CN115600115A - 一种评估芯片质量分析模型准确率的方法和系统 - Google Patents
一种评估芯片质量分析模型准确率的方法和系统 Download PDFInfo
- Publication number
- CN115600115A CN115600115A CN202211222807.0A CN202211222807A CN115600115A CN 115600115 A CN115600115 A CN 115600115A CN 202211222807 A CN202211222807 A CN 202211222807A CN 115600115 A CN115600115 A CN 115600115A
- Authority
- CN
- China
- Prior art keywords
- sequence
- standard parameter
- temperature
- thermal simulation
- model calculation
- 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
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及一种评估芯片质量分析模型准确率的方法和系统,属于芯片质量评估技术领域,用以解决现有缺乏定量的评估质量分析模型的准确性的方法的问题。方法包括以下步骤:对芯片性能参数对应的电路模块进行热仿真,根据热仿真结果对所述性能参数进行排序得到标准参数序列;根据芯片质量分析模型分析得到的性能参数评分结果生成模型计算序列;计算标准参数序列和模型计算序列的相似度,基于所述相似度评估芯片质量分析模型的准确率。实现了定量的、准确、客观的评估芯片质量分析模型的准确度。
Description
技术领域
本发明涉及芯片质量评估技术领域,尤其涉及一种评估芯片质量分析模型准确率的方法和系统。
背景技术
为了保证芯片的质量,芯片在生产过程中需要经历多轮测试。从各个环节能得到的电性能、性能测试数据、可靠性测试测试数据。在这个过程中会产生大批量的、多维度的测试数据。为了充分挖掘蕴藏在芯片高维测试数据中的质量信息,研究人员需要根据芯片测试数据的特点、测试类别进行数据分析,建立多个芯片质量分析模型,用于芯片缺陷识别和质量分级。针对不同类型的芯片,其质量分析模型也存在着差异,定量评估芯片质量分析模型的准确性变得至关重要。
现有的芯片质量分析模型结果各不相同,其准确率之间具有差异,现有技术缺乏一种定量的评估方法去评估这个质量分析模型的准确性。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种评估芯片质量分析模型准确率的方法和系统,用以解决现有缺乏定量的评估质量分析模型的准确性的方法问题。
一方面,本发明实施例提供了一种评估芯片质量分析模型准确率的方法,包括以下步骤:
对芯片性能参数对应的电路模块进行热仿真,根据热仿真结果对所述性能参数进行排序得到标准参数序列;
根据芯片质量分析模型分析得到的性能参数评分结果生成模型计算序列;
计算标准参数序列和模型计算序列的相似度,基于所述相似度评估芯片质量分析模型的准确率。
进一步地,所述根据热仿真结果对所述性能参数进行排序得到标准参数序列,包括:
根据所有电路模块的热仿真最高温度确定温度划分范围,将温度划分范围分为按温度值顺序排列的多个温度区间;
根据每个电路模块的热仿真最高温度所属的温度区间计算每个电路模块的热仿真面积;
根据每个电路模块的热仿真最高温度和热仿真面积对电路模块对应的性能参数进行排序得到标准参数序列。
进一步地,计算温度在所述最高温度所属的温度区间内的电路面积作为所述电路模块的热仿真面积。
进一步地,根据每个电路模块的热仿真最高温度和热仿真面积对电路模块对应的性能参数进行排序得到标准参数序列,包括:
根据各电路模块的热仿真最高温度所属温度区间对各电路模块对应的性能参数进行分组;
根据所述性能参数对应的电路模块的热仿真面积对同一分组内的性能参数进行排序,得到标准参数序列。
进一步地,采用以下方式计算标准参数序列和模型计算序列的相似度:
若所述标准参数序列的长度大于第一阈值,则基于序列权重取标准参数序列和模型计算序列的前d个元素,根据公式计算标准参数序列和模型计算序列的相似度;其中,S表示标准参数序列,P表示模型计算序列,d表示序列深度,p表示权重参数,Ai表示深度为i时标准参数序列和模型计算序列的一致度。
进一步地,根据以下方式确定序列深度d和权重参数p:
选取权重参数p大于第二阈值,并且序列权重大于第三阈值时的d值作为权重参数和序列深度,计算标准参数序列和模型计算序列的相似度。
进一步地,根据芯片质量分析模型分析得到的性能参数评分结果生成模型计算序列,包括:
获取芯片质量分析模型对性能参数的评分结果,按照故障得分从高到低的顺序进行性能参数排序,得到模型计算序列。
另一方面,本发明实施例提供了一种评估芯片质量分析模型准确率的系统,包括以下模块:
标准参数序列生成模块,用于对芯片性能参数对应的电路模块进行热仿真,根据热仿真结果对所述性能参数进行排序得到标准参数序列;
模型计算序列生成模块,用于根据芯片质量分析模型分析得到的性能参数评分结果生成模型计算序列;
准确率评估模块,用于计算标准参数序列和模型计算序列的相似度,基于所述相似度评估芯片质量分析模型的准确率。
进一步地,所述标准参数序列生成模块,包括:
温度区间划分模块,用于根据所有电路模块的热仿真最高温度确定温度划分范围,将温度划分范围分为按温度值顺序排列的多个温度区间;
热仿真面积计算模块,用于根据每个电路模块的热仿真最高温度所属的温度区间计算每个电路模块的热仿真面积;
参数排序模块,用于根据每个电路模块的热仿真最高温度和热仿真面积对电路模块对应的性能参数进行排序得到标准参数序列。
进一步地,所述准确率评估模块采用以下方式计算标准参数序列和模型计算序列的相似度:
若所述标准参数序列的长度大于第一阈值,则基于序列权重取标准参数序列和模型计算序列的前d个元素,根据公式计算标准参数序列和模型计算序列的相似度;其中,S表示标准参数序列,P表示模型计算序列,d表示序列深度,p表示权重参数,Ai表示深度为i时标准参数序列和模型计算序列的一致度。
与现有技术相比本发明通过采用热仿真构建芯片模型的标准参数序列,根据芯片质量分析模型的分析结果构建模型计算序列,通过标准参数序列和模型计算序列的相似度计算,可定量的、准确客观的评估芯片质量分析模型的准确度。使用序列重叠度对比方法对标准参数序列和实际模型计算序列进行相似度计算,并在对比过程中引入评估深度与权重赋值,在权重赋值过程中可以选取顶部参数长度并赋予较大的权重部分。该序列重叠度对比方法可根据实际序列内容选取序列长度、序列权重,进而计算标准参数序列与模型计算序列的相似度,从而实现快速合理评价芯片质量分析模型的准确性。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例评估芯片质量分析模型准确率的方法的流程图;
图2为本发明实施例评估芯片质量分析模型准确率的系统的框图;
图3为本发明实施例中参数间的数学关系图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
为了保证芯片的质量,芯片在生产过程中需要经历多轮测试。从各个环节能得到的电性能、性能测试数据、可靠性测试数据。在这个过程中会产生大批量的、多维度的测试数据。为了充分挖掘蕴藏在芯片高维测试数据中的质量信息,研究人员需要根据芯片测试数据的特点、测试类别进行数据分析,建立多个芯片质量分析模型,用于芯片缺陷识别和质量分级。针对不同类型的芯片,其质量分析模型也存在着差异,定量评估芯片质量分析模型的准确性变得至关重要。
现有的芯片质量分析模型结果各不相同,其准确率之间具有差异,现有技术缺乏一种定量的评估方法去评估这个质量分析模型的准确性。为了填补此项技术空白,本发明的一个具体实施例,公开了一种评估芯片质量分析模型准确率的方法,如图1所示,包括以下步骤:
S1、对芯片性能参数对应的电路模块进行热仿真,根据热仿真结果对所述性能参数进行排序得到标准参数序列;
S2、根据芯片质量分析模型分析得到的性能参数评分结果生成模型计算序列;
S3、计算标准参数序列和模型计算序列的相似度,基于所述相似度评估芯片质量模型的准确率。
通过采用热仿真构建芯片模型的标准参数序列,根据芯片质量分析模型的分析结果构建模型计算序列,通过标准参数序列和模型计算序列的相似度计算,可定量的、准确客观的评估芯片质量分析模型的准确度。
温度的增长对芯片性能的影响是巨大的。温度升高一方面会导致电流下降、电路延时增加,影响电路性能,另一方会造成电路可靠性的下降。总之热问题受到了越来越多的关注。研究表明,器件的失效率有55%是温度超过规定值而引起的。因此以芯片电路的热仿真结构构建标准参数序列。
实施时,从芯片电路及版图角度入手,标记芯片内部电路对应的性能参数。例如,一般的ADC/DAC芯片,测试性能参数主要包括:分辨率、满量程、误差偏移、最低有效位、差分非线性误差、积分非线性误差、信噪比、总谐波失真等表征性能的参数。又如某射频电路的低噪声放大器模块,需要检测在某频段下的增益、增益平坦度、噪声系数、噪声系数平坦度、功耗等性能参数。提取这些性能参数对应的电路模块,对每个电路模块进行热仿真,得到热仿真结果。
实施时,可基于ANSYS软件对电路进行热仿真分析。为了获得电路版图集的温度分布情况。首先需要从Cadence平台上将相应的电路版图导出为GDSⅡ格式,再通过LinkCAD软件将GDSⅡ格式文件转换为ANSYS可直接导入的文件(ANF格式),在ANSYS软件中进行热仿真。具体的热仿真模型构建和仿真过程为现有技术,此处不再赘述。
具体的,步骤S1中所述根据热仿真结果对所述性能参数进行排序得到标准参数序列,包括:
S11、根据所有电路模块的热仿真最高温度确定温度划分范围,将温度划分范围分为按温度值顺序排列的多个温度区间;
得到每个性能参数对应的电路模块的热仿真结果后,首先获取热仿真结果中的最高温度,标记为T,将0~T的温度范围划分为x个温度区间,按温度值从高到低排布每个区间。实施时,x的值可根据不同芯片类型或者计算精度要求来设置。例如最高温为50℃,将0~50划分为10个区间,第一温度区间为50-45℃,第二温度区间为45-40℃,以此类推。
S12、根据每个电路模块的热仿真最高温度所属的温度区间计算每个电路模块的热仿真面积;
具体的,计算温度在所述最高温度所属的温度区间内的电路面积作为所述电路模块的热仿真面积。
例如,某电路模块热仿真的最高温度为47℃,属于第一温度区间,第一区间温度范围为50-45℃,因此计算该电路模块热仿真结果中温度在第一温度区间范围内的电路面积,作为该电路模块对应的热仿真面积。
可以理解的,对电路模块进行热仿真可以得到电路模块的热分布图。热分布图中温度在第一温度区间范围内的电路面积作为该电路模块对应的热仿真面积。
S13、根据每个电路模块的热仿真最高温度和热仿真面积对电路模块对应的性能参数进行排序得到标准参数序列。
具体的,根据每个电路模块的热仿真最高温度和热仿真面积对电路模块对应的性能参数进行排序得到标准参数序列,包括:
S131、根据各电路模块的热仿真最高温度所属温度区间对各电路模块对应的性能参数进行分组;
温度越高、热分布面积越大,参数对芯片质量的影响越关键。因此,首先根据各电路模块的热仿真的最高温所属温度区间将各电路模块对应的性能参数进行分组。热仿真最高温属于第一温度区间则将该电路模块的性能参数归于第一组,热仿真最高温属于第二温度区间则将该电路模块的性能参数归于第二组,以此类推。
S132、根据所述性能参数对应的电路模块的热仿真面积对同一分组内的性能参数进行排序,得到标准参数序列。
对性能参数进行分组后,在同一分组内,基于性能参数对应的电路模块的热仿真面积进行排序,将热仿真面积大的电路模块对应的性能参数放在热仿真面积小的电路模块对应的性能参数之前。例如性能参数a和性能参数b同属第一分组,性能参数a对应的电路模块的热仿真面积大于性能参数b对应的电路模块的热仿真面积,因此,将其性能参数a排在性能参数b之前。对同一分组内的性能参数根据热仿真面积排序后,得到标准参数序列,如表1所示。标准参数序列记为S,S={S1,S2,...Sn}1×n,其中n表示序列长度,Si参数的i值越小,Si对芯片质量的影响越重要。
表1芯片热分析模型中各模块的热分布情况
得到标准参数序列后,获取芯片质量分析模型的分析结构,构建模型计算序列。具体的,根据芯片质量分析模型分析得到的性能参数评分结果生成模型计算序列,包括:
获取芯片质量分析模型对性能参数的评分结果,按照故障得分从高到低的顺序进行性能参数排序,得到模型计算序列。
实施时,首先使用芯片测试数据分析模型的数据分析结果,提取该分析模型中的性能参数评分结果,并保存为易于统计分析的.csv格式,定义芯片的性能参数评分矩阵为X。
X为m×k维矩阵,k代表芯片总数,m代表芯片性能参数的总数。
矩阵元素xij代表第j个芯片的第i个参数的评分结果。不同的故障类型由不同的整数代表,0~N代表芯片质量从零故障到完全故障。
统计k个芯片的性能参数的故障评分结果,建立故障评分矩阵Y,其中,yi表示X矩阵中第i行元素的加和或者均值。
将矩阵Y中各元素对应的性能参数按照元素值从大到小的顺序进行排序,生成模型计算序列P。
为了准确计算两个序列的相似度,步骤S3中采用以下方式计算标准参数序列和模型计算序列的相似度:
若所述标准参数序列的长度小于等于第一阈值,则根据公式计算标准参数序列和模型计算序列的相似度sim(S,P),其中n表示序列长度,S1:i∩P1:i表示标准参数序列和模型计算序列相同元素的个数,Ai表示深度为i时标准参数序列和模型计算序列的一致度。
实施时,若标准参数序列的长度小于第一阈值,例如第一阈值设置为100,此时需要计算的数据量较小,可提取标准参数序列的全部序列与模型计算序列进行相似度计算。具体计算公式为即通过累加不同深度下两个序列的重叠度来衡量两个序列的相似度。
若所述标准参数序列的长度大于第一阈值,则基于序列权重取标准参数序列和模型计算序列的前d个元素,根据公式计算标准参数序列和模型计算序列的相似度;其中,S表示标准参数序列,P表示模型计算序列,d表示序列深度,p表示权重参数,Ai表示深度为i时标准参数序列和模型计算序列的一致度。
若标准参数序列长度较长,为了进一步提高计算效率,通过为每一层深度赋予对应的权重,基于权重提取部分序列进行相似度计算从而减少计算量,提高评估效率。
首先,将第i个元素的权重定义为wi,
wi=(1-p)pi-1,0<p<1(1)
其中,p表示权重参数,表示相邻元素的权重下降幅度。
由于深度d处的P、S序列的两元素的匹配情况不影响d之前的一致度结果,而对d之后的序列一致度有影响。对于d处的两元素(Pd,Sd),对d+1后的每个序列产生影响。当选取前d个元素的序列作为评估整体序列相似度时,d对d+1之后的所有序列有影响,同理前d个元素的序列对d+1之后的序列有影响。因此,在d深度时,元素(Pd,Sd)对整体序列的影响权重为:
深度从1到d的序列的权重之和为:
根据公式(1)和公式(3),可得到前d个元素的序列占整体序列的权重wSIM(1:d),
具体推导过程如下:
具体的,为了计算准确,权重wSIM(1:d)应超过第三阈值。例如,第三阈值可为0.85。
实施时,通过不同的p值的选取,可画出wSIM(1:d)与d之间的关系,三者的数学关系如图3所示。
由图3可以看出,当确定wSIM(1:d)时,p参数越大,则需要更大的评估深度d才能使前缀序列达到所需的全局权重占比。参数p决定了权重下降的幅度,p越小,权重下降幅度越大,被赋权重的相邻元素的权重差异较大。p=0时,只考虑排名最靠前的元素;当p接近于1时,权重下降幅度变得平坦,评估深度变得任意大,因此p参数的选取取决于实际序列的长度。p值太小会使序列的相似度计算结果失真。表2列出了不同p、d时的wSIM(1:d)参考结果。
表2wSIM(1:d)、p、d的参考值
实施时,为了确保计算结果的准确性,权重参数p应大于第二阈值,例如,第二阈值可为0.95。即,选取权重参数p大于第二阈值,并且序列权重大于第三阈值时的d值作为权重参数和序列深度,计算标准参数序列和模型计算序列的相似度。
参数p和参数d确定后,根据公式计算标准参数序列和模型计算序列的相似度;从而选取部分序列计算相似度,提高相似度计算效率。其中,S表示标准参数序列,P表示模型计算序列,d表示序列深度,p表示权重参数,Ai表示深度为i时标准参数序列和模型计算序列的一致度。
表3序列重合度与一致性计算
对于不同的芯片质量分析模型,若其模型计算序列与标准参数序列的相似度越高,则其分析结果准确度更高,从而定量客观的评估不同质量分析模型的分析准确度。
本发明的一个具体实施例,公开了一种评估芯片质量分析模型准确率的系统,如图2所示,系统包括以下模块:
标准参数序列生成模块,用于对芯片性能参数对应的电路模块进行热仿真,根据热仿真结果对所述性能参数进行排序得到标准参数序列;
模型计算序列生成模块,用于根据芯片质量分析模型分析得到的性能参数评分结果生成模型计算序列;
准确率评估模块,用于计算标准参数序列和模型计算序列的相似度,基于所述相似度评估芯片质量分析模型的准确率。
优选的,所述标准参数序列生成模块,包括:
温度区间划分模块,用于根据所有电路模块的热仿真最高温度确定温度划分范围,将温度划分范围分为按温度值顺序排列的多个温度区间;
热仿真面积计算模块,用于根据每个电路模块的热仿真最高温度所属的温度区间计算每个电路模块的热仿真面积;
参数排序模块,用于根据每个电路模块的热仿真最高温度和热仿真面积对电路模块对应的性能参数进行排序得到标准参数序列。
优选的,所述准确率评估模块采用以下方式计算标准参数序列和模型计算序列的相似度:
若所述标准参数序列的长度大于第一阈值,则基于序列权重取标准参数序列和模型计算序列的前d个元素,根据公式计算标准参数序列和模型计算序列的相似度;其中,S表示标准参数序列,P表示模型计算序列,d表示序列深度,p表示权重参数,Ai表示深度为i时标准参数序列和模型计算序列的一致度。
上述方法实施例和系统实施例,基于相同的原理,其相关之处可相互借鉴,且能达到相同的技术效果。具体实施过程参见前述实施例,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,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。
Claims (10)
1.一种评估芯片质量分析模型准确率的方法,其特征在于,包括以下步骤:
对芯片性能参数对应的电路模块进行热仿真,根据热仿真结果对所述性能参数进行排序得到标准参数序列;
根据芯片质量分析模型分析得到的性能参数评分结果生成模型计算序列;
计算标准参数序列和模型计算序列的相似度,基于所述相似度评估芯片质量分析模型的准确率。
2.根据权利要求1所述的评估芯片质量分析模型准确率的方法,其特征在于,所述根据热仿真结果对所述性能参数进行排序得到标准参数序列,包括:
根据所有电路模块的热仿真最高温度确定温度划分范围,将温度划分范围分为按温度值顺序排列的多个温度区间;
根据每个电路模块的热仿真最高温度所属的温度区间计算每个电路模块的热仿真面积;
根据每个电路模块的热仿真最高温度和热仿真面积对电路模块对应的性能参数进行排序得到标准参数序列。
3.根据权利要求2所述的评估芯片质量分析模型准确率的方法,其特征在于,计算温度在所述最高温度所属的温度区间内的电路面积作为所述电路模块的热仿真面积。
4.根据权利要求2所述的评估芯片质量分析模型准确率的方法,其特征在于,根据每个电路模块的热仿真最高温度和热仿真面积对电路模块对应的性能参数进行排序得到标准参数序列,包括:
根据各电路模块的热仿真最高温度所属温度区间对各电路模块对应的性能参数进行分组;
根据所述性能参数对应的电路模块的热仿真面积对同一分组内的性能参数进行排序,得到标准参数序列。
7.根据权利要求1所述的评估芯片质量分析模型准确率的方法,其特征在于,根据芯片质量分析模型分析得到的性能参数评分结果生成模型计算序列,包括:
获取芯片质量分析模型对性能参数的评分结果,按照故障得分从高到低的顺序进行性能参数排序,得到模型计算序列。
8.一种评估芯片质量分析模型准确率的系统,其特征在于,包括以下模块:
标准参数序列生成模块,用于对芯片性能参数对应的电路模块进行热仿真,根据热仿真结果对所述性能参数进行排序得到标准参数序列;
模型计算序列生成模块,用于根据芯片质量分析模型分析得到的性能参数评分结果生成模型计算序列;
准确率评估模块,用于计算标准参数序列和模型计算序列的相似度,基于所述相似度评估芯片质量分析模型的准确率。
9.根据权利要求8所述的评估芯片质量分析模型准确率的方法,其特征在于,所述标准参数序列生成模块,包括:
温度区间划分模块,用于根据所有电路模块的热仿真最高温度确定温度划分范围,将温度划分范围分为按温度值顺序排列的多个温度区间;
热仿真面积计算模块,用于根据每个电路模块的热仿真最高温度所属的温度区间计算每个电路模块的热仿真面积;
参数排序模块,用于根据每个电路模块的热仿真最高温度和热仿真面积对电路模块对应的性能参数进行排序得到标准参数序列。
10.根据权利要求8所述的评估芯片质量分析模型准确率的方法,其特征在于,所述准确率评估模块采用以下方式计算标准参数序列和模型计算序列的相似度:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211222807.0A CN115600115A (zh) | 2022-10-08 | 2022-10-08 | 一种评估芯片质量分析模型准确率的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211222807.0A CN115600115A (zh) | 2022-10-08 | 2022-10-08 | 一种评估芯片质量分析模型准确率的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115600115A true CN115600115A (zh) | 2023-01-13 |
Family
ID=84845450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211222807.0A Pending CN115600115A (zh) | 2022-10-08 | 2022-10-08 | 一种评估芯片质量分析模型准确率的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115600115A (zh) |
-
2022
- 2022-10-08 CN CN202211222807.0A patent/CN115600115A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052755A (zh) | 基于多路注意力机制的语义卷积高光谱图像分类方法 | |
CN102945222B (zh) | 一种基于灰色理论的乏信息测量数据粗大误差判别方法 | |
CN115021679B (zh) | 一种基于多维离群点检测的光伏设备故障检测方法 | |
CN110705045A (zh) | 一种利用网络拓扑特性构建加权网络的链路预测方法 | |
CN110321493A (zh) | 一种社交网络的异常检测与优化方法、系统及计算机设备 | |
US20100168896A1 (en) | Method for improving a manufacturing process | |
CN112485652A (zh) | 基于改进正余弦算法的模拟电路单故障诊断方法 | |
US6865500B1 (en) | Method for testing analog circuits | |
CN114676749A (zh) | 一种基于数据挖掘的配电网运行数据异常判定方法 | |
CN110544047A (zh) | 一种不良数据辨识方法 | |
CN113484817A (zh) | 基于tsvm模型的智能电能表自动化检定系统异常检测方法 | |
CN115600115A (zh) | 一种评估芯片质量分析模型准确率的方法和系统 | |
CN107918704A (zh) | 电荷放大器贮存寿命预测方法、装置、存储介质和计算机设备 | |
CN112817954A (zh) | 一种基于多种方法集成学习的缺失值插补方法 | |
CN117196405A (zh) | 一种钢铁工业生产数据质量评价方法和评价系统 | |
CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
CN115343676A (zh) | 密封电子设备内部多余物定位技术的特征优化方法 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN113889274A (zh) | 一种孤独症谱系障碍的风险预测模型构建方法及装置 | |
CN114185785A (zh) | 面向深度神经网络的自然语言处理模型测试用例约简方法 | |
Kim et al. | Kernel Smoothing Technique Based on Multiple-Coordinate System for Screening Potential Failures in NAND Flash Memory | |
KR100679813B1 (ko) | 반도체 제조에서 잠재적 문제 공정의 통계적 검출 방법 | |
CN113607776B (zh) | 一种阵列型mems多气体传感器的实现方法 | |
CN117592789B (zh) | 基于时间序列分析的电网环境火灾风险评估方法及设备 |
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 |