CN116882333B - 一种芯片极限频率的预测方法、装置、设备及介质 - Google Patents

一种芯片极限频率的预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN116882333B
CN116882333B CN202311134151.1A CN202311134151A CN116882333B CN 116882333 B CN116882333 B CN 116882333B CN 202311134151 A CN202311134151 A CN 202311134151A CN 116882333 B CN116882333 B CN 116882333B
Authority
CN
China
Prior art keywords
chip
data set
prediction
inputting
prediction model
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
CN202311134151.1A
Other languages
English (en)
Other versions
CN116882333A (zh
Inventor
赖振楠
李文俊
张兴华
肖浩
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.)
Hosin Global Electronics Co Ltd
Original Assignee
Hosin Global Electronics 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 Hosin Global Electronics Co Ltd filed Critical Hosin Global Electronics Co Ltd
Priority to CN202311134151.1A priority Critical patent/CN116882333B/zh
Publication of CN116882333A publication Critical patent/CN116882333A/zh
Application granted granted Critical
Publication of CN116882333B publication Critical patent/CN116882333B/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
    • G06F30/32—Circuit design at the digital level
    • G06F30/33—Design verification, e.g. functional simulation or model checking
    • G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2851—Testing of integrated circuits [IC]
    • G01R31/2855—Environmental, reliability or burn-in testing
    • G01R31/2872—Environmental, reliability or burn-in testing related to electrical or environmental aspects, e.g. temperature, humidity, vibration, nuclear radiation
    • G01R31/2874—Environmental, reliability or burn-in testing related to electrical or environmental aspects, e.g. temperature, humidity, vibration, nuclear radiation related to temperature
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Toxicology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种芯片极限频率的预测方法、装置、设备及介质，所述方法包括：获取芯片当前的工作温度范围；获取芯片历史运行过程中的若干组工作温度范围以及在不同工作温度范围下的运行频率，生成数据集；采用所述数据集对LSTM网络进行训练，生成预测模型；将所述芯片当前的工作温度范围输入至所述预测模型，得到芯片的极限频率。本发明只需要根据芯片的工作温度范围和预测模型，就可以快速地预测出芯片的极限频率，提高了预测效率，并降低了成本。

Description

一种芯片极限频率的预测方法、装置、设备及介质
技术领域
本发明涉及芯片测试技术领域，尤其涉及一种芯片极限频率的预测方法、装置、设备及介质。
背景技术
芯片的极限频率通常是指芯片在正常工作温度和电压条件下可以安全和稳定地运行的最高频率范围。在芯片出厂前，对芯片的极限频率进行测试十分关键，目前，为了测试芯片工作温度与极限频率的关系，通常是先设定一个起始频率，将芯片的工作频率设定在合理的起始值，确保芯片能够正常启动和运行。然后再逐步增加温度，以确定芯片的可运行的极限频率。然而，这种测试方式存在自身的缺陷：第一，测试效率较低，不能投入大规模的测试中；第二，在逐步增加温度的过程中会对芯片自身性能造成一定的影响，不仅不能准确地测出芯片的极限工作频率，且容易损伤器件本身，其测试成本较大。
发明内容
为了解决上述提出的至少一个技术问题，本发明提供一种芯片极限频率的预测方法、装置、设备及介质，能够通过较低的成本，准确地测试出芯片的极限频率。
第一方面，本发明提供了一种芯片极限频率的预测方法，所述方法包括：
获取芯片当前的工作温度范围；
获取芯片历史运行过程中的若干组工作温度范围以及在不同工作温度范围下的运行频率，生成数据集；
采用所述数据集对LSTM网络进行训练，生成预测模型，包括：
对所述数据集进行预处理，生成输入数据；
将所述输入数据输入至所述LSTM网络的LSTM隐藏层，输出特征向量；
将所述特征向量输入至所述LSTM网络的Attention 机制层，计算不同特征向量的概率权重，输出所述特征向量与所述概率权重的加权结果；
将所述特征向量与所述概率权重的加权结果输入至所述LSTM网络的全连接层，对加权后的特征向量进行映射，输出预测结果；
利用评价指标评估所述预测结果的精度，直至精度满足预设条件时，生成预测模型；
将所述芯片当前的工作温度范围输入至所述预测模型，得到芯片的极限频率。
在一种可能的实施方式中，对所述数据集进行预处理，生成输入数据，包括：
利用SAE算法对所述数据集进行特征降维；
利用随机森林算法、自适应集成算法和/或梯度提升树算法对降维后的数据集进行拟合；
根据拟合后的综合指标，筛选出相关性最大的特征量；
将不同组所述工作温度范围和所述特征量进行融合，作为所述LSTM网络的输入数据。
在一种可能的实施方式中，在所述利用评价指标评估所述预测结果的精度之前，还包括：
利用层次分析法，对平均绝对误差指标、平均绝对百分比误差指标及均方根误差指标进行处理，得到所述评价指标。
在一种可能的实施方式中，在所述将所述芯片的工作温度范围输入至预测模型之后，还包括：
获取芯片节点的厚度；
对所述芯片节点的厚度进行正态分布拟合，得到失效分布函数，以构建可靠度函数；
利用所述可靠度函数对所述预测模型输出的极限频率进行修正。
在一种可能的实施方式中，所述对所述芯片节点的厚度进行正态分布拟合，得到失效分布函数，以构建可靠度函数，包括：
计算失效分布函数：
其中，分别为零退化率和零偏扩散系数的估计值，/>为标准正态分布函数，W1为零偏退化失效阈值；
根据失效分布函数构建可靠度函数：
其中，为可靠度函数。
第二方面，还提供了一种芯片极限频率的预测装置，所述装置包括：
参数获取单元，用于获取芯片当前的工作温度范围；
数据集生成单元，用于获取芯片历史运行过程中的若干组工作温度范围以及在不同工作温度范围下的运行频率，生成数据集；
预测模型训练单元，用于采用所述数据集对LSTM网络进行训练，生成预测模型，包括：
对所述数据集进行预处理，生成输入数据；
将所述输入数据输入至所述LSTM网络的LSTM隐藏层，输出特征向量；
将所述特征向量输入至所述LSTM网络的Attention 机制层，计算不同特征向量的概率权重，输出所述特征向量与所述概率权重的加权结果；
将所述特征向量与所述概率权重的加权结果输入至所述LSTM网络的全连接层，对加权后的特征向量进行映射，输出预测结果；
利用评价指标评估所述预测结果的精度，直至精度满足预设条件时，生成预测模型；
预测单元，用于将所述芯片当前的工作温度范围输入至所述预测模型，得到芯片的极限频率。
第三方面，本发明还提供了一种电子设备，包括：处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如上述第一方面及其任意一种可能实现的方式的方法。
第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行如上述第一方面及其任意一种可能实现的方式的方法。
与现有技术相比，本发明的有益效果在于：
本发明通过训练得到预测模型，在预测芯片的极限频率时只需要获取当前的芯片的工作温度范围，将所述芯片的工作温度范围输入至预测模型后，即可得到芯片的极限频率。本发明无需通过逐步升高芯片工作温度的方式去测量对应的运行频率，只需要通过提前训练好的预测模型直接预测芯片的极限频率，加快了预测效率，并降低了预测成本，适用于大批量测试过程中。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1为本发明实施例提供的一种芯片极限频率的预测方法的流程示意图；
图2为本发明实施例提供的LSTM-Attention 预测模型的结构示意图；
图3为本发明实施例提供的一种芯片极限频率的预测装置的结构示意图；
图4为本发明实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“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他步骤或单元。
本实施例中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本实施例中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在本实施例中提及“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发明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，本实施例所描述的实施例可以与其它实施例相结合。
另外，为了更好地说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样能够实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本发明的主旨。
目前，为了测试芯片工作温度与极限频率的关系，通常是先设定一个起始频率，将芯片的工作频率设定在合理的起始值，确保芯片能够正常启动和运行。然后再逐步增加温度，以确定芯片的可运行的极限频率。然而这种方式不仅测试效率低、无法投入大规模地测试，另一方面还容易通过升温测试对芯片本身地性能造成影响，进而减少器件寿命，增大测试成本。为此，本发明旨在提供一种芯片极限频率的预测方法，通过预先训练好的预测模型，在预测芯片地极限频率时只需要将获取的温度数据输入模型，即可得到最终的极限频率，如此可大大提高预测效率，并降低预测成本，适用于大规模的预测过程。
请参阅图1，图1为本发明实施例（一）提供的一种芯片极限频率的预测方法的流程示意图。
一种芯片极限频率的预测方法，包括：
S10、获取芯片当前的工作温度范围；
S20、获取芯片历史运行过程中的若干组工作温度范围以及在不同工作温度范围下的运行频率，生成数据集；
S30、采用数据集对LSTM网络进行训练，生成预测模型，包括：
S301、对数据集进行预处理，生成输入数据；
S302、将输入数据输入至LSTM网络的LSTM隐藏层，输出特征向量；
S303、将特征向量输入至LSTM网络的Attention 机制层，计算不同特征向量的概率权重，输出特征向量与概率权重的加权结果；
S304、将特征向量与概率权重的加权结果输入至LSTM网络的全连接层，对加权后的特征向量进行映射，输出预测结果；
S305、利用评价指标评估预测结果的精度，直至精度满足预设条件时，生成预测模型；
S40、将芯片当前的工作温度范围输入至所述预测模型，得到芯片的极限频率。
通常，反向传播(back propagation, BP) 神经网络是通过模拟人体大脑对信息的处理过程而设计出来的, 其通过内部网络的隐藏层及各神经元的连接能挖掘出负荷数据间存在的潜在关系；但是，BP神经网络具有仅前向传播的缺点。 因此, 具有“记忆”功能的循环神网络RNN应运而生。 RNN最常采用的思路是梯度下降法, 通过不断修正训练模型的权重, 从而使总的损失函数达到最小, 最终完成模型的训练。但随着 RNN的前向传播/反向传播, RNN 网络会出现“过度依赖”，发生“梯度爆炸” 情况, 影响最终模型的训练效果。针对 RNN 的缺点, 长短期记忆单元LSTM 被提出。LSTM 继承了RNN记忆的优点, 其内部结构由输入门、 遗忘门、 输出门组成。 LSTM 在 RNN 基础上增加了“遗忘门”，使整个训练网络在传播时, 选择性地保留下有用的神经元流动到下一网络中, 从而既考虑了数据间时序的关联性, 又解决了 RNN 存在的“梯度消失”等问题, 提升了最终训练效果。因此本实施例主要基于LSTM网络进行预测模型的训练。
芯片的工作温度范围取决于具体的芯片类型和设计。一般来说，大多数芯片的标准工作温度范围通常在0°C至85°C之间。这个范围被称为商业级温度范围，适用于大多数消费电子产品和计算机设备。
除了商业级温度范围外，还有一些特殊应用的芯片具有更广泛或更严苛的工作温度范围。例如，工业级芯片通常能够在-40°C至85°C之间正常工作，用于工业自动化和汽车电子等环境恶劣的应用。此外，还有军用级芯片，其工作温度范围通常在-55°C至125°C之间，用于军事和航空航天等极端环境下的应用。
芯片的极限频率是指芯片在正常工作温度和电压条件下可以安全和稳定地运行的最高频率范围。
一般来说，温度对芯片性能的影响可以分为两个方面：
导致频率限制：高温会导致芯片中晶体管的导电能力下降，这可能限制芯片能够达到的最高频率。当温度升高时，晶体管的电流传输速度会减慢，从而限制了芯片运行的最高速度。因此，在高温环境中，芯片可能无法以其额定的最高频率运行。
功耗和稳定性：高温环境会增加芯片的功耗和电子元件之间的电子迁移。这可能会导致电路的稳定性下降，信号传输的可靠性降低。在高温下，芯片可能产生更多的热量，需要更多的功耗来维持正常操作，这可能对整个系统的性能产生负面影响。
本实施例中，为了研究温度与运行频率的关系，因此在训练预测模型时主要讲温度数据作为输入，频率数据作为输出，进行可以训练出一个能够预测芯片的极限频率的模型。
具体地，首先获取芯片的工作温度范围，该温度范围可以是根据测试要求人为规定的，也可以是能够保证芯片正常工作时的最高温度和最低温度。在预测时，通常可以先确定芯片的工作温度范围，然后从中获取芯片的最大工作温度，然后只需要将最大工作温度对应的值输入至预测模型，即可得到芯片的极限频率。
因此，上述实施例通过预测模型能够快速的预测出芯片的极限频率，大大提高了预测效率，避免了对器件的损坏，进而降低了测试成本。
在一种可能的实施方式中，对数据集进行预处理，生成输入数据，包括：
1）利用SAE算法对数据集进行特征降维；
2）利用随机森林算法、自适应集成算法和/或梯度提升树算法对降维后的数据集进行拟合；
3）根据拟合后的综合指标，筛选出相关性最大的特征量；
4）将不同组工作温度范围和特征量进行融合，作为LSTM网络的输入数据。
SAE算法是一种自监督神经网络模型，在模型架构上的设计具有较高自由度，本方法采用一个7层对称式的全连接网络架构，由于本研究中用以建模的VIS-NIR高光谱数据共有400个特征波长，因此本研究的7层SAE模型各层的神经元个数为400-300-X-300-400；每一层全连接层后接ReLU激活函数。
优选地，步骤1）中，通过SAE算法对数据集进行特征降维能够实现以下优点：
去除冗余信息：SAE算法通过自动编码器的学习过程，可以将输入数据进行重建，并且在重建过程中会自动去除那些对于重建效果影响较小的特征，从而去除了数据中的冗余信息。
保留重要特征：SAE算法可以通过自动编码器的学习过程，将输入数据经过编码层得到具有更低维度的特征表示。在这个过程中，SAE会保留对于数据重建和模型性能有重要影响的特征，从而更好地呈现数据集的本质特征。
数据可视化：特征降维后的数据更适合于可视化分析。SAE可以将高维数据映射到低维空间，使数据可视化更加直观，便于进一步的数据探索和分析。
减少计算成本：降低数据维度可以减少模型训练和评估的计算复杂度，加快算法的执行速度。这对于处理大规模数据集和实时应用非常有益。
缓解维度灾难：随着特征数量的增加，维度灾难会导致模型复杂度增加、计算效率下降和模型泛化能力下降等问题。SAE通过降低数据的维度，可以一定程度上缓解维度灾难，提高模型的效果和泛化能力。
在一个实施例中，步骤2）利用随机森林算法、自适应集成算法和/或梯度提升树算法对降维后的数据集进行拟合。
随机森林算法, 对噪声和异常数据不敏感, 适应高维特征大样本, 但对小数据、低维数据没有较好的训练效果；GBDT算法, 能灵活处理各类型数据, 但无法并行处理数据; AdaBoost 算法, 集成了泛化性能较差的学习器后能获得较好的学习性能, 不容易发生过拟合, 但异常数据较为敏感。不同的树模型在训练数据时, 除存在固有缺陷外, 训练效果还受模型参数影响, 从而使训练后获取的特征重要性大小不可靠。 另外, 不同树模型采用的特征重要性指标计算方法也不同。 为使特征选择算法适应于不同类型的特征,克服不同树模型的缺陷, 并从多角度综合评估特征的重要性, 本实施例提出一种多模型综合的特征量选择方法, 根据随机森林算法、 GBDT 算法和AdaBoost 算法的训练结果,综合筛选并保留相关系数较大的特征。
随机森林算法是根据 Bagging 集成学习理论及随机子空间理论提出的, 算法中包含了多颗决策树，最终分类结果由所有决策树共同决定。 随机森林算法的基本步骤是先采用 Bagging 思想有放回地抽取部分训练样本, 接着在随机抽取得到的训练样本中建立决策树, 而决策树的节点特征是从随机抽取的固定数量的特征空间中按照特征选择准则进行抽取, 最后直至所有特征与训练样本均被抽取后停止训练。 随机森林算法在训练结束后, 可计算各特征向量的重要性大小并进行排序, 计算重要性大小的方式有袋外数据计算误差值、 基尼(Gini)系数等。随机森林算法的决策树在抽取样本时, 每次都是随机有放回地抽取固定数量的样本, 同一样本可能在训练时被多次抽中, 而存在部分没有被选中的数据样本, 被忽略的样本称为“袋外数据”。 袋外数据可用来评估随机森林中决策树的性能及模型的预测错误率, 同时也将该预测错误率称为“袋外误差”。
本实施例采用袋外误差表征随机森林算法训练后得到的特征重要性，假设袋外数据样本总数为dob, 数据特征维度为 m , 决策树数目为T , 具体特征重要性计算过程如下：
(1) 将dob 组袋外数据代入已经训练结束的随机森林模型, 计算包含特征Xz (z=1 ,2, … ,m )的袋外数据在每一颗决策树上的袋外误差值，记为：
(2) 对包含特征xz 的袋外数据进行噪声干扰(如改变样本中Xz的大小)，重新代入模型后计算袋外误差, 记为：
(3) 计算袋外误差值, 即利用随机森林算法得出Xz的特征重要性IRFz：
GBDT 算法与随机森林算法相似, 同样也是以决策树为基学习器。 但GBDT算法采用的是Boosting思想, 每次迭代是在上一次学习的基础上进行改进, 每一颗决策树会学习到上一级所有决策树的结论及残差。GBDT 算法在迭代过程中, 采用梯度下降思想,不断拟合损失函数, 从而找到最优模型。 GBDT算法会根据变量的 Gini 系数不纯度变化量来选择决策树的分裂节点, 因此可通过计算 Gini 系数不纯度变化量来衡量变量在决策树的重要程度, 即特征的重要性。具体计算过程如下：
假设数据集特征维度为 m，类别数为N。首先计算出节点在决策树下的Gini系数大小：
式中：为第k颗决策树下节点v的Gini系数；/>为节点/>下类别/>所占比例。
接着，计算特征在节点/>分支前后的 Gini系数的变化量/>：
式中和/>分别为分支后2个新节点的Gini系数。
设特征在决策树/>下出现的节点集合为Q，则/>在第k决策树下的重要性为
假设GBDT算法训练过程中共产生了T'颗树，则特征在所有树中的重要性为
最后，对其进行归一化操作，得到经过GBDT算法训练后获得的特征的最终重要性评分/>：
Adaboost算法是一种基于Boosting思想的集成学习方法，算法将多个弱学习器进行加权组合，从而获得一个具有较强学习性能的强学习器。在算法训练过程中,每次循环均根据弱学习器上次循环的训练误差赋予学习器不同的权值，不断对数据进行权值修改,将修改权值后的数据传送到下一层学习器进行训练，从而形成最终的预测函数。AdaBoost算法既能应用分类问题又能解决回归预测问题，如果对其进行稍加修改,将数据集的每个特征对应于一个弱学习器，那么在AdaBoost算法流程中计算弱学习器权重的同时也是在进行特征的重要性计算。AdaBoost具体算法流程如下：
(1)假设有dall个数据样本，记经过第p次迭代得到的弱学习器组为，其中s=1,2,…,/>。依据特征维度，设置弱学习器数量为m，初始化各数据样本的初始权重大小。
(2)将经过加权后的训练数据集输入到弱学习器中，得到第p次迭代下各学习器的预测输出，根据模型输出结果计算误差和。
式中：为模型预测输出值；/>为真实值。
(3)依据预测误差和获取序列权重/>。
(4)依据序列权值重新计算弱学习器下一轮的训练样本权重。
式中为归一化因子。
得到新的训练样本权重后，判断误差是否满足退出条件。满足则退出，并合成最终的强预测函数；不满足则跳转至步骤(2)，继续迭代。
依据上述流程,在迭代结束后便可依据各特征对应的弱学习器最终的学习权重,输出各特征的重要性大小。在选择AdaBoost算法中的弱学习器时，可选择树模型外的机器学习模型，从而使训练模型更加具有泛化性。
3）根据拟合后的综合指标，筛选出相关性最大的特征量；
基于上述对3 种模型的分析可知, 不同机器学习方法在进行特征重要性计算时,采用的衡量指标有所不同, 如随机森林算法采用袋外误差变化量,GBDT算法采用Gini系数变化量, AdaBoost 采用弱学习器的权重。在进行特征选择时, 仅采用1个指标或1 种模型的训练结果来权衡特征的重要性,会受到特征类型(离散或连续) 、 模型参数设置的影响,从而导致输出的特征重要性指标不可靠。因此，本实施例中提出利用随 机森林算法、 GBDT算法和AdaBoost 算法分别计算特征的重要性指标, 对各模型的指标进行归一化操作后相加输出各个特征的综合特征贡献度, 综合分析后选择出贡献度较大的特征作为后续 LSTM网络的输入。
具体地，定义特征Xz 的特征综合相关系数ISYNz为:
其中，为经随机森林模型拟合后的特征量相关系数；/>为 GBDT 模型拟合后的特征量相关系数；/>为AdaBoost模型拟合后的特征量相关系数。
输出综合特征重要系数后, 计算各特征重要性在总特征重要性中所占比例, 剔除比例远小于其他特征重要性比例的特征, 从而完成特征的筛选。
4）将不同组工作温度范围和特征量进行融合，作为LSTM网络的输入数据。
本实施例依据3 种算法拟合后的综合指标筛选出相关性较大的特征，大大提升了模型训练的效果。
在一种可能的实施方式中，步骤S30、采用数据集对LSTM网络进行训练，生成预测模型，包括：
S301、对数据集进行预处理，生成输入数据；
S302、将输入数据输入至LSTM网络的LSTM隐藏层，输出特征向量；
S303、将特征向量输入至LSTM网络的Attention 机制层，计算不同特征向量的概率权重，输出特征向量与概率权重的加权结果；
S304、将特征向量与概率权重的加权结果输入至LSTM网络的全连接层，对加权后的特征向量进行映射，输出预测结果；
S305、利用评价指标评估预测结果的精度，直至精度满足预设条件时，生成预测模型。
LSTM对输入特征进行处理时, 将全部特征均处理为统一长度的向量。但这样处理会弱化负荷数据与特征间的相关性, 使关联性较大的特征没有得到有效利用。对此，Attention机制是模拟人的视觉机制接受信息的过程, 将注意力聚焦于较高价值的信息中, 而对低价值的信息不再过多关注。
Attention 机制是通过模拟人脑接受信息后, 对不同信息的关注程度不同, 从而对不同信息处理时赋予不同相关系数权重。 Attention 机制中:x1 ,x2 , … ,xn为负荷大小及其影响因素的原始输入；h1 ,h2 , … ,hn 为LSTM 隐藏层输出的状态值；α1 ,α2, … ,αn为 Attention 机制赋予每个隐藏层输出状态值的概率分布值；y 为最终网络的输出。
本实施例构建的 LSTM-Attention预测模型, 其结构由原始数据向量、LSTM 层、Attention 机制层及全连接层组成, 如图2所示。 基本实现思路是首先将输入向量X =[x1 ,x2 , … ,xn ] 输入到 LSTM 隐藏层中, 再将 LSTM 隐藏层输出向量h = [h1 ,h2, … ,hn ]输入到 Attention 机制层中, Attention 机制层对隐藏层输出的向量赋予注意力概率权重α = [α1 ,α2 , … ,αn ] , 提高较为重要特征的权重, 削弱相关性较弱的特征的影响。 最终将所有向量输入到全连接层中, 得到 LSTM-Attention 的预测值y 。
在一个实施例中，构建网络输入向量前, 应对数据集进行归一化操作, 消除奇异样本对预测结果的影响, 本实施例采用如下 min-max 归一化处理方法, 将原始数据映射到[0,1]区间内：
式中，为该变量的真实值；/>为该变量归一化后的值;/>为该变量在样本数据中的最小值；/>为该变量在样本数据中的最大值。
假设u时刻的特征向量为Au，另一时刻的特征向量为Lu，因此输入向量为：
X = [Au ,Lu ]。
将构建好的输入向量 X 输出到 LSTM 隐藏层中进行训练学习, 从而获取 X 的内部变动规律, 则第u 时刻对应的输出向量为：
hu =LSTM(Hu-1 ,Hu )
下一级 Attention 机制层根据上一级 LSTM 隐
藏层各时刻的输出, 计算各时刻各特征向量的概率分布值αu，再经过softmax 层对αu进行归一化操作得到特征权重：
其中，均为权重系数矩阵，/>为偏置系数；/>为 LSTM 输出的向量维度。
获取该时刻特征权重后, 对上一级 LSTM隐藏层在该时刻的输出hu 进行加权计算后得到Attention 机制层的输出λu :
最后, 经过全连接层(dense) , 将经过 Attention机制层后的各时刻输出向量映射至原始向量维度,输出最终的预测结果。u 时刻预测值计算如下：
其中，Wout为输出权重系数矩阵，bout为输出偏置系数矩阵。
优选地，在建立 LSTM 隐藏层模型时, 需要预先设置如下参数：LSTM 层数、 各层神经元数、迭代次数、批量大小。其中, LSTM 层数越多, 网络的非线性拟合能力越强, 预测性能也会随之提高; 但当网络层数大于2 时, 预测性能不会增强且运行时间会成倍增加, 因此本实施例采用双层 LSTM网络进行训练预测。 对于其他网络超参数, 采用网格搜索法进行参数寻优, 确定出最优设置值。
基于上述分析, 本实施例提出的预测方法。 在预测前, 对数据集进行预处理,利用随机森林算法、 自适应集成(adaptive boosting, AdaBoost)算法、 梯度提升树(gradient boosting decision tree,GBDT) 算法同时对数据集进行拟合, 依据3 种算法拟合后的综合指标筛选出相关性较大的特征；数据预处理后, 将原始数据中的温度数据与筛选后的特征量作为基于Attention机制的LSTM网络输入。 最后,对模型训练结果进行验证。
在一种可能的实施方式中，在利用评价指标评估预测结果的精度之前，还包括：
利用层次分析法，对平均绝对误差指标、平均绝对百分比误差指标及均方根误差指标进行处理，得到所述评价指标。
其中，a为预测的总时刻数，为u时刻的极限频率真实值，/>为u时刻的极限频率预测值。
需要说明的是，层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案。
本实施例中，通过引入层次分析法，避免了采用单一指标评估不准确的问题。
在一种可能的实施方式中，在将芯片当前的工作温度范围输入至预测模型之后，还包括：
获取芯片节点的厚度；
对芯片节点的厚度进行正态分布拟合，得到失效分布函数，以构建可靠度函数；
利用可靠度函数对预测模型输出的极限频率进行修正。
进一步地，对芯片节点的厚度进行正态分布拟合，得到失效分布函数，以构建可靠度函数，包括：
计算失效分布函数：
其中，分别为零退化率和零偏扩散系数的估计值，/>为标准正态分布函数，W1为零偏退化失效阈值；
根据失效分布函数构建可靠度函数：
其中，为可靠度函数。
在可靠度分析中，可靠度函数是用来描述系统或组件在给定时间内正常运行的概率。由于芯片本身的结构问题，在采用预测模型预测时会存在极限频率不准确的问题，此时通过可靠度函数对预测模型输出的极限频率进行修正，能够进一步提高所预测的极限频率的准确性。
请参阅图3，在一个实施例中，还提供了一种芯片极限频率的预测装置，该装置包括：
参数获取单元100，用于获取芯片当前的工作温度范围；
数据集生成单元200，用于获取芯片历史运行过程中的若干组工作温度范围以及在不同工作温度范围下的运行频率，生成数据集；
预测模型训练单元300，用于采用数据集对LSTM网络进行训练，生成预测模型，包括：
对数据集进行预处理，生成输入数据；
将输入数据输入至LSTM网络的LSTM隐藏层，输出特征向量；
将特征向量输入至LSTM网络的Attention 机制层，计算不同特征向量的概率权重，输出特征向量与概率权重的加权结果；
将特征向量与概率权重的加权结果输入至LSTM网络的全连接层，对加权后的特征向量进行映射，输出预测结果；
利用评价指标评估预测结果的精度，直至精度满足预设条件时，生成预测模型；
预测单元400，用于将芯片当前的工作温度范围输入至预测模型，得到芯片的极限频率。
在一些实施例中，本发明公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本发明还提供了一种电子设备，包括：处理器、发送装置、输入装置、输出装置和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如上述任意一种可能实现的方式的方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行如上述任意一种可能实现的方式的方法。
请参阅图4，图4为本发明实施例提供的一种电子设备的硬件结构示意图。
该电子设备2包括处理器21，存储器22，输入装置23，输出装置24。该处理器21、存储器22、输入装置23和输出装置24通过连接器相耦合，该连接器包括各类接口、传输线或总线等等，本发明实施例对此不作限定。应当理解，本发明的各个实施例中，耦合是指通过特定方式的相互联系，包括直接相连或者通过其他设备间接相连，例如可以通过各类接口、传输线、总线等相连。
处理器21可以是一个或多个图形处理器（graphics processing unit， GPU），在处理器21是一个GPU的情况下，该GPU可以是单核GPU，也可以是多核GPU。可选的，处理器21可以是多个GPU构成的处理器组，多个处理器之间通过一个或多个总线彼此耦合。可选的，该处理器还可以为其他类型的处理器等等，本发明实施例不作限定。
存储器22可用于存储计算机程序指令，以及用于执行本发明方案的程序代码在内的各类计算机程序代码。可选地，存储器包括但不限于是随机存储记忆体（random accessmemory，RAM）、只读存储器（read-only memory，ROM）、可擦除可编程只读存储器（erasableprogrammable read only memory，EPROM）、或便携式只读存储器（compact disc read-only memory，CD-ROM），该存储器用于相关指令及数据。
输入装置23用于输入数据和/或信号，以及输出装置24用于输出数据和/或信号。输出装置23和输入装置24可以是独立的器件，也可以是一个整体的器件。
可理解，本发明实施例中，存储器22不仅可用于存储相关指令，本发明实施例对于该存储器中具体所存储的数据不作限定。
可以理解的是，图4仅仅示出了一种电子设备的简化设计。在实际应用中，电子设备还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出装置、处理器、存储器等，而所有可以实现本发明实施例的视频解析装置都在本发明的保护范围之内。
本领域普通技术人员可以意识到，结合本实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。所属领域的技术人员还可以清楚地了解到，本发明各个实施例描述各有侧重，为描述的方便和简洁，相同或类似的部分在不同实施例中可能没有赘述，因此，在某一实施例未描述或未详细描述的部分可以参见其他实施例的记载。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（digital subscriberline，DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘（digital versatiledisc，DVD）)、或者半导体介质（例如固态硬盘（solid state disk ，SSD））等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：只读存储器（read-only memory，ROM）或随机存储存储器（random access memory，RAM）、磁碟或者光盘等各种可存储程序代码的介质。

Claims (8)

1.一种芯片极限频率的预测方法，其特征在于，所述方法包括：
获取芯片当前的工作温度范围；
获取芯片历史运行过程中的若干组工作温度范围以及在不同工作温度范围下的运行频率，生成数据集；
采用所述数据集对LSTM网络进行训练，生成预测模型，包括：
对所述数据集进行预处理，生成输入数据；
将所述输入数据输入至所述LSTM网络的LSTM隐藏层，输出特征向量；
将所述特征向量输入至所述LSTM网络的Attention 机制层，计算不同特征向量的概率权重，输出所述特征向量与所述概率权重的加权结果；
将所述特征向量与所述概率权重的加权结果输入至所述LSTM网络的全连接层，对加权后的特征向量进行映射，输出预测结果；
利用评价指标评估所述预测结果的精度，直至精度满足预设条件时，生成预测模型；
将所述芯片当前的工作温度范围输入至所述预测模型，得到芯片的极限频率。
2.根据权利要求1所述的芯片极限频率的预测方法，其特征在于，对所述数据集进行预处理，生成输入数据，包括：
利用SAE算法对所述数据集进行特征降维；
利用随机森林算法、自适应集成算法和/或梯度提升树算法对降维后的数据集进行拟合；
根据拟合后的综合指标，筛选出相关性最大的特征量；
将不同组所述工作温度范围和所述特征量进行融合，作为所述LSTM网络的输入数据。
3.根据权利要求1所述的芯片极限频率的预测方法，其特征在于，在所述利用评价指标评估所述预测结果的精度之前，还包括：
利用层次分析法，对平均绝对误差指标、平均绝对百分比误差指标及均方根误差指标进行处理，得到所述评价指标。
4.根据权利要求1所述的芯片极限频率的预测方法，其特征在于，在将所述芯片当前的工作温度范围输入至所述预测模型之后，还包括：
获取芯片节点的厚度；
对所述芯片节点的厚度进行正态分布拟合，得到失效分布函数，以构建可靠度函数；
利用所述可靠度函数对所述预测模型输出的极限频率进行修正。
5.根据权利要求4所述的芯片极限频率的预测方法，其特征在于，所述对所述芯片节点的厚度进行正态分布拟合，得到失效分布函数，以构建可靠度函数，包括：
计算失效分布函数：
其中，分别为零退化率和零偏扩散系数的估计值，/>为标准正态分布函数，为零偏退化失效阈值；
根据失效分布函数构建可靠度函数：
其中，为可靠度函数。
6.一种芯片极限频率的预测装置，其特征在于，所述装置包括：
参数获取单元，用于获取芯片当前的工作温度范围；
数据集生成单元，用于获取芯片历史运行过程中的若干组工作温度范围以及在不同工作温度范围下的运行频率，生成数据集；
预测模型训练单元，用于采用所述数据集对LSTM网络进行训练，生成预测模型，包括：
对所述数据集进行预处理，生成输入数据；
将所述输入数据输入至所述LSTM网络的LSTM隐藏层，输出特征向量；
将所述特征向量输入至所述LSTM网络的Attention 机制层，计算不同特征向量的概率权重，输出所述特征向量与所述概率权重的加权结果；
将所述特征向量与所述概率权重的加权结果输入至所述LSTM网络的全连接层，对加权后的特征向量进行映射，输出预测结果；
利用评价指标评估所述预测结果的精度，直至精度满足预设条件时，生成预测模型；
预测单元，用于将所述芯片当前的工作温度范围输入至所述预测模型，得到芯片的极限频率。
7.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如权利要求1至5任一项所述的芯片极限频率的预测方法。
8.一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中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行权利要求1至5任意一项所述的芯片极限频率的预测方法。
CN202311134151.1A 2023-09-05 2023-09-05 一种芯片极限频率的预测方法、装置、设备及介质 Active CN116882333B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311134151.1A CN116882333B (zh) 2023-09-05 2023-09-05 一种芯片极限频率的预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311134151.1A CN116882333B (zh) 2023-09-05 2023-09-05 一种芯片极限频率的预测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116882333A CN116882333A (zh) 2023-10-13
CN116882333B true CN116882333B (zh) 2024-01-09

Family

ID=88259047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311134151.1A Active CN116882333B (zh) 2023-09-05 2023-09-05 一种芯片极限频率的预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116882333B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104597393A (zh) * 2015-01-29 2015-05-06 华为技术有限公司 一种芯片最高工作频率的确定方法及装置
CN112363842A (zh) * 2020-11-27 2021-02-12 Oppo（重庆）智能科技有限公司 图形处理器的频率调整方法、装置、电子设备及存储介质
CN114660441A (zh) * 2022-03-30 2022-06-24 展讯通信(天津)有限公司 芯片最高频率的搜索方法、装置和测试设备
CN115308562A (zh) * 2021-05-08 2022-11-08 腾讯科技（深圳）有限公司 芯片测试方法及相关设备
CN116107855A (zh) * 2023-02-21 2023-05-12 厦门紫光展锐科技有限公司 测试方法、系统、芯片、电子设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7386739B2 (en) * 2005-05-03 2008-06-10 International Business Machines Corporation Scheduling processor voltages and frequencies based on performance prediction and power constraints
CA2983389C (en) * 2015-04-28 2024-05-21 Signal Processing Devices Sweden Ab Drift compensation
TWI700598B (zh) * 2019-04-22 2020-08-01 崛智科技有限公司 晶圓特性預測方法與電子裝置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104597393A (zh) * 2015-01-29 2015-05-06 华为技术有限公司 一种芯片最高工作频率的确定方法及装置
CN112363842A (zh) * 2020-11-27 2021-02-12 Oppo（重庆）智能科技有限公司 图形处理器的频率调整方法、装置、电子设备及存储介质
CN115308562A (zh) * 2021-05-08 2022-11-08 腾讯科技（深圳）有限公司 芯片测试方法及相关设备
CN114660441A (zh) * 2022-03-30 2022-06-24 展讯通信(天津)有限公司 芯片最高频率的搜索方法、装置和测试设备
CN116107855A (zh) * 2023-02-21 2023-05-12 厦门紫光展锐科技有限公司 测试方法、系统、芯片、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Wafer Quality Inspection using Memristive LSTM, ANN, DNN and HTM".《2018 IEEE Electrical Design of Advanced Packaging and Systems Symposium (EDAPS)》.2019,第1-3页. *

Also Published As

Publication number Publication date
CN116882333A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN113702895B (zh) 一种电压互感器误差状态在线定量评估方法
CN115828140B (zh) 邻域互信息与随机森林相融合故障检测方法、系统及应用
CN114048468A (zh) 入侵检测的方法、入侵检测模型训练的方法、装置及介质
CN110222387B (zh) 基于混合漏积分crj网络的多元钻井时间序列预测方法
CN115618732B (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
Zhang et al. Features fusion exaction and KELM with modified grey wolf optimizer for mixture control chart patterns recognition
CN115112372A (zh) 轴承故障诊断方法、装置、电子设备及存储介质
CN112365033A (zh) 一种风电功率区间预测方法、系统及存储介质
CN116384224A (zh) 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法
CN115438897A (zh) 一种基于blstm神经网络的工业过程产品质量预测方法
Zhang et al. Fault diagnosis of oil-immersed power transformer based on difference-mutation brain storm optimized catboost model
CN114578234A (zh) 一种考虑因果性特征的锂离子电池退化与容量预测模型
CN116882333B (zh) 一种芯片极限频率的预测方法、装置、设备及介质
CN112380763A (zh) 一种基于数据挖掘的堆内构件可靠性分析系统及方法
CN116702005A (zh) 一种基于神经网络的数据异常诊断方法和电子设备
CN115389881A (zh) 一种电缆中间接头的绝缘状态评估方法及装置
CN116011345A (zh) 绝缘子信息预测模型生成方法、装置、设备及介质
CN116186507A (zh) 一种特征子集的选取方法、装置及存储介质
CN115409262A (zh) 铁路数据中心关键性能指标趋势预测方法、异常识别方法
CN113935413A (zh) 一种基于卷积神经网的配网录波文件波形识别方法
CN114926702A (zh) 一种基于深度注意力度量的小样本图像分类方法
Binu et al. Support vector neural network and principal component analysis for fault diagnosis of analog circuits
Zelyakovskiy et al. The intelligent system for monitoring and technical diagnostics of complex technological equipment in the agro-industrial complex

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