CN117391041A - 一种基于关联规则分析的电路关键输入向量识别方法 - Google Patents
一种基于关联规则分析的电路关键输入向量识别方法 Download PDFInfo
- Publication number
- CN117391041A CN117391041A CN202311315598.9A CN202311315598A CN117391041A CN 117391041 A CN117391041 A CN 117391041A CN 202311315598 A CN202311315598 A CN 202311315598A CN 117391041 A CN117391041 A CN 117391041A
- Authority
- CN
- China
- Prior art keywords
- circuit
- input vector
- association rule
- initial
- input
- 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
- 239000013598 vector Substances 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000002347 injection Methods 0.000 claims description 7
- 239000007924 injection Substances 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/323—Translation or migration, e.g. logic to logic, hardware description language [HDL] translation or netlist translation
-
- 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
- G06F30/327—Logic synthesis; Behaviour synthesis, e.g. mapping logic, HDL to netlist, high-level language to RTL or netlist
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明涉及一种基于关联规则分析的电路关键输入向量识别方法,包括以下步骤,获取待识别电路的网表并解析,构建电路完整性链表;根据电路完整性链表判断电路类型,根据电路类型构建初始输入向量集合,并生成初始输入向量;基于初始输入向量集合计算初始输入向量的可靠值,基于初始输入向量的可靠值得到并返回初始关键输入向量;基于初始关键输入向量,通过关联规则分析模型,分析待识别电路原始输入端的关联规则;根据原始输入端的关联规则产生新输入向量样本;计算新输入向量样本的可靠值,得到并返回关键输入向量。与现有技术相比,本发明提供的分析方法可用于组合电路和时序电路,具有复杂性低、收敛速度快、测试波动小、准确性高等优点。
Description
技术领域
本发明涉及集成电路可靠性评估领域,尤其是涉及一种基于关联规则分析的电路关键输入向量识别方法。
背景技术
目前,关于电路可靠性评估的工具和算法主要分为基于测量的方法、基于采样的方法和基于模型解析的方法。然而,这些方法往往基于多个输入向量(Multiple InputVectors,MIVs)计算电路的平均可靠性,而忽略了单个输入向量(Individual InputVectors,IIVs)对电路的影响。
同时,不同输入向量对电路可靠性的影响各不相同,有些甚至相差几个数量级。识别可靠性关键输入向量(Reliability-Critical Input Vectors,RCIVs)可以为电路设计人员提供电路可靠性边界的快速参考,以保证电路即使在原始输入应用RCIVs时也能保持可靠性要求。专利CN114024829A通过关联规则分析实现电路故障定位,但现有的RCIVs方法受到收敛速度较慢的限制,在可靠性分析和测试中存在较大波动。
发明内容
本发明的目的就是为了克服上述现有技术存在的收敛速度较慢、测试波动大的缺陷而提供一种基于关联规则分析的电路关键输入向量识别方法。
本发明的目的可以通过以下技术方案来实现:
一种基于关联规则分析的电路关键输入向量识别方法,包括以下步骤:
S1:获取待识别电路的网表并解析,构建电路完整性链表;
S2:根据电路完整性链表判断电路类型,根据电路类型和电路完整性链表的基本参数构建初始输入向量集合,将初始输入向量集合中各个初始输入向量作为电路的输入信号;
S3:基于电路的输入信号,计算各个初始输入向量下电路整体的可靠值,基于电路整体的可靠值得到并返回初始关键输入向量;
S4:基于初始关键输入向量,通过关联规则分析模型,分析待识别电路的原始输入端的关联规则;
S5:根据原始输入端的关联规则产生新输入向量样本;
S6:计算新输入向量样本的可靠值,得到并返回关键输入向量。
进一步地,步骤S1包括:
S1.1:读取并解析电路网表,提取电路的基本门信息,构建电路完整性链表以存储各基本门信息;
S1.2:基于电路完整性链表,识别电路中所有原始输入端和基本门;
S1.3:统计电路中原始输入端的数量和基本门的数量;
S1.4:初始化基本门的故障概率及初始输入向量的总数。
进一步地,步骤S2包括:
S2.1:基于电路完整性链表,判断电路类型,若是组合逻辑电路,则执行步骤S2.2,否则跳至步骤S2.3;
S2.2:基于电路原始输入端数量和初始输入向量总数,随机生成初始输入向量零矩阵,执行步骤S2.5;
S2.3:基于完整性链表,统计时序电路中触发器数量;
S2.4:基于电路原始输入端数量、触发器数量和初始输入向量总数,随机生成初始输入向量零矩阵;
S2.5:随机产生每一位均由“0”或“1”构成的布尔向量,布尔向量的数量等于输入向量数量,布尔向量的规模与初始输入向量零矩阵的行数相同;
S2.6:将布尔向量赋值给向量零矩阵;
S2.7:输出由向量零矩阵赋值得到的输入向量集。
进一步地,步骤S3包括:
S3.1:基于基本门的故障概率和初始输入向量总数,进行与初始输入向量总数相同次数的随机故障注入;
S3.2:基于初始输入向量集计算各个输入向量下电路整体的可靠值;
S3.3:根据各个输入向量下电路整体的可靠值对输入向量集进行排序,依据排序结果得到初始关键输入向量;
S3.4:基于初始关键输入向量,统计初始关键输入向量各原始输入信号取“1”的概率。
进一步地,步骤S4包括:
S4.1:初始化最小支持度和最小置信度;
S4.2:初始化第一计数参数k等于1,设置第一赋值阈值参数、第二赋值阈值参数;
S4.3:基于初始关键输入向量,识别候选k项集;
S4.4:若候选k项集是空集,则执行步骤S4.19,否则执行步骤S4.5;
S4.5:初始化第二计数参数i等于1;
S4.6:计算候选k项集第i个数组的支持度;
S4.7:若候选k项集第i个数组的支持度大于等于最小支持度,则执行步骤S4.8,否则执行步骤S4.9;
S4.8:将候选k项集第i个数组添加至频繁k项集;
S4.9:第二计数参数i加1;
S4.10:若候选k项集第i个数组是空集,则执行步骤S4.7,否则执行步骤S4.11;
S4.11:初始化第三计数参数j等于1;
S4.12:计算频繁k项集第j个数组的置信度;
S4.13:若频繁k项集第j个数组的置信度大于等于最小置信度,则执行步骤S4.14,否则执行步骤S4.15;
S4.14:将频繁k项集第j个数组添加至频繁置信k项集和关联规则集中;
S4.15:第三计数参数j加1;
S4.16:若频繁k项集第j个数组是空集,则执行步骤S4.17,否则返回步骤S4.12;
S4.17:从频繁置信k项集中组合任意两项,形成候选k+1项集;
S4.18:第一计数参数k加1,返回步骤S4.4;
S4.19:若关联规则集是空集且最小置信度大于第一赋值阈值参数,则执行步骤S4.20,否则执行步骤S4.21;
S4.20:令最小支持度减去第二赋值阈值参数,最小置信度减去第二赋值阈值参数,返回步骤S4.2;
S4.21:返回关联规则集。
进一步地,步骤S5包括:
S5.1:将关联规则集中的所有规则最大化整合,返回原始输入信号“1”关联规则和“0”关联规则;
S5.2:构建多个新输入向量集;
S5.3:基于“1”关联规则和“0”关联规则对新输入向量集进行赋值,无规则的输入信号取值根据S3.4的初始关键输入向量各原始输入信号取“1”的概率进行赋值。
进一步地,步骤S6包括:
S6.1:基于基本门的故障概率和初始输入向量总数N随机进行N次故障注入;
S6.2:基于新输入向量集计算各个新输入向量下电路整体的可靠值;
S6.3:根据各个新输入向量下电路整体的可靠值对新输入向量集进行排序,根据排序结果返回关键输入向量。
进一步地,初始关键输入向量包括可靠值最大的输入向量和可靠值最小的输入向量,关键输入向量包括可靠值最大的新输入向量和可靠值最小的新输入向量。
进一步地,步骤S2.2输入向量零矩阵的行数为原始输入端的数量,列数为输入向量数量;步骤S2.4输入向量零矩阵的行数为原始输入端的数量与触发器输入端的数量的和,列数为输入向量数量。
进一步地,可靠性的计算方法为连续凸逼近算法。
与现有技术相比,本发明具有以下有益效果:
1)本发明提供的基于关联规则分析的分析方法可用于组合电路和时序电路,采用关联规则分析模型来识别电路的关联原始输入,同时降低了识别可靠性关键输入向量的复杂性,具有较快的收敛速度,减小在测试过程中产生的波动,从而提高了准确性。
2)本发明根据已识别的关联原始输入和未识别输入的频率,生成新输入向量样本,建立了反馈机制,从而进一步加快可靠性关键输入向量的识别速度。
3)本发明通过一轮运算即可完成对可靠性最高输入向量和可靠性最低输入向量的识别。
4)本发明同时支持MIVs与IIV的识别。
附图说明
图1为本发明核心步骤的流程图;
图2为本发明的详细流程图;
图3为本发明在ISCAS-85基准电路C17上的示例说明。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示,本发明提出了一种基于关联规则分析的电路关键输入向量识别方法,本实施例的具体流程如图2所示,该方法包括以下步骤:
S1:获取待识别电路的网表并解析,构建电路完整性链表。
步骤S1的具体过程包括:
S1.1:读取并解析电路网表,提取电路的基本门信息,构建电路完整性链表Lc以存储各基本门信息;
S1.2:基于完整性链表Lc,识别电路中所有原始输入端和基本门;
S1.3:统计电路中原始输入端的数量PI和基本门的数量Ng;
S1.4:根据实际需求初始化基本门的故障概率pg及初始输入向量的总数N。
S2:根据电路完整性链表判断电路类型,根据电路类型和电路完整性链表的基本参数构建初始输入向量集合,将初始输入向量集合中各个初始输入向量作为电路的输入信号。
步骤S2的具体过程包括:
S2.1:基于完整性链表Lc,判断电路类型,若是组合逻辑电路,则执行步骤S2.2,否则跳至步骤S2.3;
S2.2:基于电路原始输入数量PI和初始输入向量总数N,随机生成规模为PI×N的初始输入向量零矩阵Initial_inputs,执行步骤S2.5;
S2.3:基于完整性链表Lc,统计时序电路中触发器数量FI;
S2.4:基于电路原始输入数量PI,触发器数量FI和初始输入向量总数N,随机生成规模为(PI+FI)×N的初始输入向量零矩阵Initial_inputs;
S2.5:初始化计数参数i=1;
S2.6:如果i≤N,则执行步骤S2.7,否则跳至步骤S2.10;
S2.7:基于电路原始输入数量PI随机产生规模为PI×1的布尔向量input,向量每一位由“0”或“1”构成,代表不同的输入信号;
S2.8:令Initial_inputs(i,:)=input;
S2.9:执行i=i+1,返回步骤S2.6;
S2.10:返回初始输入向量集Initial_inputs。
S3:基于电路的输入信号,计算各个初始输入向量下电路整体的可靠值,基于电路整体的可靠值得到并返回初始关键输入向量。
步骤S3的具体过程包括:
S3.1:基于基本门的故障概率pg和初始输入向量总数N,进行N次随机故障注入;
S3.2:基于初始输入向量集Initial_inputs和各基本门的故障概率pg使用连续凸逼近方法计算每个输入向量下电路整体的可靠值Ri,i=1,2,...,N;
S3.3:根据R的大小对Initial_inputs进行排序,返回可靠值最大和/或最小的前n个初始关键输入向量pre_RCIV;
S3.4:基于pre_RCIV,统计初始关键输入向量各原始输入信号取“1”的概率p。
S4:基于初始关键输入向量,通过关联规则分析模型,分析待识别电路的原始输入端的关联规则。
步骤S4的具体过程包括:
S4.1:初始化最小支持度MST和最小置信度MCT;
S4.2:设置第一计数参数k=1,初始赋值阈值参数ε,δ;
S4.3:基于pre_RCIV,识别所有候选k项集Cand_top_k;
S4.4:若Cand_top_k是空集,则执行步骤S4.19,否则执行步骤S4.5;
S4.5:设置第二计数参数i=1;
S4.6:计算候选k项集第i个数组Cand_top_ki的支持度sup(Cand_top_ki);
S4.7:若sup(Cand_top_ki)≧MST,则执行步骤S4.8,否则执行步骤S4.9;
S4.8:将Cand_top_ki添加至频繁k项集Fre_top_k;
S4.9:令i=i+1;
S4.10:若Cand_top_ki是空集,则执行步骤S4.7,否则执行步骤S4.11;
S4.11:设置第三计数参数j=1;
S4.12:计算频繁k项集第j个数组Fre_top_kj的置信度conf(Fre_top_kj);
S4.13:若conf(Fre_top_kj)≧MCT,则执行步骤S4.14,否则执行步骤S4.15;
S4.14:将Fre_top_kj添加至频繁置信k项集Fre_conf_k和关联规则集Ara_top中;
S4.15:令j=j+1;
S4.16:若Fre_top_kj是空集,则执行步骤S4.17,否则返回步骤S4.12;
S4.17:从Fre_conf_k中组合任意两项,形成候选k+1项集;
S4.18:令k=k+1,返回步骤S4.4;
S4.19:若Ara_top是空集且MCT>ε,则执行步骤S4.20,否则执行步骤S4.21;
S4.20:令MST=MST-δ,MCT=MCT-δ,返回步骤S4.2;
S4.21:返回关联规则集Ara_top。
S5:根据原始输入端的关联规则产生新输入向量样本。
步骤S5的具体过程包括:
S5.1:将Ara_top中的所有规则最大化整合,返回原始输入信号“1”关联规则input_1和“0”关联规则input_0;
S5.2:构建m个新输入向量集new_iv;
S5.3:基于input_1,input_0对new_iv进行赋值,无规则的输入信号取值根据S3.4的p进行赋值。
S6:计算新输入向量样本的可靠值,得到并返回关键输入向量。
S6.1:基于基本门的故障概率pg和初始输入向量总数N随机进行N次故障注入,返回故障注入后各基本门的故障概率pg;
S6.2:基于新输入向量集new_iv和各基本门的故障概率pg使用连续凸逼近方法计算每个输入向量下电路整体的可靠值Ri,i=1,2,...,m;
S6.3:根据R的大小对new_iv进行排序,返回可靠值最大和/或最小的前n个初始关键输入向量RCIV。
为进一步阐述本发明所提方法的过程及识别结果,本发明以C17电路为例对其RCIVs进行识别。如图3所示,在S1和S2阶段,本发明最初随机生成M个不同的输入向量。然后使用连续凸逼近模型计算电路在应用这些输入向量时的整体可靠性。接着,按可靠性值对所有输入向量进行排序,并从顶部和底部选出2n个pre_RCIV。在S3阶段中,首先构建最佳和最差的pre_RCIV项目。然后,根据关联规则分析模型,逐步识别出满足MST和MCT的所有候选k项集和频繁k项集。在S4阶段开始时,对识别出的原始输入关联规则进行合并,PI1和PI2与输入“1”相关联,可靠性最佳。目前尚未发现输入“0”的关联规则。与此类似,对于最差的输入向量,PI3、PI4和PI5为“1”,PI1为“0”。在S5,S6阶段,本发明采用上述准则重新生成N个输入向量,通过本发明确定的输入值,识别RCIV所需的输入向量模拟次数减少了。例如,示例中WRIV的识别只需要模拟2个输入向量。之后,通过对所有输入向量进行排序,就可以识别出n个BRIV和n个WRIV。最后,我们得到了C17的RCIV和可靠性边界。
因此,与传统方法相比,对于组合电路和时序电路,本发明提供了两种RCIV识别技术,并且同时支持可靠性最高输入向量和可靠性最低输入向量识别;通过采用关联规则分析模型来识别电路的关联原始输入,从而提高了准确性,同时降低了RCIV识别的复杂性;通过建立反馈机制,根据已识别的关联原始输入和未识别输入的频率生成新输入向量样本,从而进一步加快RCIV识别速度。
上述功能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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于关联规则分析的电路关键输入向量识别方法,其特征在于,包括以下步骤:
S1:获取待识别电路的网表并解析,构建电路完整性链表;
S2:根据电路完整性链表判断电路类型,根据电路类型和电路完整性链表的基本参数构建初始输入向量集合,将初始输入向量集合中各个初始输入向量作为电路的输入信号;
S3:基于电路的输入信号,计算各个初始输入向量下电路整体的可靠值,基于电路整体的可靠值得到并返回初始关键输入向量;
S4:基于初始关键输入向量,通过关联规则分析模型,分析待识别电路的原始输入端的关联规则;
S5:根据原始输入端的关联规则产生新输入向量样本;
S6:计算新输入向量样本的可靠值,得到并返回关键输入向量。
2.根据权利要求1所述的一种基于关联规则分析的电路关键输入向量识别方法,其特征在于,步骤S1包括:
S1.1:读取并解析电路网表,提取电路的基本门信息,构建电路完整性链表以存储各基本门信息;
S1.2:基于电路完整性链表,识别电路中所有原始输入端和基本门;
S1.3:统计电路中原始输入端的数量和基本门的数量;
S1.4:初始化基本门的故障概率及初始输入向量的总数。
3.根据权利要求2所述的一种基于关联规则分析的电路关键输入向量识别方法,其特征在于,步骤S2包括:
S2.1:基于电路完整性链表,判断电路类型,若是组合逻辑电路,则执行步骤S2.2,否则跳至步骤S2.3;
S2.2:基于电路原始输入端数量和初始输入向量总数,随机生成初始输入向量零矩阵,执行步骤S2.5;
S2.3:基于完整性链表,统计时序电路中触发器数量;
S2.4:基于电路原始输入端数量、触发器数量和初始输入向量总数,随机生成初始输入向量零矩阵;
S2.5:随机产生每一位均由“0”或“1”构成的布尔向量,布尔向量的数量等于输入向量数量,布尔向量的规模与初始输入向量零矩阵的行数相同;
S2.6:将布尔向量赋值给向量零矩阵;
S2.7:输出由向量零矩阵赋值得到的输入向量集。
4.根据权利要求3所述的一种基于关联规则分析的电路关键输入向量识别方法,其特征在于,步骤S3包括:
S3.1:基于基本门的故障概率和初始输入向量总数,进行与初始输入向量总数相同次数的随机故障注入;
S3.2:基于初始输入向量集计算各个输入向量下电路整体的可靠值;
S3.3:根据各个输入向量下电路整体的可靠值对输入向量集进行排序,依据排序结果得到初始关键输入向量;
S3.4:基于初始关键输入向量,统计初始关键输入向量各原始输入信号取“1”的概率。
5.根据权利要求4所述的一种基于关联规则分析的电路关键输入向量识别方法,其特征在于,步骤S4包括:
S4.1:初始化最小支持度和最小置信度;
S4.2:初始化第一计数参数k等于1,设置第一赋值阈值参数、第二赋值阈值参数;
S4.3:基于初始关键输入向量,识别候选k项集;
S4.4:若候选k项集是空集,则执行步骤S4.19,否则执行步骤S4.5;
S4.5:初始化第二计数参数i等于1;
S4.6:计算候选k项集第i个数组的支持度;
S4.7:若候选k项集第i个数组的支持度大于等于最小支持度,则执行步骤S4.8,否则执行步骤S4.9;
S4.8:将候选k项集第i个数组添加至频繁k项集;
S4.9:第二计数参数i加1;
S4.10:若候选k项集第i个数组是空集,则执行步骤S4.7,否则执行步骤S4.11;
S4.11:初始化第三计数参数j等于1;
S4.12:计算频繁k项集第j个数组的置信度;
S4.13:若频繁k项集第j个数组的置信度大于等于最小置信度,则执行步骤S4.14,否则执行步骤S4.15;
S4.14:将频繁k项集第j个数组添加至频繁置信k项集和关联规则集中;
S4.15:第三计数参数j加1;
S4.16:若频繁k项集第j个数组是空集,则执行步骤S4.17,否则返回步骤S4.12;
S4.17:从频繁置信k项集中组合任意两项,形成候选k+1项集;
S4.18:第一计数参数k加1,返回步骤S4.4;
S4.19:若关联规则集是空集且最小置信度大于第一赋值阈值参数,则执行步骤S4.20,否则执行步骤S4.21;
S4.20:令最小支持度减去第二赋值阈值参数,最小置信度减去第二赋值阈值参数,返回步骤S4.2;
S4.21:返回关联规则集。
6.根据权利要求5所述的一种基于关联规则分析的电路关键输入向量识别方法,其特征在于,步骤S5包括:
S5.1:将关联规则集中的所有规则最大化整合,返回原始输入信号“1”关联规则和“0”关联规则;
S5.2:构建多个新输入向量集;
S5.3:基于“1”关联规则和“0”关联规则对新输入向量集进行赋值,无规则的输入信号取值根据S3.4的初始关键输入向量各原始输入信号取“1”的概率进行赋值。
7.根据权利要求6所述的一种基于关联规则分析的电路关键输入向量识别方法,其特征在于,步骤S6包括:
S6.1:基于基本门的故障概率和初始输入向量总数随机进行相同次数的故障注入;
S6.2:基于新输入向量集计算各个新输入向量下电路整体的可靠值;
S6.3:根据各个新输入向量下电路整体的可靠值对新输入向量集进行排序,根据排序结果返回关键输入向量。
8.根据权利要求1所述的一种基于关联规则分析的电路关键输入向量识别方法,其特征在于,所述初始关键输入向量包括可靠值最大的输入向量和可靠值最小的输入向量,所述关键输入向量包括可靠值最大的新输入向量和可靠值最小的新输入向量。
9.根据权利要求3所述的一种基于关联规则分析的电路关键输入向量识别方法,其特征在于,步骤S2.2输入向量零矩阵的行数为原始输入端的数量,列数为输入向量数量;步骤S2.4输入向量零矩阵的行数为原始输入端的数量与触发器输入端的数量的和,列数为输入向量数量。
10.根据权利要求7所述的一种基于关联规则分析的电路关键输入向量识别方法,其特征在于,所述可靠性的计算方法为连续凸逼近算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315598.9A CN117391041A (zh) | 2023-10-11 | 2023-10-11 | 一种基于关联规则分析的电路关键输入向量识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315598.9A CN117391041A (zh) | 2023-10-11 | 2023-10-11 | 一种基于关联规则分析的电路关键输入向量识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117391041A true CN117391041A (zh) | 2024-01-12 |
Family
ID=89471256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311315598.9A Pending CN117391041A (zh) | 2023-10-11 | 2023-10-11 | 一种基于关联规则分析的电路关键输入向量识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391041A (zh) |
-
2023
- 2023-10-11 CN CN202311315598.9A patent/CN117391041A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111143550B (zh) | 一种基于层次注意力神经网络模型的争议焦点自动识别方法 | |
CN108491406B (zh) | 信息分类方法、装置、计算机设备和存储介质 | |
CN111275491A (zh) | 一种数据处理方法及装置 | |
CN111915437A (zh) | 基于rnn的反洗钱模型的训练方法、装置、设备及介质 | |
CN110737818A (zh) | 网络发布数据处理方法、装置、计算机设备和存储介质 | |
CN111581092A (zh) | 仿真测试数据的生成方法、计算机设备及存储介质 | |
CN111523421A (zh) | 基于深度学习融合各种交互信息的多人行为检测方法及系统 | |
CN113962160A (zh) | 基于用户画像的互联网卡用户流失预测方法及系统 | |
CN112035345A (zh) | 一种基于代码片段分析的混合深度缺陷预测方法 | |
CN115145817A (zh) | 一种软件测试方法、装置、设备及可读存储介质 | |
CN111651594A (zh) | 基于键值记忆网络的案件案由分类方法及介质 | |
CN112395881A (zh) | 物料标签的构建方法、装置、可读存储介质及电子设备 | |
CN117391041A (zh) | 一种基于关联规则分析的电路关键输入向量识别方法 | |
CN114793170B (zh) | 基于开集识别dns隧道检测方法、系统、设备及终端 | |
CN115774784A (zh) | 一种文本对象的识别方法及装置 | |
CN115470854A (zh) | 信息系统故障分类方法及分类系统 | |
CN114579468A (zh) | 基于语义度量值的源项目选择软件缺陷预测方法 | |
CN111026661B (zh) | 一种软件易用性全面测试方法及系统 | |
CN113779933A (zh) | 商品的编码方法、电子设备及计算机可读存储介质 | |
CN110968690B (zh) | 词语的聚类划分方法和装置、设备以及存储介质 | |
CN115329751B (zh) | 针对网络平台发文的关键词提取方法、装置、介质及设备 | |
CN111178817A (zh) | 基于深度学习的裁判结果获取方法和装置 | |
CN113449304B (zh) | 一种基于策略梯度降维的恶意软件检测方法及装置 | |
CN113535805B (zh) | 数据挖掘方法及相关装置和电子设备、存储介质 | |
CN113743431B (zh) | 一种数据选择方法及装置 |
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 |