CN114692565A - 多特征参数高速板卡设计阶段质量检测方法、系统及设备 - Google Patents
多特征参数高速板卡设计阶段质量检测方法、系统及设备 Download PDFInfo
- Publication number
- CN114692565A CN114692565A CN202210611086.6A CN202210611086A CN114692565A CN 114692565 A CN114692565 A CN 114692565A CN 202210611086 A CN202210611086 A CN 202210611086A CN 114692565 A CN114692565 A CN 114692565A
- Authority
- CN
- China
- Prior art keywords
- matrix
- characteristic
- board card
- characteristic parameters
- parameter
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2115/00—Details relating to the type of the circuit
- G06F2115/06—Structured ASICs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种多特征参数高速板卡设计阶段质量检测方法、系统及设备,该方法首先先选取高速板卡特征参数,再计算AHP权重,再确定隶属度函数及隶属度,在建立模糊关系矩阵后,进行模糊综合评判,最终得到检测评估结果。本方案可在前期对高速板卡进行布局布线后,选取关键信号、敏感信号进行仿真分析,得到仿真的S参数及目标阻抗,进而得到板卡的质量评估状态,在评估结果不好时进行设计‑仿真‑评估的迭代,有利于一次设计出功能性能优质的高速板卡。
Description
技术领域
本发明涉及集成电路设计领域,特别涉及针对高速板卡设计阶段中,通过仿真方式基于多特征参数融合的板卡设计阶段质量检测方法、系统及其相关的设备。
背景技术
伴随着云计算、大数据应用等技术的发展,相应的服务器、集成电路设计技术的发展迅速崛起,在板卡中电路工作频率越来越高,高速信号对信号完整性、板卡设计的合理性等方面的需求也在不断提升,竞争愈发激烈。
随着电路工作频率的提高,板卡上的走线承载的信号速率越来越快,信号与板卡上互连结构之间的相互作用变的越来越复杂,很多以前的设计理念如“从发送端发出的码流被准确无误的传输到接收端”已不再正确,这就导致了想一次性设计出功能性能满足要求的高速板卡越来越困难,也导致了板卡投板前的仿真工作变得越来越重要。
此外,对于多特征参数的融合技术,在机械等领域中存在对设备质量评估的应用,但是该类的检测方法无法在集成电路设计阶段中使用。在目前的现有技术中,并未有专门针对高速板卡设计阶段的快速、准确的设计情况质量检测方法或者产品,仅有部分的方法是针对板卡设计中的单个参数进行仿真,获得参数的部分特性,基于设计人员的经验进行板卡设计质量是否满足要求进行评估。而高速板卡的功能性能涉及到多因素、多层次,现有的技术使得高速板卡在设计阶段,没有利用多种类别的参数来综合对板卡设计质量进行有效的评估,使得目前高速板卡的设计周期过长,对于一次设计出性能优质的板卡不利,不能很好地适应目前的市场需求。
发明内容
有鉴于此,本发明提供了一种多特征参数高速板卡设计阶段质量检测方法、系统及设备,以更好地实现针对高速板卡在设计阶段的多参数综合质量评价。具体而言,本发明公开了以下技术方案:
一方面,本发明提供了多特征参数高速板卡设计阶段质量检测方法,该方法包括:
步骤1、确定高速板卡特征参数;
步骤2、基于所述特征参数,计算各参数的AHP权重,并构建判断矩阵B;将判断矩阵B中满足一致性要求的最大特征根对应的特征向量q作为对应特征参数的权重,并基于多个特征参数的权重构建权重矩阵Q;
步骤3、确定各特征参数的隶属度函数,并基于隶属度函数获得各特征参数的模糊关系矩阵;合并全部特征参数的模糊关系矩阵,构成最终模糊关系矩阵R;
步骤4、基于所述权重矩阵Q、最终模糊关系矩阵R,获得评判集矩阵Z,并基于最大隶属度原则,确定最终结果。
此处,需要指出的是,上述步骤3中的隶属度函数的确定,可以是设置在步骤3中,也可以是设置在步骤2或单独作为一个步骤来设置,因在本方案中,隶属度函数的确定,是不需要以步骤2中的各个步骤作为前提的,因此,该隶属度函数的确定是可以相对独立的。因此,此处将该隶属度函数的确定的步骤放置在步骤3内,仅是为了语言表述上的便利,并不应理解为其必须设置在步骤2之后或者必须设置在步骤3以内,因此,基于本发明的详细阐述,不应当将隶属度函数的确定设置在哪一步骤中作为对本发明的保护范围的限定来理解。
优选的,所述特征参数包括插损绝对值、回损绝对值、串扰绝对值、目标阻抗绝对值。
优选的,所述步骤2进一步包括:
步骤201、对所述特征参数两两比较,建立判断矩阵B;
步骤202、计算所述判断矩阵B的最大特征值λmax及λmax对应的特征向量q;
步骤203、基于λmax检验判断矩阵B的一致性;若判断矩阵B满足一致性要求,则将λmax对应的特征向量q作为权重,并形成权重矩阵Q;否则修正所述判断矩阵B,并返回步骤202。
优选的,所述步骤203中,一致性判断方式为:
首先,计算一致性比例CR:
其中,RI是平均随机一致性指标值;
其中,CI为一致性值,n表示特征参数个数;
其次,当CR小于一阈值时,判定判断矩阵B满足一致性要求。
优选的,所述判断矩阵B的形式为:
其中,wmn表示第m个因素与第n个因素的相对重要性比值。
优选的,所述步骤3中,所述模糊关系矩阵的获取方式为:
步骤301、将每一组特征参数带入隶属度函数,得到各组特征参数的模糊关系矩阵,所述模糊关系矩阵中各矩阵单元表示该特征参数表征的高速板卡各状态的概率;
步骤302、将各特征参数的模糊关系矩阵各矩阵单元按照高速板卡状态进行一致性调整;
步骤303、将经过一致性调整后的各组特征参数的模糊关系矩阵合并,得到最终模糊关系矩阵R。
优选的,所述步骤4进一步包括,评判集矩阵Z的计算方式为:
Z=Q·R。
优选的,所述步骤3中,隶属度函数为:
其中,μ1、μ2、μ3分别代表此特征参数表征的高速板卡各状态的概率;x为要输入的特征参数;a1、a2、a3、a4、a5、a6、a7为特征参数对应的隶属度函数边界值。
优选的,高速板卡各状态包括良好、一般、注意。
优选的,最大隶属度原则,即以评判集矩阵Z中,各矩阵元素中值最大者对应的状态,作为高速板卡最终的评估结果。
优选的,当所述特征参数均取单个值时,评估的为固定频率下的板卡质量。
优选的,当特征参数取多个,且固定目标阻抗在整个仿真频段内值不变时,则结合S参数在整个仿真频段上的值,检测不同信号速率下所述高速板卡的质量。
另一方面,本发明还提供了多特征参数高速板卡设计阶段质量检测系统,该系统包括:
特征参数获取模块,用于获取高速板卡的特征参数;
权重计算模块,基于所述特征参数,计算各参数的AHP权重,并构建判断矩阵B;将判断矩阵B中满足一致性要求的最大特征根对应的特征向量q作为对应特征参数的权重,并基于多个特征参数的权重构建权重矩阵Q;
隶属度函数模块,用于确定各特征参数的隶属度函数,并基于隶属度函数获得各特征参数的模糊关系矩阵;合并全部特征参数的模糊关系矩阵,构成最终模糊关系矩阵R;
评判模块,基于最终模糊关系矩阵R、权重矩阵Q,获得评判集矩阵Z,并基于最大隶属度,确定最终结果。
此外,本发明还提供了多特征参数高速板卡设计阶段质量检测设备,该设备包括处理器、存储器、输入装置、输出装置;
所述处理器连接所述输入装置、输出装置及存储器;
所述存储器存储有计算机指令,所述处理器调用所述存储器中的计算机指令以执行如上所述的多特征参数高速板卡设计阶段质量检测方法。
与现有技术相比,本方案可在板卡设计阶段对高速板卡进行布局布线后,选取关键信号、敏感信号进行仿真分析,得到仿真的S参数及目标阻抗,进而得到板卡的质量评估状态,在评估结果不好时进行设计-仿真-评估的迭代,有利于一次设计出功能性能优质的高速板卡。由于板卡的设计-制板-焊接-调试周期很长,一次设计出功能性能优质的高速板卡收益明显。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例的检测方法流程图;
图2为本发明实施例的插损绝对值对应的隶属度函数监测信号图;
图3为本发明实施例的目标阻抗绝对值对应的隶属度函数监测信号图;
图4为本发明实施例的回损绝对值对应的隶属度函数监测信号图;
图5为本发明实施例的串扰绝对值对应的隶属度函数监测信号图;
图6为本发明实施例的设备结构图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。应当明确,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本领域技术人员应当知晓,下述具体实施例或具体实施方式,是本发明为进一步解释具体的发明内容而列举的一系列优化的设置方式,而该些设置方式之间均是可以相互结合或者相互关联使用的,除非在本发明明确提出了其中某些或某一具体实施例或实施方式无法与其他的实施例或实施方式进行关联设置或共同使用。同时,下述的具体实施例或实施方式仅作为最优化的设置方式,而不作为限定本发明的保护范围的理解。
在一个具体的实施例中,结合图1,本发明的方案的主要流程中,首先先选取高速板卡特征参数,再计算AHP权重,再确定隶属度函数及隶属度,在建立模糊关系矩阵后,进行模糊综合评判,最终得到检测评估结果。
一、对高速板卡的质量进行检测及评估,需要首先选取相关的特征参数,并且确定主要参考的涉及因素。
对高速板卡质量的评估涉及到多因素、多层次,因此首先要从反映高速板卡质量的众多因素中选择出具有代表性的因素作为特征参数。在高速板卡的设计阶段,最直接反映高速板卡质量的就是板卡进行信号完整性仿真及电源完整性仿真情况。在信号完整性仿真中,我们从频域和时域两方面考虑,其中频域仿真主要是高速信号线S参数的提取,分析其插损、回损及串扰等指标是否符合设计规范;时域仿真一般是分析接收端的眼图情况以及信号的TDR。电源完整性仿真一般从直流压降和瞬态噪声两方面考虑,瞬态噪声通常采用目标阻抗分析法提取电源网络的阻抗曲线。
综上所述,在一个具体的实施方式中,本方案优先选取插损绝对值、回损绝对值、串扰绝对值、目标阻抗绝对值作为评估高速板卡质量的特征参数。对于插损参数,在要求频段内绝对值越小越好。对于回损参数,在要求频段内绝对值越大越好。对于串扰参数,在要求频段内绝对值越大越好。对于目标阻抗参数,在要求频段内绝对值越小越好。以上将作为本方案中进行设计质量检测评估的基础。
二、计算AHP权重:AHP是一种定性与定量分析相结合的多准则决策方法,把定性分析定量化,是一种被广泛应用的确定指标权重的方法。在一个具体的实施方式中,本方案所采用的AHP的模型和计算步骤设置如下:
(1)构造专家判断矩阵。假设n个因素,通过采取对因子进行两两比较建立判断矩阵B。判断矩阵B表示为:
式中:wmn表示第m个因素与第n个因素的相对重要性比值,其状态量的标度值为1-9标度法。
以W12为例,表示第一个元素相对于第二个元素的重要程度,如根据专家经验认为第一个因素是第二个因素重要性的2倍,则W12=2,W21=1/2。判断矩阵B中其他值的含义和具体值的确定方法一样。1-9标度法表示两个元素进行比较时,其中更重要元素的重要性是另一个元素的1-9倍。此处,各元素的具体数值确定方式,可以采用专家算法、查表法、人工设定法等,此处不以具体的确定方式作为限定。
(2)求解判断矩阵的特征向量和特征值。求出判断矩阵B对应最大特征值λmax的特征向量q。判断矩阵B是一正互反矩阵,其最大特征根λmax必为正实数,其对应特征向量的所有分量均为正实数。此处,对应最大特征根λmax及其对应的特征向量q的求解,可以采用本领域中的基础数学方法,此处不再赘述。
(3)一致性检验。由一致性指标判断矩阵B的一致性,计算一致性指标的计算公式为:
其中n为特征参数个数,本实施例中n为4。
查找相应的平均随机一致性指标RI,对于s=1,2,…,9阶判断矩阵的RI值,平均随机一致性指标RI如表1所示。
表1
s | RI | s | RI | s | RI |
1 | 0 | 4 | 0.90 | 7 | 1.32 |
2 | 0 | 5 | 1.12 | 8 | 1.41 |
3 | 0.58 | 6 | 1.24 | 9 | 1.45 |
在一个更为优选的实施方式中,计算一致性比例CR的公式为:
在一个具体的实施方式中,我们可以设置当CR<0.10时,认为判断矩阵的一致性是可以接受的,则将该λmax对应的特征向量q作为各评估指标的权重,在各项指标权重q确定后,构成权重矩阵Q;否则应对判断矩阵B作适当修正,重新评估各因素的相对重要性,得到新的判断矩阵B,并重新计算。
本实施例中,特征参数共设置为4个,因此m=n=4,根据专家经验,考虑到S参数更直接的反应信号与互连结构的相互作用,而S参数中插损和回损又参考最多,故设置插损和回损尤为重要,串扰和目标阻抗次之。在本具体实施例中,特征参数个数取4,可以构建判断矩阵B:
计算各项指标的权重为Q=[q1,q2,q3,q4]=[0.3333,0.3333,0.1667,0.1667],其中q1,q2,q3,q4分别为插损绝对值、回损绝对值、串扰绝对值和目标阻抗绝对值的权重,计算一致性比例CR=0,满足CR<0.10,认为判断矩阵的一致性是可以接受的,即获得的权重合理。
三、确定隶属度函数及隶属度:隶属度函数的确定方法有多种。在一个实施例中,本方案采用的隶属度函数是三角形、降半梯形和升半梯形函数,以利于简化模型,也不会造成太大误差。各级别状态对应的隶属度函数如图2、3、4、5所示。
由图2、3、4、5可见,随着插损绝对值、目标阻抗绝对值的增大,状态由“良好”、“一般”、“注意”排列。随着回损绝对值、串扰绝对值的增大,状态由“注意”、“一般”、“良好”排列。
以插损绝对值为例,其对应的隶属度函数中的隶属度函数边界值a1、a2、a3、a4、a5、a6、a7由设计者根据具体板卡速率以及仿真设计经验确定,进而可确定每组特征参数对应的隶属度函数具体公式,该隶属度函数边界值用于确定隶属度函数具体公式,这是本领域技术人员依据本发明的记载可以清楚获知的。其余的目标阻抗绝对值对应的a8至a14、回损绝对值对应的a15至a21、串扰绝对值对应的a22至a28的确定方式同上。
以图2插损绝对值对应的隶属度函数为例,其隶属度函数如下
V1-“良好”:
V2-“一般”:
V3-“注意”:
其他特征值对应的隶属度函数原理一致。
此处,需要指出的是,以上插损绝对值、目标阻抗绝对值、回损绝对值、串扰绝对值分别对应的隶属度函数,均可以采用与上述的插损绝对值的隶属度函数相同的表达式,其各自对应的隶属度函数边界值则可以根据各个特征参数的特点进行选择或计算确定,但是,在本实施例中的优选方式中,四个特征参数的隶属度函数均可以采用相同的表达式作为其共同表达式。因此,此处的a1、a2、…、a28仅是为了将各个特征参数对应的隶属度函数边界值进行区分而进行的编码区别,不应当将其编号理解为对本发明保护范围的限定来理解。
由上述的阐述,本领域技术人员可以理解,上述的隶属度函数的确定,可以是设置在其他中,也可以单独作为一个步骤来设置,因在本方案中,隶属度函数的确定,是不需要以权重矩阵等的确定作为前提的,因此,该隶属度函数的确定是可以相对独立的。此处将该隶属度函数的确定的步骤放置在该编号步骤内,仅是为了语言表述上的便利,并不应理解为其必须设置在该步骤,因此,基于本发明的详细阐述,不应当将隶属度函数的确定设置在哪一步骤中作为对本发明的保护范围的限定来理解。
四、建立模糊关系矩阵:在一个更优选的实施例中,我们设置每一组特征参数对应一个模糊关系矩阵,特征参数作为其对应隶属度函数中的x值,把每组特征参数带入隶属度函数,即可求出其对应的模糊关系矩阵[μ1,μ2,μ3]。μ1、μ2、μ3分别代表此特征参数表征的高速板卡各状态的概率,其中插损绝对值和目标阻抗绝对值对应的模糊关系矩阵每行代表高速板卡状态为“良好”、“一般”、“注意”的概率。回损绝对值和串扰绝对值对应的模糊关系矩阵每行代表高速板卡状态为“注意”、“一般”、“良好”的概率。由于随着板卡质量变差,回损绝对值、串扰绝对值和插损绝对值、目标阻抗绝对值的变化趋势不同,因此在进行模糊综合评判前需要先将回损绝对值模糊关系矩阵、串扰绝对值的模糊关系矩阵的第一列和第三列对调,使评判集的状态都为“良好”、“一般”、“注意”排列。
设将回损绝对值模糊关系矩阵、串扰绝对值模糊关系矩阵的第一列和第三列对调后,四个特征参数对应的模糊关系矩阵分别为:
将四个特征参数的模糊关系矩阵合并,得到最终的模糊关系矩阵R。
对本实施例而言,当每个特征参数取一个点时,共四个1X3的模糊关系矩阵,合并后得到4X3的模糊关系矩阵R。
五、进行模糊综合评判:模糊综合评判是一种运用模糊理论对多种指标、多种因素的事物做出综合评判的方法。评判模型以权重集Q和模糊关系矩阵R的不同组合方式得到。
本方案模糊评判模型使用矩阵乘法进行合成,即由Z=Q·R得到最终的评判集矩阵,ⅠZ、ⅡZ、ⅢZ表示综合分析四个特征参数得到的高
速板卡状态为“良好”、“一般”、“注意”的概率,然后根据最大隶属度原则,确定最终结果,即
ⅠZ、ⅡZ、ⅢZ中值最大者对应的状态为板卡最终的评估结果。
在又一个具体的实施方式中,当特征参数取单个值时,可认为评估的为固定频率下的板卡质量。由于高速板卡质量与板卡走线上承载的信号速率密切相关,不同速率的信号与板卡互连结构的相互作用区别很大,再加上S参数是在整个仿真频段得到的很多值(目标阻抗受信号速率影响很小),因此若认为目标阻抗在整个仿真频段内值不变,同时结合S参数在整个仿真频段上的值,即可检测整个仿真频段内不同信号速率下的板卡质量,其中,S参数即散射系数。
此外,在又一个具体的实施例中,本发明的方案还可以通过一种多特征参数高速板卡设计阶段质量检测系统的方式来实现,该系统可以包括:
特征参数获取模块,用于获取高速板卡的特征参数;
权重计算模块,基于所述特征参数,计算各参数的AHP权重,并构建判断矩阵B;将判断矩阵B中满足一致性要求的最大特征根对应的特征向量q作为对应特征参数的权重,并基于多个特征参数的权重构建权重矩阵Q;
隶属度函数模块,用于确定各特征参数的隶属度函数,并基于隶属度函数获得各特征参数的模糊关系矩阵;合并全部特征参数的模糊关系矩阵,构成最终模糊关系矩阵R;
评判模块,基于最终模糊关系矩阵R、权重矩阵Q,获得评判集矩阵Z,并基于所述最大隶属度,确定最终结果。
作为优选的判断方式,所述特征参数包括插损绝对值、回损绝对值、串扰绝对值、目标阻抗绝对值等。
在判断矩阵B及权重矩阵Q构建时,优选可以采用以下方式:
首先,对所述特征参数两两比较,建立判断矩阵B;
其次,计算所述判断矩阵B的最大特征值λmax及λmax对应的特征向量q;
再次,基于λmax检验判断矩阵B的一致性;若判断矩阵B满足一致性要求,则将λmax对应的特征向量q作为权重,并形成权重矩阵Q;否则修正所述判断矩阵B,并再次计算最大特征值λmax及λmax对应的特征向量q。
判断矩阵B的形式为:
其中,wmn表示第m个因素与第n个因素的相对重要性比值,该各个因素也即选取的各个特征参数。
优选的,最大隶属度原则,即以评判集矩阵Z中,各矩阵元素中值最大者对应的状态,作为高速板卡最终的评估结果。
优选的,当所述特征参数取单个时,评估的为固定频率下的板卡质量。
优选的,当特征参数取多个,且固定目标阻抗在整个仿真频段内值不变时,则结合S参数在整个仿真频段上的值,检测不同信号速率下所述高速板卡的质量。
在评估判断矩阵B的一致性,以及确定具体的隶属度函数时,可以采用如上面的质量检测方法实施例中所采用的具体的方式。
除此之外,参考图6来描述根据本发明实施例的多特征参数高速板卡设计阶段质量检测设备。图6所示为本发明一实施例提供的检测设备的结构示意图。
如图6所示,检测设备600包括一个或多个处理器601和存储器602。
处理器601可以是中央处理单元(CPU)或者具有数据处理能力和/或信息执行能力的其他形式的处理单元,并且可以控制检测设备600中的其他组件以执行期望的功能。
处理器601可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序信息,处理器601可以运行所述程序信息,以实现上文所述的本发明的各个实施例的基于多特征参数的高速板卡设计阶段质量检测方法或者其他期望的功能。
在一个示例中,检测设备600还可以包括:输入装置603和输出装置604,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置603可以包括例如键盘、鼠标等等。
该输出装置604可以向外部输出各种信息。该输出装置604可以包括例如显示器、通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该检测设备600中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,检测设备600还可以包括任何其他适当的组件。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本方案的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本方案的实施方式所属技术领域的技术人员所理解。处理器执行上文所描述的各个方法和处理。例如,本方案中的方法实施方式可以被实现为软件程序,其被有形地包含于机器可读介质,例如存储器。在一些实施方式中,软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当软件程序加载到存储器并由处理器执行时,可以执行上文描述的方法中的一个或多个步骤。备选地,在其他实施方式中,处理器可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述方法之一。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,可以具体实现在任何可读存储介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.多特征参数高速板卡设计阶段质量检测方法,其特征在于,所述方法包括:
步骤1、确定高速板卡特征参数;
步骤2、基于所述特征参数,计算各参数的AHP权重,并构建判断矩阵B;将判断矩阵B中满足一致性要求的最大特征根对应的特征向量q作为对应特征参数的权重,并基于多个特征参数的权重构建权重矩阵Q;
步骤3、确定各特征参数的隶属度函数,并基于隶属度函数获得各特征参数的模糊关系矩阵;合并全部特征参数的模糊关系矩阵,构成最终模糊关系矩阵R;
步骤4、基于所述权重矩阵Q、最终模糊关系矩阵R,获得评判集矩阵Z,并基于最大隶属度原则,确定最终结果。
2.根据权利要求1所述的方法,其特征在于,所述特征参数包括插损绝对值、回损绝对值、串扰绝对值、目标阻抗绝对值。
3.根据权利要求1所述的方法,其特征在于,所述步骤2进一步包括:
步骤201、对所述特征参数两两比较,建立判断矩阵B;
步骤202、计算所述判断矩阵B的最大特征值λmax及λmax对应的特征向量q;
步骤203、基于λmax检验判断矩阵B的一致性;若判断矩阵B满足一致性要求,则将λmax对应的特征向量q作为权重,并形成权重矩阵Q;否则修正所述判断矩阵B,并返回步骤202。
6.根据权利要求1所述的方法,其特征在于,所述步骤3中,所述模糊关系矩阵的获取方式为:
步骤301、将每一组特征参数带入隶属度函数,得到各组特征参数的模糊关系矩阵,所述模糊关系矩阵中各矩阵单元表示该特征参数表征的高速板卡各状态的概率;
步骤302、将各特征参数的模糊关系矩阵各矩阵单元按照高速板卡状态进行一致性调整;
步骤303、将经过一致性调整后的各组特征参数的模糊关系矩阵合并,得到最终模糊关系矩阵R。
7.根据权利要求1所述的方法,其特征在于,所述步骤4进一步包括:
评判集矩阵Z的计算方式为:
Z=Q·R。
9.多特征参数高速板卡设计阶段质量检测系统,其特征在于,所述系统包括:
特征参数获取模块,用于获取高速板卡的特征参数;
权重计算模块,基于所述特征参数,计算各参数的AHP权重,并构建判断矩阵B;将判断矩阵B中满足一致性要求的最大特征根对应的特征向量q作为对应特征参数的权重,并基于多个特征参数的权重构建权重矩阵Q;
隶属度函数模块,用于确定各特征参数的隶属度函数,并基于隶属度函数获得各特征参数的模糊关系矩阵;合并全部特征参数的模糊关系矩阵,构成最终模糊关系矩阵R;
评判模块,基于最终模糊关系矩阵R、权重矩阵Q,获得评判集矩阵Z,并基于最大隶属度,确定最终结果。
10.多特征参数高速板卡设计阶段质量检测设备,其特征在于,所述设备包括处理器、存储器、输入装置、输出装置;
所述处理器连接所述输入装置、输出装置及存储器;
所述存储器存储有计算机指令,所述处理器调用所述存储器中的计算机指令以执行权利要求1-8任一所述的多特征参数高速板卡设计阶段质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210611086.6A CN114692565A (zh) | 2022-06-01 | 2022-06-01 | 多特征参数高速板卡设计阶段质量检测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210611086.6A CN114692565A (zh) | 2022-06-01 | 2022-06-01 | 多特征参数高速板卡设计阶段质量检测方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114692565A true CN114692565A (zh) | 2022-07-01 |
Family
ID=82130984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210611086.6A Pending CN114692565A (zh) | 2022-06-01 | 2022-06-01 | 多特征参数高速板卡设计阶段质量检测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692565A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115396920A (zh) * | 2022-08-22 | 2022-11-25 | 中国联合网络通信集团有限公司 | 设备评估方法、装置及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017008180A1 (zh) * | 2015-07-16 | 2017-01-19 | 广东产品质量监督检验研究院 | 一种光伏组件失效风险判别方法 |
CN112149986A (zh) * | 2020-09-17 | 2020-12-29 | 西安工程大学 | 基于多层次模糊综合评判的高压开关柜评估方法 |
CN114329899A (zh) * | 2021-11-30 | 2022-04-12 | 江苏徐工工程机械研究院有限公司 | 一种工程机械多仿真结果筛选方法及系统 |
CN114528801A (zh) * | 2022-02-18 | 2022-05-24 | 苏州浪潮智能科技有限公司 | 一种单板pcb走线仿真设计方法及装置 |
-
2022
- 2022-06-01 CN CN202210611086.6A patent/CN114692565A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017008180A1 (zh) * | 2015-07-16 | 2017-01-19 | 广东产品质量监督检验研究院 | 一种光伏组件失效风险判别方法 |
CN112149986A (zh) * | 2020-09-17 | 2020-12-29 | 西安工程大学 | 基于多层次模糊综合评判的高压开关柜评估方法 |
CN114329899A (zh) * | 2021-11-30 | 2022-04-12 | 江苏徐工工程机械研究院有限公司 | 一种工程机械多仿真结果筛选方法及系统 |
CN114528801A (zh) * | 2022-02-18 | 2022-05-24 | 苏州浪潮智能科技有限公司 | 一种单板pcb走线仿真设计方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115396920A (zh) * | 2022-08-22 | 2022-11-25 | 中国联合网络通信集团有限公司 | 设备评估方法、装置及可读存储介质 |
CN115396920B (zh) * | 2022-08-22 | 2024-04-19 | 中国联合网络通信集团有限公司 | 设备评估方法、装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019144066A1 (en) | Systems and methods for preparing data for use by machine learning algorithms | |
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN105608004A (zh) | 一种基于cs-ann的软件缺陷预测方法 | |
WO2024036709A1 (zh) | 一种异常数据检测方法及装置 | |
CN111444956A (zh) | 低负载信息预测方法、装置、计算机系统及可读存储介质 | |
CN111966574A (zh) | 一种航电通用计算平台的架构方案评估方法 | |
CN114692565A (zh) | 多特征参数高速板卡设计阶段质量检测方法、系统及设备 | |
WO2023019899A1 (zh) | 神经网络实时剪枝方法、系统及神经网络加速器 | |
CN115204368A (zh) | 一种基于智能芯片技术的飞机发动机故障诊断方法 | |
CN115952456A (zh) | 故障诊断模型的确定方法、系统、程序产品及存储介质 | |
US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
CN114492742A (zh) | 神经网络结构搜索、模型发布方法、电子设备和存储介质 | |
CN110889493A (zh) | 针对关系网络添加扰动的方法及装置 | |
CN104111887A (zh) | 基于Logistic模型的软件故障预测系统及方法 | |
CN110543417B (zh) | 一种对软件测试进行有效性评估的方法及评估装置 | |
CN111711530A (zh) | 基于社区拓扑结构信息的链接预测算法 | |
CN108268982B (zh) | 一种大规模有源配电网分解策略评价方法和装置 | |
CN116702084A (zh) | 一种基于模糊理论的一二次融合柱上断路器状态评价方法 | |
CN115994507A (zh) | 基于时间窗图模型的时序电路关键性节点定位方法及设备 | |
Yu et al. | Radar fault diagnosis based on chaos genetic reduction algorithm | |
CN114679335A (zh) | 电力监控系统网络安全风险评估训练、评估方法及设备 | |
CN110852361B (zh) | 基于改进深度神经网络的图像分类方法、装置与电子设备 | |
CN114637620A (zh) | 一种基于svm算法的数据库系统异常分类预测方法 | |
CN111026661A (zh) | 一种软件易用性全面测试方法及系统 | |
CN112651168B (zh) | 基于改进神经网络算法的建设用地面积预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220701 |