CN115204051B 一种基于贝叶斯优化理论的多目标寻优软错误加固方法 （复旦大学）_第1页
CN115204051B 一种基于贝叶斯优化理论的多目标寻优软错误加固方法 （复旦大学）_第2页
CN115204051B 一种基于贝叶斯优化理论的多目标寻优软错误加固方法 （复旦大学）_第3页
CN115204051B 一种基于贝叶斯优化理论的多目标寻优软错误加固方法 （复旦大学）_第4页
CN115204051B 一种基于贝叶斯优化理论的多目标寻优软错误加固方法 （复旦大学）_第5页
已阅读5页，还剩16页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

OptimizationHardeningDesignInternationalConfer一种基于贝叶斯优化理论的多目标寻优软体为一种基于贝叶斯优化理论的多目标寻优软2数据降维过程中，以各触发器的面积、功耗和软错误率指标间的欧几②初始化一个空列表，列表的长度与该簇内触发器的③基于该列表的头部和尾部，遍历该簇中余下的所有2.根据权利要求1所述的基于贝叶斯优化理论的多目标寻优软错误加固方法，其特征(3)基于有向无环图和建立的软错误物理模型，计算出初始电路中各个触发器的软错(4)将逻辑综合后得到的电路网表中的触发器依次替换成同等功能的高可靠结构触发3.根据权利要求1或2所述的基于贝叶斯34.根据权利要求1所述的基于贝叶斯优化理论的多目标寻优软错误加固方法，其特征5.根据权利要求1所述的基于贝叶斯优化理论的多目标寻优软错误加固方法，其特征6.根据权利要求1所述的基于贝叶斯优化理论的多目标寻优软错误加固方法，其特征7.根据权利要求1所述的基于贝叶斯优化理论的多目标寻优软错误加固方法，其特征8.根据权利要求1所述的基于贝叶斯优化理论的多目标寻优软错误加固方法，其特征在于，优化加固过程中，通过第二代非支配排序遗传算法NSGA_II作为多目标寻优求解算4非永久性的错误被称为软错误。对于处在辐射环可靠性器件，以提高电路的容软错误能力。例如三模冗余(TripleModuleRedundancy,TMR)结构将待加固的电路复制成三份并利用多数表决器的滤波功能，提高电路的可靠性，常常被用以进行电路器件的替换加固。但冗余替换方法在提升电路容软错误能力的同时，5[0013](3)基于有向无环图和建立的软错误物理模型，计算出初始电路中各个触发器的[0014](4)将逻辑综合后得到的电路网表中的触发器依次替换成同等功能的高可靠结构6[0041]图8为以32bitBooth乘法器为目标电路经本发明加固后输出的最终电路替换加[0044]一种基于贝叶斯优化理论的多目标寻优电路加固方法，包括三个过程，如图1所7[0050](4)将经综合后得到的乘法器电路网表中的触发器依次替换成经TMR结构加固的[0053](1)触发器聚类。依据信息获取过程中获得的替换一个触发器后电路的面积、功[0054](2)对经聚类后每一簇中的触发器进行排序。以各触发器指标间的欧几里得距离[0062](3)对每一簇内经排序后的触发器进行实数化编码。将被替换成高可靠结构的触8[0065](1)选择合适的代理模型来模拟电路中部分触发器被替换成高可靠结构触发器对即为电路的面积、功耗和软错误率数值。包括但不限于使用贝叶斯神经网络(BayesianNeuralNetwork,BNN)等作为代理模型。例如可以选用贝叶斯神经网络(BayesianNeural9[0072](4)多目标寻优求解。通过多目标寻优算法对上述的三份采集函数进行多目标寻[0075]在本实施例中选用第二代非支配排序遗传算法(Non_dominatedSorting

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论