共查询到17条相似文献,搜索用时 62 毫秒
1.
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. 相似文献
2.
遗传优化三值神经网络多故障测试生成算法 总被引:2,自引:1,他引:1
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。 相似文献
3.
数字电路测试生成的可满足性方法研究 总被引:1,自引:0,他引:1
本文介绍了可满足性的测试向量生成(SAT-ATPG)算法。通过控制输入跟踪算法(CITA)嵌入SAT-ATPG中,减少了CNF的构成时间和搜索空间,加速测试生成,减轻故障压缩工作量,又不损失最终测试集的精简。 相似文献
4.
5.
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. 相似文献
6.
7.
基于模拟与遗传进化的电路测试生成方法研究 总被引:2,自引:0,他引:2
基于模拟的测试矢量生成(STPG)是数字电路测试生成中的一类主要方法,本文提出一种基于故障模拟与遗传进化技术的电路测试生成方法,给出了方法的详细实现步骤。该方法能减少在产生电路的输入矢量时的随机性,可充分利用已生成的一部分矢量的内在特性,提高了STPG方法的效率 相似文献
8.
9.
10.
针对复杂系统多故障并存且实际测试中存在误警和漏检等特点,提出非可靠性测试条件下多故障定位问题的解决方法。以寻找后验概率最大的故障假设为目标,引入贝叶斯理论并结合系统的检测、误警相关矩阵,将原问题转化为一个组合最优化问题。采用改进的偏转次梯度优化算法(modified reflection subgradient optimization algorithm,简称MRSOA)求解优化问题的拉格朗日对偶,获得故障定位结果。对某型雷达发射机在非可靠性测试情况下的多故障定位结果表明,该方法具有较高的定位效率和定位准确度。 相似文献
11.
12.
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。 相似文献
13.
基于小波-神经网络的模拟电路IDDT故障诊断 总被引:9,自引:0,他引:9
动态电源电流测试(IDDT)对模拟电路故障诊断非常有效,而小波变换能够有效提取动态电流的故障特性。因此提出一种基于小波-神经网络的模拟电路IDDT故障诊断方法。利用小波变换具有时频局部化特性,分别对模拟电路正常模式和故障模式的IDDT采样信号进行特征向量提取,建立故障字典;然后利用神经网络具有非线性映射优点,对各种状态下的特征向量进行分类决策,实现模拟电路的故障诊断。 相似文献
14.
一种基于RBF神经网络的数字模式识别方法 总被引:9,自引:1,他引:9
本文以 RBF网络作为识别模型 ,采用竞争算法 ,提出了一种基于 RBF网络的数字识别方法 ,仿真结果表明此方法具有识别率高 ,识别速度快的优点 ,具有广阔的应用推广价值。 相似文献
15.
16.
数字化工厂数据涉及产品全生命周期,研究将反向传播神经网络应用于数字化工厂数据的预测。介绍了数字化工厂数据的组成,建立了反向传播神经网络,并分析了梯度下降的应用。通过运行程序得到预测结果,确认预测准确率达到95%。基于反向传播神经网络,可以对最终产品合格率、机器设备投资回报率及人力资源投资回报率进行预测。 相似文献
17.
A Novel Artificial Neural Networks Force Model for End Milling 总被引:3,自引:1,他引:2
V. Tandon H. El-Mounayri 《The International Journal of Advanced Manufacturing Technology》2001,18(10):693-700
The physical process of multipoint metal cutting depends on a large number of parameters that are strongly interlinked. A
number of empirical and semimechanistic models are described in the literature. This paper uses the artificial neural networks
(ANNs) approach to evolve a comprehensive model for critical process parameters, such as cutting force, based on a set of
input machining conditions. A set of eight input variables is chosen to represent the machining conditions, and process parameters
(such as maximum force and mean force) are predicted. Exhaustive experimentation is conducted to develop the model and to
validate it. The model is tested for a typical machining scenario found in industry, namely pocket-milling. Excellent agreement
between the simulated and experimental forces is found. 相似文献