一种基于混沌神经网络的自动测试生成算法

阐述了一种基于混沌神经网络的自动测试生成(ATPG)算法.由神经元构成的双向神经网络来表示组合电路,神经元的阈值和神经元之间的连接权值则代表了电路的功能.给电路注入故障后,网络中的神经元的状态在满足测试序列的时候,神经网络的能量函数具有全局最小点.采用具有衰减步长的混沌模拟退火(CSA)算法来找到能量函数的最小点,实现了组合电路的自动测试生成.计算机仿真表明了算法的可行性.     

基于神经网络的电路多故障测试及并行实现

对数字电路的多故障测试生成,首先构造被测电路的约束电路结构,并建立测试生成的神经网络模型,然后采用遗传进化算法计算约束电路对应神经网络能量函数的最小值点而获得给定多故障的测试矢量,该方法具有易于实现和有良好的内在并行性等特点.同时给出了算法的并行实现方案.     

一种电路测试的最优神经网络与遗传进化方法

针对数字电路中信号线的单故障与多故障,本文首先建立电路测试的最优神经网络模型,然后设计一种两子群体竞争进化的遗传算法求网络能量函数的最小值点而获得给定故障的测试矢量,实验结果表明该方法能降低电路对应的神经网络规模并减少测试生成的计算量.     

数字电路多故障测试生成的神经网络方法研究

本文深入研究基于Ｈｏｐｆｉｅｌｄ神经网络的数字电路多故障测试生成方法，该方法利用电路基本逻辑门和Ｈｏｐｆｉｅｌｄ网络的特性，建立多故障测试生成的神经网络模型，通过求解网络能量函数的最小值点获得给定多故障的测试矢量。文中提出了加速测试生成的技术策略，为多故障的测试提供了一种可能的新途径。     

基于确定性测试集的数字集成电路随机测试

提出了一种基于确定性测试集的数字集成电路随机测试生成方法。通过确定性测试集的分类及随机化，该方法能生成高性能的随机测试多权集。和平凡随机测试及采用单权集下的随机测试相比，采用文中的方法在压缩测试长度的同时还可获得较高的故障覆盖率。对标准电路的实验验证了该加权集生成算法的有效性，此方法对组合电路和时序电路以及对大规模集成电路的内测试和外测试皆试用。     

改进粒子群算法在治疗型关节炎护膝中的应用

为保证治疗型关节炎护膝中升压电路的优良性能，必须对其中的电路参数进行优化。本文采用一种改进的粒子群算法对升压电路中控制强度的参数进行优化，保证平稳的升压性能。同时为了保证粒子群在搜索过程中目标函数的可计算，采用神经网络对升压电路进行建模，通过实验数据对神经网络进行训练并测试。最后分别在粒子群优化后的参数与原有参数下，对升压电路性能进行比较，验证了该算法所确定的参数可以保证升压过程更平稳，电路具有更好的性能。     

基于RBF神经网络的模拟电路故障诊断方法的研究

提出了一种基于径向基函数(RBF)神经网络的模拟电路故障诊断方法.这种方法采用脉冲信号作为被测电路的输入激励,在时域中对输出信号采样来构造神经网络的训练和测试样本,应用径向基函数神经网络的分类能力强、学习速度快等优点进行故障诊断.结果显示,基于RBF神经网络的模拟电路故障诊断方法学习速度快,故障诊断率高.是一种有效的故障诊断方法.     

遗传优化三值神经网络多故障测试生成算法

对于复杂的大规模集成电路,传统的测试生成算法已不再适用,研究新型有效的数字集成电路测试生成算法具有十分重要的理论价值和实际意义。提出了一种基于遗传优化的三值神经网络多故障测试生成算法。该算法利用三值神经网络的相关定理、定义,推导出了数字电路逻辑门的三值神经网络能量函数,由此构成了三值神经网络的约束网络。用遗传算法求解出了约束网络能量函数的最小值点即多故障测试矢量。遗传算法中的适应度函数是与具体应用问题的主要接口,它的构造直接影响问题求解的效率。在研究了其他遗传算法适应度函数的基础上,提出了新的适应度函数,并用软件实现了算法,在国际基准电路上的仿真实验结果表明了该算法的正确性。     

传感器标定的神经网络杂交建模方法

传感器标定是工程测试中的一个重要环节,直接影响测试结果的精度及可靠性.当被测物理量与传感器输出信号间的关系包含复杂、未知的非线性特性时,传统的标定方法难以达到满意的精度.引入神经网络杂交建模的思想,提出传感器标定的神经网络杂交建模方法,阐明建模过程和步骤.分别以单输入单输出和多输入多输出传感器为例,进行杂交建模标定的仿真研究, 并对一个6维力传感器样机完成了神经网络杂交建模试验标定.仿真与试验结果表明,与传统的标定方法相比,神经网络杂交建模方法能够显著提高传感器的标定精度,同时比神经网络黑箱建模方法具有更小的网络规模和更快的收敛速度,且精度高,泛化推广能力强.     

基于神经网络的预分解窑控制过程建模

在分析了水泥预分解窑工艺流程的基础上,采用Elman神经网络与BP神经网络建立预分解窑系统的模型,通过两种建模网络的泛化能力的仿真测试比较,体现出Elman神经网络在复杂的多变量、多扰动非线性系统建模方面的优越性。