测试问题已成为SoC发展过程中的瓶颈,提出一种新的Wrapper扫描链平衡算法以期缩短IP核测试时间。算法首先计算Wrapper扫描链长度平均值,再结合特定的余量值,计算得到一个取值区间,记该区间为平均值余量;然后将IP核的内部扫描链按其长度降序排列,每次均将最长的内部扫描链添加到某条Wrapper扫描链上,直到该Wrapper扫描链长度在平均值余量所指定的区间内为止。以ITC'02 SoC Test Benchmarks内的所有测试集为对象完成的实验证明本算法能极其有效的通过扫描链平衡设计缩短IP核测试时间。
针对基于梯度下降的模糊递归神经网络训练效率低、容易陷入局部极小的缺点,本文基于回声状态网络(Echo State Networks,ESNs)和TS模型提出一种新的模糊模型结构———模糊回声状态网络(Fuzzy Echo State Networks,FESNs).FESNs由多条TS类型的模糊规则组成,规则后件采用ESNs网络.研究表明,TS模型和ESN都可以看做是FESN模型的某种特例,而且FESNs具有较强的非线性映射能力、局部反馈以及学习算法稳定等特点.同时,其模型参数确定方法与经典TS模型以及ESN一样可以归结为一个线性回归问题,大大减少了网络训练的计算量.仿真实验表明,与经典TS模型相比,FESNs在不显著增加建模时间情况下可有效提高建模精度.
针对回声状态网络（Echo State Networks，ESNs）输入序列延迟时间（和嵌入维数D的选择以及储备池的适应性问题，利用自相关性分析法从被预测样本序列构建ESNs网络输入，并通过移动通信话务量的预测问题，采用实验分析的方法讨论了储备池参数选择对于时间序列预测性能的影响.与采用ARMA和BP神经网络的预测方法相比，新方法在保证预测精度和效率的情况下，具有更好的泛化能力.
针对在线应用中回声状态网络(echo state network,ESN)的储备池适应性和训练算法效率问题,文中提出一种基于扩展卡尔曼滤波(extended kalman filter,EKF)的ESN在线训练算法。该算法以ESN的储备池参数以及输出连接权矩阵为目标参数,利用EKF对其进行联合训练提高储备池适应性,并能够有效地克服交叉验证参数选择导致的ESN训练效率下降问题。Lorenz混沌时间序列以及移动通信话务量时间序列预测实验证明,新方法可显著提升ESN算法的总体计算效率。
