基于关键路径延时检测的自适应电压缩减技术

为了减小传统的最差情况设计方法引入的电压裕量,提出了一种变化可知的自适应电压缩减(AVS)技术,通过调整电源电压来降低电路功耗.自适应电压缩减技术基于检测关键路径的延时变化,基于此设计了一款预错误原位延时检测电路,可以检测关键路径延时并输出预错误信号,进而控制单元可根据反馈回的预错误信号的个数调整系统电压.本芯片采用SMIC180 nm工艺设计验证,仿真分析表明,采用自适应电压缩减技术后,4个目标验证电路分别节省功耗12.4％,11.3％,10.4％和11.6％.     

小规模铂生产商从Anglo铂业公司的缩减中获利

据报道，Anglo铂业公司目前正采取从项目中退出的策略，而不是上新的项目一这和很多它的竞争对手不一样-但这种方式证明对小运营商是有用的。公司的立场很大程度上可以用南非的采矿法令解释，在南非，     

大型空间柔性结构基于H2范数的模型降阶

本文给出一种简单易算的大型空间柔性结构的模态缩减法。分析了小阻尼条件下全系统及各阶模态子系统传递函数H2范数的特点，进而定义了系统模态重要度序列，据此序列给出了在H2范数度量下的最优降价系统。仿真算例表明，基于H2范数的模态缩减法明显优于普通的模态截断方法。     

一种高并行度的H.264帧内预测器的VLSI设计

分析了帧内预测的17种模式,对于每个4×4大小块的16个像素点的不同模式的预测公式之间的相同运算,采用数字强度缩减的方法去除计算的冗余,提出了一种高并行度的帧内预测器,可以每个时钟周期处理16个像素点的预测值。基于SMIC0.18μm工艺,用verilog对该设计进行了VLSI实现,综合后的电路的关键路径最大时延为10ns,电路规模不超过1.4万门,数据吞吐率可以达到1600Msamples/s。从实现结果来看,与采用可重构方法的设计相比,该设计在相同的并行度下减小了电路面积,简化了控制逻辑。     

应用于CMOS图像传感器的低功耗电容缩减循环ADC

提出了一种应用于CMOS图像传感器的低功耗电容缩减型循环ADC。该ADC在最高有效位(MSB)量化结束后,采样及反馈电容值减为之前的一半,使ADC中开关电容电路的功耗相应减少。同时该ADC在采样阶段应用运放消失调技术,对运放失调电压的敏感度降低。在0.18μm CMOS工艺下应用该结构设计了一个11 bit、833 kS/s的循环ADC。Spectre仿真表明,该ADC的信噪失真比(SNDR)为64.49 dB,无杂散动态范围(SFDR)为68.38 dB,在1.8 V电源电压下的功耗为270μW。与传统结构相比,该ADC的功耗降低了32%。     

回归测试中测试用例集缩减问题的研究

测试用例集缩减(Test Suite Minimization,TSM)问题作为回归测试的研究热点和难点,在满足对指定测试需求的覆盖前提下,通过识别并移除冗余测试用例来降低回归测试成本。对国内外已有的TSM研究成果进行综述。首先分别从源代码和模型两个角度出发,总结已有的TSM方法:从源代码角度出发,重点分析与总结传统TSM方法和考虑缺陷检测能力的TSM方法;从模型角度出发,重点分析与总结基于扩展有限状态自动机的TSM方法。然后对实证研究中采用的评测程序、评测指标和实证结论进行总结。随后总结了TSM方法在特定测试领域的应用,包括GUI应用测试、Web应用测试和缺陷定位等。最后展望了未来的可能发展趋势。     

一种格缩减辅助MIMO检测的非线性量化算法

针对格缩减辅助MIMO检测中,采用格缩减技术后导致星座畸变,引起变换域信号非线性联合量化复杂度高的问题,提出了一种排序反馈的非线性量化算法。该算法同时考虑了变换星座的边界和各元素之间的相关性,且根据量化误差的大小选择信号元素量化判决的顺序,依次量化判决信号的各个元素。仿真证明,基于该算法的格缩减辅助MIMO检测其性能要优于无排序反馈量化和逐元素独立量化的格缩减辅助MIMO检测,且能很好的逼近最大似然检测的性能,在平坦块衰落信道下,算法复杂度为多项式复杂度。     

多段支持度数据频繁模式关联规则挖掘仿真

针对传统数据关联挖掘过程只适用于单段数据集,导致内存负担重、挖掘频繁项集效率不高等问题,提出一种多段支持度数据频繁模式关联规则挖掘方法.运用多支持度算法对数据集逐步搜索,数据集按照数据项的MIS大小有序排列,采用最小值作为最小支持度,确保该算法的地推性.构建FP_ tree树,利用FP_tree算法对待选项实施剪枝,从而准确挖掘出频繁模式的关联规则.仿真结果证明,多段支持度数据频繁模式关联规则挖掘具有较好的性能,有效提高了关联规则的挖掘效率.     

基于随机方差减小方法的DDPG算法

针对深度确定性策略梯度算法（DDPG）收敛速度比较慢,训练不稳定,方差过大,样本应用效率低的问题,提出了一种基于随机方差减小梯度方法的深度确定性策略梯度算法（SVR-DDPG）。该算法通过利用随机方差减小梯度技术（SVRG）提出一种新的创新优化策略,将之运用到DDPG算法之中,在DDPG算法的参数更新过程中,加入了随机方差减小梯度技术,利用该方法的更新方式,使得估计的梯度方差有一个不断减小的上界,令方差不断缩小,从而在小的随机训练子集的基础上找到更加精确的梯度方向,以此来解决了由近似梯度估计误差引发的问题,加快了算法的收敛速度。将SVR-DDPG算法以及DDPG算法应用于Pendulum和Mountain Car问题,实验结果表明,SVR-DDPG算法具有比原算法更快的收敛速度,更好的稳定性,以此证明了算法的有效性。     

低码率图像的快速SV拟合及其最优码流结构的描述方法

给出了一个在低码率图像描述中应用最优支持向量(SV)描述的编码算法,提出一个训练样本集缩减策略,在支持向量机(SVM)模型中用于快速拟合重要的交流(AC)系数,它能够在基本保持原有精度的前提下,有效地提高SVM的回归速度,减少输出参数;提出了直流(DC)系数的按位差分预测编码方法和压缩性能更好的码流产生方法。实验结果表明,该方法不仅缩减了编码时间,而且在相同码率下能获得更好的图像质量。以往基于SV的编码未提及码流结构的描述方法,而快速SV拟合和数据组织方法克服了以往算法可行性差的缺点。