
- average throughput
- fragment
- hidden layer
- stable state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000012634 fragment Substances 0.000 claims description 37
- 238000003062 neural network model Methods 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000002203 pretreatment Methods 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 11
- 238000013461 design Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
- G06F9/38—Concurrent instruction execution, e.g. pipeline or look ahead
- G06F9/3836—Instruction issuing, e.g. dynamic instruction scheduling or out of order instruction execution
- G06F9/3842—Speculative instruction execution
- G06F9/3844—Speculative instruction execution using dynamic branch prediction, e.g. using branch history tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
- G06F9/38—Concurrent instruction execution, e.g. pipeline or look ahead
- G06F9/3802—Instruction prefetching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法，借助指令集模拟器的全仿真环境获取目标程序执行阶段的微架构无关参数，再利用SOM和Kmeans算法提取出输入数据中的特征点，最后通过BP神经网络拟合微架构无关参数与稳态平均吞吐率的关系，训练出精度较高的模型。模型训练完成后，通过模拟器获得程序的微架构无关信息，导入到训练好的神经网络中，即可快速准确地预测实际稳态平均吞吐率值。本发明采用人工神经网络，极大地提高了乱序处理器稳态下平均吞吐率的预测精度和速度。
Description
技术领域
本发明涉及一种基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法，属于软硬件协同设计技术。
背景技术
基于硬件行为建模的硅前架构评估及设计空间探索可提供芯片设计指导意见，降低芯片设计迭代周期。在特定处理器和指定程序运行的情况下，乱序处理器稳态下的平均吞吐率表征了没有缺失事件发生的情况下，处理器性能的极限，同时也在一定程度上反映了应用程序的设计与硬件是否适配。同时，乱序处理器稳态下的平均吞吐率有助于后续的乱序处理器整体性能的分析建模。
目前对乱序处理器稳态下平均吞吐率的认识经历过两个阶段，第一个阶段是直接将前端指令发射级的宽度作为乱序处理器稳态下的平均吞吐率，该方法假设：当乱序处理器没有缺失事件发生时，处理器每个时钟内能够处理与前端指令发射级宽度等量的指令。这种方法忽略了对指令依赖、功能单元数量和种类、指令延迟、串行指令分布等因素的考虑，是一种很粗粒度的假设；第二个阶段认为乱序处理器稳态下平均吞吐率与前端指令发射级宽度、关键路径长度、功能单元数目和种类相关，并认为平均吞吐率只受限于影响最大的一个因素。该方法相比于第一种方法，考虑了更多影响平均吞吐率的因素，但局限于单一的影响因素，没有能够考虑到各个要素之间的耦合关系。
乱序处理器稳态下的平均吞吐率是指在没有缺失事件发生的情况下，平均每个时钟发射的指令数目。在指令并行度高且处理器后端功能单元充足的条件下，稳态下平均吞吐率等于前端指令发射级的宽度D，该参数也是理想状态下的平均吞吐率。但当指令间存在较强的依赖关系时，比如，后一条指令的执行所需要的数据由前一条指令的执行结果提供，则平均每个时钟能够发射的指令数目减少，且随着依赖链越长，越多，稳态下平均吞吐率就会越低。当处理器后端功能单元数目及种类不充足时，即使指令流本身有较高的并行度，硬件单元受限于数目、种类以及执行延迟的影响，也无法保证最高的平均吞吐率D。另外值得注意的是，安卓系统中引入的串行指令DSB、DMB、ISB，也限制了稳态下平均吞吐率，串行指令要求在该指令之前的指令或者数据访问必须全部完成，才能继续执行后续的指令，那么即使在指令流本身并行度高且处理器后端功能单元充足的条件下，串行指令的分布也很大程度上影响了稳态下平均吞吐率。
最后值得注意的是，稳态下平均吞吐率的大小与各个影响因素之间并不是简单的单一作用关系，即各个因素之间的耦合效应也在影响着稳态下平均吞吐率的大小，这无疑加大了机理角度分析的难度。同时由于全仿真时间开销过大，所以本发明针对上述问题提出了一种基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法，用于快速准确地预测稳态下平均吞吐率
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法，能够根据微架构无关参数快速准确地预测乱序处理器稳态下平均吞吐率，且预测方法精度高、速度快。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法，包括如下步骤：
(1)将指令集模拟器仿真时线程号切换的时间点作为片段分割的间断点，从而将整个目标程序划分为若干片段，对所有片段按线程号进行划分并排序，统计每个片段包含的时钟数，删除时钟数小于阈值(比如1000)的片段；
(2)对目标线程中保留下来的片段，利用指令集模拟器获取每个片段的相关微架构无关参数，所述微架构无关参数包括动态指令流混合比(浮点、定点、SIMD、Load/Store指令的数目等)、关键路径长度(针对处理器后端设计的不同，统计相应的关键路径长度分布，本专利统计关键路径长度为1到40的数目分布)、串行化指令、前端发射指令速率(针对处理器前端设计的不同，统计相应的发射指令数目分布，本专利统计发射指令数目为0到4的数目分布)和目标线程的运行总时间；
(3)首先，考虑BP神经网络对输入数据的要求(动态指令流混合比、关键路径长度分布、串行化指令)，对每个片段的相关微架构无关参数进行预处理，形成对应片段的相关微架构无关参数向量；然后，通过主成分分析(PCA)对每个相关微架构无关参数向量进行降维、去噪处理，形成对应片段的MicaData数据集(微结构无关数据集)。
(4)对目标线程中保留下来的片段，首先，通过SOM(SelfOrganizingFeatureMaps，自组织映射网络)将所有MicaData数据集分成N个大类(比如200个大类)；然后，通过k-均值聚类(Kmeans聚类)算法将第n个大类分成Mn个小类(一般每个小类的数目是大类里面片断数目的15％)，1≤n≤N；选取每个小类中离中心点距离最近的点作为该小类的特征点；步骤(3)和步骤(4)的处理，使得在保留原始数据主要信息的前提下减少了BP神经网络模型训练的输入数据并降低了BP神经网络模型训练所需的时间；
(5)对目标线程中保留下来的片段，将所有特征点作为BP神经网络的输入，BP神经网络的输出为目标线程的稳态平均吞吐率，对BP神经网络的输入和输出进行拟合，通过调节BP神经网络的迭代次数和训练精度，训练得到目标线程的BP神经网络模型；
(6)BP神经网络模型训练完成后，通过指令集模拟器获得其他待预测线程的微架构无关参数信息，导入到训练好的BP神经网络模型中，即可快速准确地预测实际稳态平均吞吐率值；其他待预测线程包括目标程序中的线程，或者其他应用程序中的线程。
具体的，所述步骤(5)中，BP神经网络有三个隐含层，第一隐含层采用30个神经元，第二隐含层采用15个神经元，第三隐含层采用15个神经元；输入层和第一隐含层之间、第一隐含层和第二隐含层之间采用logsig传递函数，第二隐含层和第三隐含层之间、第三隐含层和输出层之间采用purelin传递函数，各层结点之间的权重值均使用trainscg(量化共轭梯度法)进行调节，训练方法采用LM(LevenbergMarquard)算法。
有益效果：与现有的稳态平均吞吐率的预测方法相比，本发明提供的基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法，覆盖了影响稳态平均吞吐率的多个微架构无关参数，其中包括：动态指令混合比，关键路径长度分布，串行指令分布；此外，本发明采用神经网络对稳态平均吞吐率进行预测，能够充分地考虑到微架构无关参数之间的耦合性，并且通过训练好的模型能够准确快速地预测到稳态平均吞吐率的值。
附图说明
图1为采用本发明训练Ann模型的具体流程图；
图2为神经网络模型训练、测试的输入与目标输出框图；
图3为神经网络层级图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
一种基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法，包括如下步骤：
(1)将指令集模拟器仿真时线程号切换的时间点作为片段分割的间断点，从而将整个目标程序划分为若干片段，对所有片段按线程号进行划分并排序，统计每个片段包含的时钟数，删除时钟数小于1000的片段；
(2)对目标线程中保留下来的片段，利用指令集模拟器获取每个片段与稳态平均吞吐率相关的微架构无关参数，所述微架构无关参数包括动态指令流混合比、关键路径长度、串行化指令、前端指令发射速率和目标程序的运行总时间；通过定义指令类型的结构体，记录每条指令的类型，统计各类型指令的分布情况，从而得到动态指令流混合比；通过定义结构体，统计固定指令窗口大小下，存在依赖相关指令数目最大值的分布情况，从而得到关键路径长度分布情况；通过定义检索指令类型，并统计ISB、DSB、DMB指令的数目，可以得到串行化指令数目；与此同时，监测处理器前端指令发射级并统计一段时间或者一个指令流片段内发射出的指令数目和花费的时钟数，来计算出前端指令发射速率；
(3)首先，考虑BP神经网络对输入数据的要求，对每个片段的相关微架构无关参数进行预处理(尤其是动态指令流混合比相关参数)，形成对应片段的相关微架构无关参数向量；然后，通过主成分分析(选取包含95％以上原始数据的主元成分，降低原始数据量)对每个相关微架构无关参数向量进行降维、去噪处理，形成对应片段的MicaData数据集；
(4)对目标线程中保留下来的片段，首先，通过SOM将所有MicaData数据集分成N个大类；然后，通过k-均值聚类算法将第n个大类分成Mn个小类，1≤n≤N；选取每个小类的中心点作为该小类的特征点；
(5)对目标线程中保留下来的片段，将所有特征点作为BP神经网络的输入，BP神经网络的输出为目标线程的稳态平均吞吐率，对BP神经网络的输入和输出进行拟合，通过调节BP神经网络的迭代次数和训练精度，训练得到目标线程的BP神经网络模型；
(6)利用指令集模拟器运行目标程序并加入软件插装桩，统计动态指令流混合比、关键路径长度以及串行指令分布，对得到的数据进行处理后得到相关线程的所有特征点，并导入到目标线程的BP神经网络模型，即可快速、准确地预测到目标线程在乱序处理器稳态下的平均吞吐率。
图1为训练Ann模型的具体流程图。从指令集模拟器中取出数据后，按照线程号进行归类，然后对数据进行预处理，再经过PCA进行降维，最后通过SOM，Kmeans算法选取出最具有代表性的特征点作为模型的输入，训练出精度较高的模型。
图2为神经网络模型训练、测试的输入与目标输出框图。通过指令集模拟器仿真，我们可以得到模型的参数输入和目标输出，从而训练出精度较高的模型；在进行预测的时候，只需要通过模拟器得出目标应用程序的相关参数，然后将这些参数导入模型，就可以快速地预测到稳态平均吞吐率值；图中实线部分的为训练过程的流程，虚线部分为预测过程的流程。
图3为神经网络层级图。本发明依照隐含层节点数目经验公式：
其中：h表示隐含层节点数，m表示输出层节点数，n表示输入层节点数，a表示一个常数(1≤a≤10)。本案采用三个隐含层，第一隐含层采用30个神经单元，第二隐含层采用15个神经元，第三隐含层采用15个神经元；训练方法采用LM(LevenbergMarquard)算法。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法，其特征在于：包括如下步骤：
(1)将指令集模拟器仿真时线程号切换的时间点作为片段分割的间断点，从而将整个目标程序划分为若干片段，对所有片段按线程号进行划分并排序，统计每个片段包含的时钟数，删除时钟数小于阈值的片段；
(2)对目标线程中保留下来的片段，利用指令集模拟器获取每个片段的相关微架构无关参数，所述微架构无关参数包括动态指令流混合比、关键路径长度、串行化指令、前端指令发射速率和目标线程的运行总时间；
(3)首先，考虑BP神经网络对输入数据的要求，对每个片段的相关微架构无关参数进行预处理，形成对应片段的相关微架构无关参数向量；然后，通过主成分分析对每个相关微架构无关参数向量进行降维、去噪处理，形成对应片段的MicaData数据集；
(4)对目标线程中保留下来的片段，首先，通过SOM将所有MicaData数据集分成N个大类；然后，通过k-均值聚类算法将第n个大类分成Mn个小类，1≤n≤N；选取每个小类中离中心点距离最近的点作为该小类的特征点；
(5)对目标线程中保留下来的片段，将所有特征点作为BP神经网络的输入，BP神经网络的输出为目标线程的稳态平均吞吐率，对BP神经网络的输入和输出进行拟合，训练得到目标线程的BP神经网络模型；
(6)BP神经网络模型训练完成后，通过指令集模拟器获得其他待预测线程的微架构无关参数信息，导入到训练好的BP神经网络模型中，即可快速准确地预测实际稳态平均吞吐率值。
2.根据权利要求1所述的基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法，其特征在于：所述步骤(5)中，BP神经网络有三个隐含层，第一隐含层采用30个神经元，第二隐含层采用15个神经元，第三隐含层采用15个神经元；输入层和第一隐含层之间、第一隐含层和第二隐含层之间采用logsig传递函数，第二隐含层和第三隐含层之间、第三隐含层和输出层之间采用purelin传递函数，各层结点之间的权重值均使用trainscg进行调节，训练方法采用LM算法。
3.根据权利要求1所述的基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法，其特征在于：所述步骤(1)中，阈值为1000，即删除时钟数小于1000的片段。
4.根据权利要求1所述的基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法，其特征在于：所述步骤(6)中，其他待预测线程包括目标程序中的线程，或者其他应用程序中的线程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511019177.7A CN105630458B (zh) | 2015-12-29 | 2015-12-29 | 一种基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511019177.7A CN105630458B (zh) | 2015-12-29 | 2015-12-29 | 一种基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105630458A true CN105630458A (zh) | 2016-06-01 |
| CN105630458B CN105630458B (zh) | 2018-03-02 |
Family
ID=56045450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201511019177.7A Active CN105630458B (zh) | 2015-12-29 | 2015-12-29 | 一种基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105630458B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108519906A (zh) * | 2018-03-20 | 2018-09-11 | 东南大学 | 超标量乱序处理器稳定状态指令吞吐率建模方法 |
| CN108628731A (zh) * | 2017-03-16 | 2018-10-09 | 华为技术有限公司 | 一种选择测试指令的方法及处理设备 |
| CN108762811A (zh) * | 2018-04-02 | 2018-11-06 | 东南大学 | 基于聚类获取应用程序乱序访存行为模式的方法 |
| WO2019010656A1 (zh) * | 2017-07-12 | 2019-01-17 | 华为技术有限公司 | 性能指标评估方法及装置 |
| CN109409014A (zh) * | 2018-12-10 | 2019-03-01 | 福州大学 | 基于bp神经网络模型的年可照时数的计算方法 |
| CN111078291A (zh) * | 2018-10-19 | 2020-04-28 | 中科寒武纪科技股份有限公司 | 运算方法、系统及相关产品 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1645839A (zh) * | 2005-01-25 | 2005-07-27 | 南开大学 | 基于并行缓存结构的通信网络交换系统及其控制方法 |
| CN101609416A (zh) * | 2009-07-13 | 2009-12-23 | 清华大学 | 提高分布式系统性能调优速度的方法 |
| WO2010106429A1 (en) * | 2009-03-20 | 2010-09-23 | Nokia Corporation | Method, apparatus and computer program product for an instruction predictor for a virtual machine |
| US8831205B1 (en) * | 2002-03-07 | 2014-09-09 | Wai Wu | Intelligent communication routing |
-
2015
- 2015-12-29 CN CN201511019177.7A patent/CN105630458B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8831205B1 (en) * | 2002-03-07 | 2014-09-09 | Wai Wu | Intelligent communication routing |
| CN1645839A (zh) * | 2005-01-25 | 2005-07-27 | 南开大学 | 基于并行缓存结构的通信网络交换系统及其控制方法 |
| WO2010106429A1 (en) * | 2009-03-20 | 2010-09-23 | Nokia Corporation | Method, apparatus and computer program product for an instruction predictor for a virtual machine |
| CN101609416A (zh) * | 2009-07-13 | 2009-12-23 | 清华大学 | 提高分布式系统性能调优速度的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 董正杨: "乱序处理器指令吞吐量平稳化的动态调节方法研究", 《中国优秀硕士学位论文全文库 信息科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108628731A (zh) * | 2017-03-16 | 2018-10-09 | 华为技术有限公司 | 一种选择测试指令的方法及处理设备 |
| CN108628731B (zh) * | 2017-03-16 | 2020-12-22 | 华为技术有限公司 | 一种选择测试指令的方法及处理设备 |
| WO2019010656A1 (zh) * | 2017-07-12 | 2019-01-17 | 华为技术有限公司 | 性能指标评估方法及装置 |
| CN108519906A (zh) * | 2018-03-20 | 2018-09-11 | 东南大学 | 超标量乱序处理器稳定状态指令吞吐率建模方法 |
| CN108519906B (zh) * | 2018-03-20 | 2022-03-22 | 东南大学 | 超标量乱序处理器稳定状态指令吞吐率建模方法 |
| CN108762811A (zh) * | 2018-04-02 | 2018-11-06 | 东南大学 | 基于聚类获取应用程序乱序访存行为模式的方法 |
| CN108762811B (zh) * | 2018-04-02 | 2022-03-22 | 东南大学 | 基于聚类获取应用程序乱序访存行为模式的方法 |
| CN111078291A (zh) * | 2018-10-19 | 2020-04-28 | 中科寒武纪科技股份有限公司 | 运算方法、系统及相关产品 |
| CN109409014A (zh) * | 2018-12-10 | 2019-03-01 | 福州大学 | 基于bp神经网络模型的年可照时数的计算方法 |
| CN109409014B (zh) * | 2018-12-10 | 2021-05-04 | 福州大学 | 基于bp神经网络模型的年可照时数的计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105630458B (zh) | 2018-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105630458A (zh) | 一种基于人工神经网络的乱序处理器稳态下平均吞吐率的预测方法 | |
| CN112149316A (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
| CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
| CN109937418B (zh) | 用于仿真的基于波形的重构 | |
| CN105183993B (zh) | 一种电磁轨道炮综合仿真平台及方法 | |
| CN105260794A (zh) | 一种云数据中心的负载预测方法 | |
| CN108885579B (zh) | 用于根据核追踪进行数据挖掘的方法和设备 | |
| CN110135558B (zh) | 基于可变强度组合测试的深度神经网络测试充分性方法 | |
| CN105335619A (zh) | 适用于高计算代价数值计算模型参数反分析的协同优化法 | |
| CN102254060A (zh) | 利用数学模型仿真聚合物材料性能的方法和系统 | |
| CN106154163A (zh) | 一种电池寿命状态识别方法 | |
| CN104318110B (zh) | 一种提高大型复杂系统风险设计及维修效率的方法 | |
| CN104361182A (zh) | 基于Petri网的微处理器微体系结构参数优化方法 | |
| Parvinen et al. | Function-valued adaptive dynamics and optimal control theory | |
| CN105224577A (zh) | 一种多标签文本分类方法及系统 | |
| CN102184136A (zh) | 一种验证aadl模型运行状态与需求一致性的方法 | |
| CN106250928A (zh) | 基于图形处理单元的并行逻辑回归方法及系统 | |
| CN102541738A (zh) | 加速多核cpu抗软错误测试的方法 | |
| CN110109811A (zh) | 一种面向gpu计算性能问题的溯源方法 | |
| CN105677966A (zh) | 一种对覆盖率进行数据挖掘加速验证收敛的方法 | |
| CN102024084A (zh) | 具有模糊多态特性的可靠性模型的建立及其使用方法 | |
| CN109241201A (zh) | 一种基于曲率的拉普拉斯中心性峰值数据聚类方法 | |
| Eiter et al. | Asp-based signal plan adjustments for traffic flow optimization | |
| Yu et al. | GPU-based JFNG method for power system transient dynamic simulation | |
| CN102854299B (zh) | 一种基于分量热力学基因表达式编程的矿岩强度预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190321 Address after: 215123 Linquan Street 399, Dushu Lake Higher Education District, Suzhou Industrial Park, Jiangsu Province Patentee after: Suzhou Institute, Southeast University Address before: 214135 No. 99 Linghu Avenue, Wuxi New District, Wuxi City, Jiangsu Province Patentee before: SOUTHEAST UNIVERSITY - WUXI INSTITUTE OF TECHNOLOGY INTEGRATED CIRCUITS |