CN116681023B - 一种基于格林函数的波形筛选方法及装置 - Google Patents

一种基于格林函数的波形筛选方法及装置 Download PDF

Info

Publication number
CN116681023B
CN116681023B CN202310681934.5A CN202310681934A CN116681023B CN 116681023 B CN116681023 B CN 116681023B CN 202310681934 A CN202310681934 A CN 202310681934A CN 116681023 B CN116681023 B CN 116681023B
Authority
CN
China
Prior art keywords
voltage drop
time period
power consumption
global
score
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.)
Active
Application number
CN202310681934.5A
Other languages
English (en)
Other versions
CN116681023A (zh
Inventor
文一涵
何鸥
万力涛
魏少雄
崔兵兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Hexin Digital Technology Co ltd
Hexin Technology Co ltd
Original Assignee
Beijing Hexin Digital Technology Co ltd
Hexin Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Hexin Digital Technology Co ltd, Hexin Technology Co ltd filed Critical Beijing Hexin Digital Technology Co ltd
Priority to CN202310681934.5A priority Critical patent/CN116681023B/zh
Publication of CN116681023A publication Critical patent/CN116681023A/zh
Application granted granted Critical
Publication of CN116681023B publication Critical patent/CN116681023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/392—Floor-planning or layout, e.g. partitioning or placement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Architecture (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Measurement Of Current Or Voltage (AREA)

Abstract

本发明公开了一种基于格林函数的波形筛选方法及装置，所述方法包括：基于预设时间间隔将目标检测波形划分为若干个时间段检测波形，并计算每个功耗模块在每个时间段内的功耗值；基于格林函数计算每个功耗模块的电压降相对于全局空间中每一位置的关联值；基于关联值和每个时间段内的功耗值生成每个位置在每个时间段内的局部电压降评分；提取每个时间段内的最大局部电压降评分，生成全局电压降评分，基于全局电压降评分生成极值点时间段并进行排序，选取预设排名范围内的极值点时间段对应的时间段检测波形作为波形筛选结果。本申请综合考虑时间、功耗、模块布局等因素生成整个检测波形的全局电压降评分，实现波形筛选，提高波形筛选的准确性。

Description

一种基于格林函数的波形筛选方法及装置
技术领域
本发明涉及信号处理技术领域，特别是涉及一种基于格林函数的波形筛选方法及装置。
背景技术
基于输入波形的瞬态电压降分析(Vector based transient IR analysis)是物理验证流程中重要的一环。由于瞬态电压降分析相当耗时，为了降低分析的时间，提高分析效率，一般由EDA工具通过波形预分析预先筛选输入波形中电压降风险最高的波形片段进行分析。而波形预分析算法筛选的波形片段直接决定了瞬态电压降的求解结果对实际情况的反映精度。
现有常用的波形预分析算法通常采用预估一个时间长度内的总功耗(Worstpower aware)或最高功耗密度(Power density aware)的方法进行波形预分析，即通过功耗预估，筛选出总功耗或功耗密度最高的波形片段进行瞬态电压降分析。当高功耗的模块在空间上相邻聚集时，相较于分散分布的情况，其在局部上对供电网络产生的压力要显著更高。然而，上述两种分析算法忽略了不同功耗的模块在空间上的分布信息，并不能准确反映电压降变化。即使模块内部的功耗密度与总功耗不变，高功耗模块的聚集也会导致更严重的电压降。在某些功耗变化不显著的场景下，例如对片上数字存储阵列进行相等次数的随机访问时，这种现象将变得尤其显著。现有的波形分析算法难以准确筛选出整个波形中瞬态电压降最高的片段。
发明内容
本申请提供了一种基于格林函数的波形筛选方法及装置，基于全局空间上每个模块的位置关系产生的电压降影响，综合考虑时间、功耗、模块布局等多种因素生成整个检测波形的全局电压降评分，实现波形筛选，提高波形筛选的准确性。
第一方面，本申请提供了一种基于格林函数的波形筛选方法，包括：
基于预设时间间隔将目标检测波形划分为若干个时间段检测波形，并计算每个功耗模块在每个时间段内的功耗值；
基于格林函数计算每个所述功耗模块的电压降相对于全局空间中每一位置的关联值；基于每个功耗模块的关联值和在每个时间段内的功耗值生成全局空间中每个位置在每个时间段内的局部电压降评分；
提取每个时间段内的最大局部电压降评分，生成全局电压降评分，基于所述全局电压降评分生成极值点时间段并进行排序，选取预设排名范围内的极值点时间段对应的时间段检测波形作为波形筛选结果。
区别于现有技术中仅通过对预设长度内的检测波形估计总功耗或最高功耗密度来筛选波形以进行瞬态电压降分析，本申请的提供一种基于格林函数的波形筛选方法，在计算每个功耗模块在每个时间段内的功耗值后，还基于格林函数计算每个功耗模块的电压降在全局空间上每一位置的电压降影响关联值，考虑全局空间上每个模块的位置关系产生的电压降影响，综合考虑时间、功耗、模块布局等多种因素生成整个检测波形的全局电压降评分，并以时间段为划分依据进行时间段极值点检测和排序，获取不同时间段内的全局电压降变化趋势，根据应用需求再自行选取预设排名范围内的时间段极值点对应的时间段检测波形作为波形筛选结果，提升波形筛选的精准度的同时还可以降低后级瞬态电压降分析的耗时。
在一种实现方式中，所述基于格林函数计算每个所述功耗模块的电压降相对于全局空间中每一位置的关联值，具体包括：
以每个所述功耗模块的中心位置坐标为输入，基于格林函数计算每个所述功耗模块相对于所述全局空间上每一位置的电压降影响关联值；其中，所述格林函数的表达式为：
式中，G(r，m)为功耗模块m相对于全局空间上任意位置r(x，y)的电压降影响关联值；(x’，y’)为功耗模块m的中心位置坐标。
在上述方案中，以各个模块的中心位置坐标为基准，基于格林函数考量片上空间各个模块之间的位置关系，将片上模块在空间上的分布信息引入电压降评分的计算过程中，提高电压降评分计算的准确性。
在一种实现方式中，所述基于每个功耗模块的关联值和在每个时间段内的功耗值生成全局空间中每个位置在每个时间段内的局部电压降评分，具体包括：
获取每个所述功耗模块相对于全局空间中每个位置的电压降影响关联值以及每个所述功耗模块在每个时间段内的功耗值；
基于所述功耗值和所述关联值，结合预设电压降评分计算公式生成每个所述全局空间中每个位置在每个时间段内的局部电压降评分；其中，所述电压降评分计算公式的表达式为：
式中，SIR(r，t)为r位置在第t个时间段中的电压降评分，M为全局空间中的全部功耗模块；Sm(t)表示叠加系数，为第m个功耗模块在第t个时间段中的功耗值；G(r，m)为功耗模块m相对于全局空间上任意位置r(x，y)的电压降影响关联值。
在上述方案中，获取每个功耗模块在每个时间段内的功耗值，考虑片上各个模块的活动在时间域上的变化，获取每个功耗模块相对于去安居空间中每个位置的电压降影响管联系，考虑片上空间域上各模块之间的位置关系，结合时间域和空间域的双维度考量电压降评分，提高电压降评分计算的准确性。
在一种实现方式中，所述提取每个时间段内的最大局部电压降评分，生成全局电压降评分，具体包括：
获取所述全局空间中每个位置在每个时间段内的局部电压降评分；
提取每个时间段内的最大局部电压降评分作为单个时间段内的全局电压降评分；其中，单个时间段内的全局电压降评分的表示式为：
SIR(t)＝max(SIR(r，t))；
式中，SIR(t)为第t个时间段内的全局电压降评分；max(SIR(r，t))为第t个时间段中的最大局部电压降评分；
基于每个时间段内的全局电压降评分，生成所述目标检测波形的全局电压降评分。
在上述方案中，分别获取全局空间中每个位置在每个时间段内的局部电压降评分，提取单个时间段内的最大局部电压降评分作为单个时间段内的全局电压降评分，通过每个时间段内内的全局电压降评分可以直观获取每个位置在不同时间段内的电压将评分变化趋势。
在一种实现方式中，所述提取每个时间段内的最大局部电压降评分，生成全局电压降评分，基于所述全局电压降评分生成极值点时间段并进行排序，选取预设排名范围内的极值点时间段对应的时间段检测波形作为波形筛选结果，具体包括：
对所述全局电压降评分中的每个时间段进行极大值检测；其中，当检测到相邻左右两个时间段的全局电压降评分低于当前时间段的全局电压降评分时，判定当前时间段为所述全局电压降评分的极大值点时间段；
获取所述全局电压降评分中的所有极大值点时间段，基于每个极大值点时间段对应的全局电压降评分对所述极大值点时间段进行排序；
输出预设排序范围内的极大值点时间段对应的检测波形为高风险波形筛选结果。
在上述方案中，通过极大值检测获取与前后两个时间端的局部电压降评分存在落差的时间段，基于每个极大值点时间段即可获取检测波形中风险电压降的时间段，进一步的，根据极大值点时间段的全局电压降评分进行排序，选取处于排序前列的范围内的极大值点时间段，即可生成高风险波形的筛选结果，进一步提高波形筛选的准确性。
第二方面，本申请还提供一种基于格林函数的波形筛选装置，包括：数据获取模块、评分计算模块和筛选分析模块；
所述数据获取模块用于基于预设时间间隔将目标检测波形划分为若干个时间段检测波形，并计算每个功耗模块在每个时间段内的功耗值；
所述评分计算模块用于基于格林函数计算每个所述功耗模块的电压降相对于全局空间中每一位置的关联值；基于每个功耗模块的关联值和在每个时间段内的功耗值生成全局空间中每个位置在每个时间段内的局部电压降评分；
所述筛选分析模块用于提取每个时间段内的最大局部电压降评分，生成全局电压降评分，基于所述全局电压降评分生成极值点时间段并进行排序，选取预设排名范围内的极值点时间段对应的时间段检测波形作为波形筛选结果。
区别于现有技术中仅通过对预设长度内的检测波形估计总功耗或最高功耗密度来筛选波形以进行瞬态电压降分析，本申请提供一种基于格林函数的波形筛选装置，在计算每个功耗模块在每个时间段内的功耗值后，还基于格林函数计算每个功耗模块的电压降在全局空间上每一位置的电压降影响关联值，考虑全局空间上每个模块的位置关系产生的电压降影响，综合考虑时间、功耗、模块布局等多种因素生成整个检测波形的全局电压降评分，并以时间段为划分依据进行时间段极值点检测和排序，获取不同时间段内的全局电压降变化趋势，根据应用需求再自行选取预设排名范围内的时间段极值点对应的时间段检测波形作为波形筛选结果，提升波形筛选的精准度的同时还可以降低后级瞬态电压降分析的耗时。
在一种实现方式中，所述评分计算模块用于基于格林函数计算每个所述功耗模块的电压降相对于全局空间中每一位置的关联值，具体包括：
以每个所述功耗模块的中心位置坐标为输入，基于格林函数计算每个所述功耗模块相对于所述全局空间上每一位置的电压降影响关联值；其中，所述格林函数的表达式为：
式中，G(r，m)为功耗模块m相对于全局空间上任意位置r(x，y)的电压降影响关联值；(x’，y’)为功耗模块m的中心位置坐标。
在一种实现方式中，所述基于每个功耗模块的关联值和在每个时间段内的功耗值生成全局空间中每个位置在每个时间段内的局部电压降评分，具体包括：
获取每个所述功耗模块相对于全局空间中每个位置的电压降影响关联值以及每个所述功耗模块在每个时间段内的功耗值；
基于所述功耗值和所述关联值，结合预设电压降评分计算公式生成每个所述全局空间中每个位置在每个时间段内的局部电压降评分；其中，所述电压降评分计算公式的表达式为：
式中，SIR(r，t)为r位置在第t个时间段中的电压降评分，M为全局空间中的全部功耗模块；Sm(t)表示叠加系数，为第m个功耗模块在第t个时间段中的功耗值；G(r，m)为功耗模块m相对于全局空间上任意位置r(x，y)的电压降影响关联值。
在一种实现方式中，所述筛选分析模块用于提取每个时间段内的最大局部电压降评分，生成全局电压降评分，具体包括：
获取所述全局空间中每个位置在每个时间段内的局部电压降评分；
提取每个时间段内的最大局部电压降评分作为单个时间段内的全局电压降评分；其中，单个时间段内的全局电压降评分的表示式为：
SIR(t)＝max(SIR(r，t))；
式中，SIR(t)为第t个时间段内的全局电压降评分；max(SIR(r，t))为第t个时间段中的最大局部电压降评分；
基于每个时间段内的全局电压降评分，生成所述目标检测波形的全局电压降评分。
在一种实现方式中，所述提取每个时间段内的最大局部电压降评分，生成全局电压降评分，基于所述全局电压降评分生成极值点时间段并进行排序，选取预设排名范围内的极值点时间段对应的时间段检测波形作为波形筛选结果，具体包括：
对所述全局电压降评分中的每个时间段进行极大值检测；其中，当检测到相邻左右两个时间段的全局电压降评分低于当前时间段的全局电压降评分时，判定当前时间段为所述全局电压降评分的极大值点时间段；
获取所述全局电压降评分中的所有极大值点时间段，基于每个极大值点时间段对应的全局电压降评分对所述极大值点时间段进行排序；
输出预设排序范围内的极大值点时间段对应的检测波形为高风险波形筛选结果。
第三方面，本申请还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于格林函数的波形筛选方法。
第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的基于格林函数的波形筛选方法。
附图说明
图1是本发明实施例提供的一种基于格林函数的波形筛选方法的流程示意图；
图2是本发明实施例提供的一种基于格林函数的波形筛选装置的模块结构图；
图3是本发明实施例提供的一种基于格林函数的波形筛选的应用示例图；
图4是本发明实施例提供给的一种算法电压降评分与实际电压降的相关性分析对比图；
图5是本发明实施例提供的一种波形筛选方法效果比对图；
图6是本发明实施例提供的一种波形筛选方法的运行时间比对图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
参见图1，图1是本发明实施例提供的一种基于格林函数的波形筛选方法的流程示意图。本发明实施例提供一种基于格林函数的波形筛选方法，包括步骤101至步骤103，各项步骤具体如下：
步骤101：基于预设时间间隔将目标检测波形划分为若干个时间段检测波形，并计算每个功耗模块在每个时间段内的功耗值。
本发明实施例中，根据预设时间段将接收的目标检测波形进行切分，划分为若干个时间段检测波形。优选的，选取的较短的时间间隔对检测波形进行划分，有利于更为直观感受各个功耗模块在时间域上的变化。获取若干个时间段检测波形后，获取每个功耗模块在每个时间段内的功耗值。优选的，所述功耗值为每个功耗模块在单个时间段内的翻转密度或总功率密度估计值。获取功率密度估计值为本领域常用的功耗估计方法，在此不做赘述。
步骤102：基于格林函数计算每个所述功耗模块的电压降相对于全局空间中每一位置的关联值；基于每个功耗模块的关联值和在每个时间段内的功耗值生成全局空间中每个位置在每个时间段内的局部电压降评分。
作为本发明实施例的一个优化方案，在计算每个功耗模块相对于全局空间上每一任意位置的电压降影响关联值前，还包括获取每个所述功耗模块的中心位置坐标。具体的，基于全局空间，即模块的安装芯片的DEF文件获取每个功耗模块在芯片上的空间位置，基于获取的空间位置计算每个功耗模块在芯片上占的空间面积。对功耗模块中的组件进行聚类，根据聚类结果生成每个功耗模块的中心位置坐标。优选的，当功耗模块在芯片上呈现多族分布时，将功耗模块拆分为多个部分，基于每个部分进行组件聚类，对应生成功耗模块中各个部位的中心位置坐标。
一实施例中，所述基于格林函数计算每个所述功耗模块的电压降相对于全局空间中每一位置的关联值，具体包括：
以每个所述功耗模块的中心位置坐标为输入，基于格林函数计算每个所述功耗模块相对于所述全局空间上每一位置的电压降影响关联值；其中，所述格林函数的表达式为：
式中，G(r，m)为功耗模块m相对于全局空间上任意位置r(x，y)的电压降影响关联值；(x’，y’)为功耗模块m的中心位置坐标。
以中心位置坐标在(x’，y’)的功耗模块m进行示例说明，随机获取芯片空间上任意位置r(x，y)，功耗模块m相对于全局空间上r位置的电压降影响，可由开放空间中三维泊松方程的格林函数G(r，r’)进行计算。作为本发明实施例的一个优化方案，当目标检测波形采集于非均匀或边界复杂的供电网络时，可采用边界条件下的格林函数计算功耗模块的电压降相对于全局空间的影响关联值。
一实施例中，所述根据每个功耗模块的关联值生成全局空间中每个位置在每个时间段内的局部位置电压降评分，具体包括：
获取每个所述功耗模块相对于全局空间中每个位置的电压降影响关联值以及每个所述功耗模块在每个时间段内的功耗值；
基于所述功耗值和所述关联值，结合预设电压降评分计算公式生成每个所述全局空间中每个位置在每个时间段内的局部电压降评分；其中，所述电压降评分计算公式的表达式为：
式中，SIR(r，t)为r位置在第t个时间段中的电压降评分，M为全局空间中的全部功耗模块；Sm(t)表示叠加系数，为第m个功耗模块在第t个时间段中的功耗值；G(r，m)为功耗模块m相对于全局空间上任意位置r(x，y)的电压降影响关联值。
以获取芯片空间上任意位置r(x，y)在单个时间段t内的局部电压降评分进行示例说明，位置r上的局部电压降评分与芯片空间上的所有功耗模块有关，将芯片空间上所有功耗模块对位置r的电压降影响关联值，叠加每个功耗模块在时间段t内的对应功耗值，即可生成位置r(x，y)在单个时间段t内的局部电压降评分。根据上述方法依次生成全局空间内所有位置在每个时间段内的局部电压降评分。
步骤103：提取每个时间段内的最大局部电压降评分，生成全局电压降评分，基于所述全局电压降评分生成极值点时间段并进行排序，选取预设排名范围内的极值点时间段对应的时间段检测波形作为波形筛选结果。
一实施例中，所述提取每个时间段内的最大局部电压降评分，生成全局电压降评分，具体包括：
获取所述全局空间中每个位置在每个时间段内的局部电压降评分；
提取每个时间段内的最大局部电压降评分作为单个时间段内的全局电压降评分；其中，单个时间段内的全局电压降评分的表示式为：
SIR(t)＝max(SIR(r，t))；
式中，SIR(t)为第t个时间段内的全局电压降评分；max(SIR(r，t))为第t个时间段中的最大局部电压降评分；
基于每个时间段内的全局电压降评分，生成所述目标检测波形的全局电压降评分。
本发明实施例中，在生成全局空间中的每个位置在每个时间段内的局部电压降评分后，以时间段为划分标准，提取每个时间段内的最大局部电压降评分，以单个时间段内的局部电压降评分最大值作为该时间段内的全局电压降评分。依次提取每个时间段内的全局电压降评分后，即可生成目标检测波形的全局电压降评分。本发明实施例中，基于格林函数计算每个所述功耗模块的电压降相对于全局空间中每一位置的关联值，生成全局空间中每个位置在每个时间段内的局部位置电压降评分，提取每个时间段内的最大局部电压降评分，生成待检测波形的全局电压降评分。作为本发明实施例的又一个优化方案，可基于特征方程的方法直接计算全局空间空每个位置在每个时间段内的局部电压降评分，无需逐个累加每个功耗模块相对于每一位置的关联值，从而提高电压降评分的处理效率。一实施例中，所述提取每个时间段内的最大局部电压降评分，生成全局电压降评分，基于所述全局电压降评分生成极值点时间段并进行排序，选取预设排名范围内的极值点时间段对应的时间段检测波形作为波形筛选结果，具体包括：对所述全局电压降评分中的每个时间段进行极大值检测；其中，当检测到相邻左右两个时间段的全局电压降评分低于当前时间段的全局电压降评分时，判定当前时间段为所述全局电压降评分的极大值点时间段；获取所述全局电压降评分中的所有极大值点时间段，基于每个极大值点时间段对应的全局电压降评分对所述极大值点时间段进行排序；输出预设排序范围内的极大值点时间段对应的检测波形为高风险波形筛选结果。
当获取全局电压降评分后，以每个时间段的全局电压降评分值为比较标准，当左右两个相邻时间段的全局电压降评分低于当前时间段的全局电压降评分时，判定当前时间段为全局电压降评分的极大值点。基于上述比较方式获取全局电压降评分中的所有极大值点时间段，并基于每个极大值点时间段对应的全局电压降评分对每个极大值点时间段进行排序。根据瞬态电压分析的波形长度要求或精度要求等，选取预设排序范围，即评分排序前几个时间段对应的检测波形作为高风险波形的筛选结果。参见图3，图3是本发明实施例提供的一种基于格林函数的波形筛选的应用示例图。将获取的检测波形按照时间段分为多个波形检测片段，基于格林函数考虑片上各个功耗模块的活动在时间域上的变化，以及空间域上各个模块之间的位置关系，通过格林函数的累加将各个模块的功耗或活动信息域位置信息进行综合计算，得出片上各个位置在各个时间段检测波形上的电压降评分，通过选取电压降评分的极大值点所对应波形片段，达到波形筛选的目的。
参见图4，图4是本发明实施例提供的一种算法电压降评分与实际电压降的相关性分析对比图，横坐标Worst dynamic IR为实际电压压降，纵坐标proposed score为建议评分。图4中包含基于三种不同电压降评分算法与实际电压降的相关性能图，由左至右依次为:本发明实施例提供的一种基于格林函数的波形筛选方法下的电压降评分与实际电压降之间的相关性、传统筛选方法中基于功耗密度max power density的电压降评分与实际电压降之间的相关性和传统筛选方法中基于总功耗Toggle sum count的电压降评分与实际电压降之间的相关性。每个数据点代表一个波形片段，数据点越聚集为直线说明该评分方法越好。虚线内包络68％(1-σ)的数据点；实线内包络99％(3-σ)的数据点。基于图4，可看出基于本发明实施例提供的一种格林函数的波形筛选方法下的电压降评分与实际电压降的相关性优于现有技术中的传统方法。
参见图5，图5是本发明实施例提供的一种波形筛选方法效果比对图。图5中包含对三段2000ns的长波形Waveform进行筛选，选定波长Selected waveform fragment为20ns的效果。分别使用本发明实施例提供的一种基于格林函数的筛选方法Proposed以及现有技术中基于功耗密度的波形筛选方法和基于总功耗Total power的波形筛选方法，在波形1和波形2中基于三种波形筛选方法选出了不同的波形片段，基于格林函数的波形筛选方法选出的波形片段的最大瞬态电压降Worst dynamic IR-drop显著大于其余两种传统方法。在波形3中，基于格林函数的波形筛选方法和基于总功耗的筛选方法选出了相同的波形片段，但基于跟林函数的波形筛选方法筛选的波形中最大瞬态电压降大于基于功耗密度Powerdensity的筛选方法所选片段。相较于传统方法，本发明实施例提供的基于格林函数的波形筛选方法能够筛选出瞬态电迁移更差的波形片段。
参见图6，图6是本发明实施例提供的一种波形筛选方法的运行时间比对图。图6中展示了对一个200万instances规模的设计，使用本发明实施例提供的一种基于格林函数的筛选方法Proposed以及现有技术中基于功耗密度Power density based的波形筛选方法和基于总功耗Total power based的波形筛选方法，在处理不同长度的波形文件Waveformlength时的运行时间Profiling Runtime对比。可以看出，本方法所引入的额外运行时间开销相对显著减小。
本发明实施例中，还提供了一种基于格林函数的波形筛选，包括处理器、存储器以及存储在存储器中且被配置为由处理器执行的计算机程序，处理器执行计算机程序时实现上述的基于格林函数的波形筛选方法。
本发明实施例中，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述的基于格林函数的波形筛选方法。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在基于格林函数的波形筛选设备中的执行过程。
所述基于格林函数的波形筛选设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于格林函数的波形筛选设备可包括，但不仅限于，处理器、存储器、显示器。本领域技术人员可以理解，上述部件仅仅是基于格林函数的波形筛选设备的示例，并不构成对基于格林函数的波形筛选设备的限定，可以包括比所述部件更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于格林函数的波形筛选设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于格林函数的波形筛选设备的控制中心，利用各种接口和线路连接整个所述基于格林函数的波形筛选设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于格林函数的波形筛选设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述基于格林函数的波形筛选设备集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
区别于现有技术中仅通过对预设长度内的检测波形估计总功耗或最高功耗密度来筛选波形以进行瞬态电压降分析，本发明实施例提供一种基于格林函数的波形筛选方法，在计算每个功耗模块在每个时间段内的功耗值后，还基于格林函数计算每个功耗模块的电压降在全局空间上每一位置的电压降影响关联值，考虑全局空间上每个模块的位置关系产生的电压降影响，综合考虑时间、功耗、模块布局等多种因素生成整个检测波形的全局电压降评分，并以时间段为划分依据进行时间段极值点检测和排序，获取不同时间段内的全局电压降变化趋势，根据应用需求再自行选取预设排名范围内的时间段极值点对应的时间段检测波形作为波形筛选结果，提升波形筛选的精准度的同时还可以降低后级瞬态电压降分析的耗时。
参见图2，图2是本发明实施例提供的一种基于格林函数的波形筛选装置的模块结构图。本发明实施例提供一种基于格林函数的波形筛选装置，包括数据获取模块201、评分计算模块202和筛选分析模块203；
所述数据获取模块201用于基于预设时间间隔将目标检测波形划分为若干个时间段检测波形，并计算每个功耗模块在每个时间段内的功耗值；
所述评分计算模块202用于基于格林函数计算每个所述功耗模块的电压降相对于全局空间中每一位置的关联值；基于每个功耗模块的关联值和在每个时间段内的功耗值生成全局空间中每个位置在每个时间段内的局部电压降评分；
所述筛选分析模块203用于提取每个时间段内的最大局部电压降评分，生成全局电压降评分，基于所述全局电压降评分生成极值点时间段并进行排序，选取预设排名范围内的极值点时间段对应的时间段检测波形作为波形筛选结果。
一实施例中，所述评分计算模块202用于基于格林函数计算每个所述功耗模块的电压降相对于全局空间中每一位置的关联值，具体包括：
以每个所述功耗模块的中心位置坐标为输入，基于格林函数计算每个所述功耗模块相对于所述全局空间上每一位置的电压降影响关联值；其中，所述格林函数的表达式为：
式中，G(r，m)为功耗模块m相对于全局空间上任意位置r(x，y)的电压降影响关联值；(x’，y’)为功耗模块m的中心位置坐标。
一实施例中，所述基于每个功耗模块的关联值和在每个时间段内的功耗值生成全局空间中每个位置在每个时间段内的局部电压降评分，具体包括：
获取每个所述功耗模块相对于全局空间中每个位置的电压降影响关联值以及每个所述功耗模块在每个时间段内的功耗值；
基于所述功耗值和所述关联值，结合预设电压降评分计算公式生成每个所述全局空间中每个位置在每个时间段内的局部电压降评分；其中，所述电压降评分计算公式的表达式为：
式中，SIR(r，t)为r位置在第t个时间段中的电压降评分，M为全局空间中的全部功耗模块；Sm(t)表示叠加系数，为第m个功耗模块在第t个时间段中的功耗值；G(r，m)为功耗模块m相对于全局空间上任意位置r(x，y)的电压降影响关联值。
一实施例中，所述筛选分析模块203用于提取每个时间段内的最大局部电压降评分，生成全局电压降评分，具体包括：
获取所述全局空间中每个位置在每个时间段内的局部电压降评分；
提取每个时间段内的最大局部电压降评分作为单个时间段内的全局电压降评分；其中，单个时间段内的全局电压降评分的表示式为：
SIR(t)＝max(SIR(r，t))；
式中，SIR(t)为第t个时间段内的全局电压降评分；max(SIR(r，t))为第t个时间段中的最大局部电压降评分；
基于每个时间段内的全局电压降评分，生成所述目标检测波形的全局电压降评分。
一实施例中，所述提取每个时间段内的最大局部电压降评分，生成全局电压降评分，基于所述全局电压降评分生成极值点时间段并进行排序，选取预设排名范围内的极值点时间段对应的时间段检测波形作为波形筛选结果，具体包括：
对所述全局电压降评分中的每个时间段进行极大值检测；其中，当检测到相邻左右两个时间段的全局电压降评分低于当前时间段的全局电压降评分时，判定当前时间段为所述全局电压降评分的极大值点时间段；
获取所述全局电压降评分中的所有极大值点时间段，基于每个极大值点时间段对应的全局电压降评分对所述极大值点时间段进行排序；
输出预设排序范围内的极大值点时间段对应的检测波形为高风险波形筛选结果所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
区别于现有技术中仅通过对预设长度内的检测波形估计总功耗或最高功耗密度来筛选波形以进行瞬态电压降分析，本发明实施例提供一种基于格林函数的波形筛选装置，在计算每个功耗模块在每个时间段内的功耗值后，还基于格林函数计算每个功耗模块的电压降在全局空间上每一位置的电压降影响关联值，考虑全局空间上每个模块的位置关系产生的电压降影响，综合考虑时间、功耗、模块布局等多种因素生成整个检测波形的全局电压降评分，并以时间段为划分依据进行时间段极值点检测和排序，获取不同时间段内的全局电压降变化趋势，根据应用需求再自行选取预设排名范围内的时间段极值点对应的时间段检测波形作为波形筛选结果，提升波形筛选的精准度的同时还可以降低后级瞬态电压降分析的耗时。
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，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (10)

1.一种基于格林函数的波形筛选方法，其特征在于，包括：
基于预设时间间隔将目标检测波形划分为若干个时间段检测波形，并计算每个功耗模块在每个时间段内的功耗值；
基于格林函数计算每个所述功耗模块的电压降相对于全局空间中每一位置的关联值；其中，以每个所述功耗模块的中心位置坐标为输入，基于格林函数计算每个所述功耗模块相对于所述全局空间上每一位置的电压降影响关联值；
基于每个功耗模块的关联值和在每个时间段内的功耗值生成全局空间中每个位置在每个时间段内的局部电压降评分；其中，获取每个所述功耗模块相对于全局空间中每个位置的电压降影响关联值以及每个所述功耗模块在每个时间段内的功耗值；基于所述功耗值和所述关联值，结合预设电压降评分计算公式生成每个所述全局空间中每个位置在每个时间段内的局部电压降评分；
提取每个时间段内的最大局部电压降评分，生成全局电压降评分，基于所述全局电压降评分生成极值点时间段并进行排序，选取预设排名范围内的极值点时间段对应的时间段检测波形作为波形筛选结果。
2.如权利要求1所述的一种基于格林函数的波形筛选方法，其特征在于，所述基于格林函数计算每个所述功耗模块的电压降相对于全局空间中每一位置的关联值，具体包括：
所述格林函数的表达式为：
式中，G(r,m)为功耗模块m相对于全局空间上任意位置r(x,y)的电压降影响关联值；(x’,y’)为功耗模块m的中心位置坐标。
3.如权利要求1所述的一种基于格林函数的波形筛选方法，其特征在于，所述基于每个功耗模块的关联值和在每个时间段内的功耗值生成全局空间中每个位置在每个时间段内的局部电压降评分，具体包括：
所述电压降评分计算公式的表达式为：
式中，SIR(r,t)为r位置在第t个时间段中的电压降评分，M为全局空间中的全部功耗模块；Sm(t)表示叠加系数，为第m个功耗模块在第t个时间段中的功耗值；G(r,m)为功耗模块m相对于全局空间上任意位置r(x,y)的电压降影响关联值。
4.如权利要求1所述的一种基于格林函数的波形筛选方法，其特征在于，所述提取每个时间段内的最大局部电压降评分，生成全局电压降评分，具体包括：
获取所述全局空间中每个位置在每个时间段内的局部电压降评分；
提取每个时间段内的最大局部电压降评分作为单个时间段内的全局电压降评分；其中，单个时间段内的全局电压降评分的表示式为：
SIR(t)＝max(SIR(r,t))；
式中，SIR(t)为第t个时间段内的全局电压降评分；max(SIR(r,t))为第t个时间段中的最大局部电压降评分；
基于每个时间段内的全局电压降评分，生成所述目标检测波形的全局电压降评分。
5.如权利要求1所述的一种基于格林函数的波形筛选方法，其特征在于，所述提取每个时间段内的最大局部电压降评分，生成全局电压降评分，基于所述全局电压降评分生成极值点时间段并进行排序，选取预设排名范围内的极值点时间段对应的时间段检测波形作为波形筛选结果，具体包括：
对所述全局电压降评分中的每个时间段进行极大值检测；其中，当检测到相邻左右两个时间段的全局电压降评分低于当前时间段的全局电压降评分时，判定当前时间段为所述全局电压降评分的极大值点时间段；
获取所述全局电压降评分中的所有极大值点时间段，基于每个极大值点时间段对应的全局电压降评分对所述极大值点时间段进行排序；
输出预设排序范围内的极大值点时间段对应的检测波形为高风险波形筛选结果。
6.一种基于格林函数的波形筛选装置，其特征在于，包括数据获取模块、评分计算模块和筛选分析模块；
所述数据获取模块用于基于预设时间间隔将目标检测波形划分为若干个时间段检测波形，并计算每个功耗模块在每个时间段内的功耗值；
所述评分计算模块用于基于格林函数计算每个所述功耗模块的电压降相对于全局空间中每一位置的关联值；其中，以每个所述功耗模块的中心位置坐标为输入，基于格林函数计算每个所述功耗模块相对于所述全局空间上每一位置的电压降影响关联值；基于每个功耗模块的关联值和在每个时间段内的功耗值生成全局空间中每个位置在每个时间段内的局部电压降评分；其中，获取每个所述功耗模块相对于全局空间中每个位置的电压降影响关联值以及每个所述功耗模块在每个时间段内的功耗值；基于所述功耗值和所述关联值，结合预设电压降评分计算公式生成每个所述全局空间中每个位置在每个时间段内的局部电压降评分；
所述筛选分析模块用于提取每个时间段内的最大局部电压降评分，生成全局电压降评分，基于所述全局电压降评分生成极值点时间段并进行排序，选取预设排名范围内的极值点时间段对应的时间段检测波形作为波形筛选结果。
7.如权利要求6所述的一种基于格林函数的波形筛选装置，其特征在于，
所述基于格林函数计算每个所述功耗模块的电压降相对于全局空间中每一位置的关联值，具体包括：
以每个所述功耗模块的中心位置坐标为输入，基于格林函数计算每个所述功耗模块相对于所述全局空间上每一位置的电压降影响关联值；其中，所述格林函数的表达式为：
式中，G(r,m)为功耗模块m相对于全局空间上任意位置r(x,y)的电压降影响关联值；(x’,y’)为功耗模块m的中心位置坐标。
8.如权利要求6所述的一种基于格林函数的波形筛选装置，其特征在于，所述基于每个功耗模块的关联值和在每个时间段内的功耗值生成全局空间中每个位置在每个时间段内的局部电压降评分，具体包括：
获取每个所述功耗模块相对于全局空间中每个位置的电压降影响关联值以及每个所述功耗模块在每个时间段内的功耗值；
基于所述功耗值和所述关联值，结合预设电压降评分计算公式生成每个所述全局空间中每个位置在每个时间段内的局部电压降评分；其中，所述电压降评分计算公式的表达式为：
式中，SIR(r,t)为r位置在第t个时间段中的电压降评分，M为全局空间中的全部功耗模块；Sm(t)表示叠加系数，为第m个功耗模块在第t个时间段中的功耗值；G(r,m)为功耗模块m相对于全局空间上任意位置r(x,y)的电压降影响关联值。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5任意一项所述的基于格林函数的波形筛选方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的基于格林函数的波形筛选方法。
CN202310681934.5A 2023-06-08 2023-06-08 一种基于格林函数的波形筛选方法及装置 Active CN116681023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310681934.5A CN116681023B (zh) 2023-06-08 2023-06-08 一种基于格林函数的波形筛选方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310681934.5A CN116681023B (zh) 2023-06-08 2023-06-08 一种基于格林函数的波形筛选方法及装置

Publications (2)

Publication Number Publication Date
CN116681023A CN116681023A (zh) 2023-09-01
CN116681023B true CN116681023B (zh) 2024-04-09

Family

ID=87790491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310681934.5A Active CN116681023B (zh) 2023-06-08 2023-06-08 一种基于格林函数的波形筛选方法及装置

Country Status (1)

Country Link
CN (1) CN116681023B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106285568A (zh) * 2016-08-31 2017-01-04 延安大学 一种基于格林函数的分支水平井开采方法
CN110455423A (zh) * 2019-08-20 2019-11-15 武汉科瑞新电气自动化有限公司 一种超远距离低功耗温度监测传感器
CN110553629A (zh) * 2019-09-20 2019-12-10 中南大学 一种基于边缘计算的无人机目标追踪功耗优化方法及系统
CN114692552A (zh) * 2022-03-24 2022-07-01 中国长城科技集团股份有限公司 一种三维芯片的布局方法、装置及终端设备
CN114936112A (zh) * 2022-07-22 2022-08-23 深圳市国芯物联科技有限公司 无源超高频电子标签芯片数字基带处理器控制方法
CN115686631A (zh) * 2022-11-07 2023-02-03 合芯科技有限公司 一种基于知识基的随机指令生成方法、装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10385799B2 (en) * 2015-12-30 2019-08-20 International Business Machines Corporation Waveform analytics for optimizing performance of a machine

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106285568A (zh) * 2016-08-31 2017-01-04 延安大学 一种基于格林函数的分支水平井开采方法
CN110455423A (zh) * 2019-08-20 2019-11-15 武汉科瑞新电气自动化有限公司 一种超远距离低功耗温度监测传感器
CN110553629A (zh) * 2019-09-20 2019-12-10 中南大学 一种基于边缘计算的无人机目标追踪功耗优化方法及系统
CN114692552A (zh) * 2022-03-24 2022-07-01 中国长城科技集团股份有限公司 一种三维芯片的布局方法、装置及终端设备
CN114936112A (zh) * 2022-07-22 2022-08-23 深圳市国芯物联科技有限公司 无源超高频电子标签芯片数字基带处理器控制方法
CN115686631A (zh) * 2022-11-07 2023-02-03 合芯科技有限公司 一种基于知识基的随机指令生成方法、装置及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Kate E. Allstadt 等.Measuring Basal Force Fluctuations of Debris Flows Using Seismic Recordings and Empirical Green's Functions.《Journal of Geophysical Research: Earth Surface》.2020,全文. *
基于DIC方法与声发射的花岗岩断裂过程区范围研究;傅帅旸 等;《岩石力学与工程学报》;第41卷(第12期);全文 *
基于串联谐振试验电源的电缆故障定位技术;李鸣镝;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;全文 *
基于改进Dijkstra算法的人群反馈调节疏散;任少强 等;《计算机系统应用》;全文 *

Also Published As

Publication number Publication date
CN116681023A (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN109189991A (zh) 重复视频识别方法、装置、终端及计算机可读存储介质
CN110457577B (zh) 数据处理方法、装置、设备和计算机存储介质
CN109656366B (zh) 一种情感状态识别方法、装置、计算机设备及存储介质
US20120023110A1 (en) Adaptive Processing for Sequence Alignment
JP2014095967A (ja) 情報処理装置、情報処理方法およびプログラム
CN111611936A (zh) 一种cad图纸中相似矢量图的自动识别系统
US20120026902A1 (en) Computing device and crosstalk information detection method
JP2011243007A (ja) 画像処理装置、その処理方法及びプログラム
CN116681023B (zh) 一种基于格林函数的波形筛选方法及装置
CN110287238A (zh) 一种基于先验知识的异常水质检测方法及系统
JP5793228B1 (ja) 欠陥数予測装置及び欠陥数予測プログラム
CN112416709B (zh) 芯片动态功耗估计方法、装置、处理器芯片及服务器
CN116167330A (zh) 时钟树综合方法、装置、电子设备及计算机可读存储介质
CN105224957A (zh) 一种基于单样本的图像识别的方法及系统
CN111382760A (zh) 图片类别的识别方法、装置及计算机可读存储介质
CN112037814B (zh) 一种音频指纹的提取方法、装置、电子设备及存储介质
US8161446B2 (en) System and method of connecting a macro cell to a system power supply
CN111785237B (zh) 音频节奏确定方法、装置、存储介质和电子设备
CN110647826B (zh) 商品训练图片的获取方法、装置、计算机设备和存储介质
CN113705625A (zh) 异常生活保障申请家庭的识别方法、装置及电子设备
CN113378902A (zh) 一种基于优化视频特征的视频抄袭检测方法
CN106792510B (zh) 一种指纹定位中的预测式指纹图搜索方法
KR101687941B1 (ko) 온라인 필기 데이터 라인 분할 방법 및 이를 이용하는 장치
US6473887B1 (en) Inclusion of global wires in capacitance extraction
CN107735800B (zh) 一种图像处理方法以及相关装置

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
GR01 Patent grant
GR01 Patent grant