-
公开(公告)号：CN116681020A
公开(公告)日：2023-09-01
申请号：CN202310796000.6
申请日：2023-06-30
Applicant: 西安电子科技大学
IPC: G06F30/38
Abstract: 本发明提供了一种基于单粒子效应仿真的多点故障注入方法，用于解决传统的单点故障注入方法无法在有效时间内获得足够仿真数据，以及多点故障注入方法需要保证每一组的故障数量均相同的技术问题。本发明提供的一种基于单粒子效应仿真的多点故障注入方法，在基于故障概率选择故障注入数量的同时，优化了分组方法，通过特定的分组查找方式确定单个故障是否导致错误，解决了不能判断单个故障是否导致错误的问题，在保证准确率的前提下，减小了仿真次数；同时优化的分组方法考虑了故障注入数量无法被均分的情况，在选择故障注入数量时，不需要保证每组的故障数量均相同，使用简单方便，适用性强，可以广泛应用在各种规模的宇航处理器中。
-
公开(公告)号：CN113221460B
公开(公告)日：2022-09-20
申请号：CN202110553063.X
申请日：2021-05-20
Applicant: 西安电子科技大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/02
Abstract: 本发明提出一种基于神经网络回归的单粒子瞬态效应建模方法，解决了现有基于物理机理的单粒子瞬态建模存在模型复杂度高、不适用电路级单粒子效应仿真分析，而基于特定函数拟合的单粒子瞬态建模很难保证模型的精度的技术问题。方法步骤包括：建立场效应管器件结构模型；对器件结构模型进行TCAD仿真，获得不同因素条件下单粒子效应产生的漏极瞬态电流脉冲曲线；对漏极瞬态电流脉冲曲线进行抽样，获得不同时间、不同LET条件下的离散数据；将离散数据随机分成训练集、验证集及测试集；构建基于神经网络的SET模型；神经网络进行学习拟合，对SET模型进行训练和测试，当误差低于设定阈值，训练完成，获得基于神经网络的SET模型。
-
公开(公告)号：CN114694735A
公开(公告)日：2022-07-01
申请号：CN202210255208.2
申请日：2022-03-15
Applicant: 西安电子科技大学广州研究院
Abstract: 本发明公开了一种针对存储模块故障注入集缩减的方法，涉及辐射效应仿真领域。使用预设的仿真测试程序对目标集成电路的存储模块进行测试，得到读写信息文件；使用预设的读写信息分析算法分析读写信息文件，确定存储模块在测试期间的无效注入时间区间；对故障注入集进行故障注入有效性分析，去除故障注入集中处于无效注入时间区间以及无效电路节点的注入故障，得到缩减后的故障注入集。通过存储模块的读写信息文件确定无效注入时间区间，去除故障注入集中处于无效注入时间区间以及无效电路节点的注入故障，从时间和空间两个维度缩减故障注入集，减少仿真时间成本，提高仿真效率。
-
公开(公告)号：CN114091659A
公开(公告)日：2022-02-25
申请号：CN202111403991.4
申请日：2021-11-24
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种神经网络及学习法，具体涉及一种基于空时信息的超低延时脉冲神经网络及学习方法，以解决对于携带长脉冲序列的脉冲神经网络训练难以兼顾处理精度和处理时间信息能力的技术问题。脉冲神经网络为基于脉冲神经元的多层感知机或卷积神经网络，采用多阈值LIF模型，依次包括输入层、多个中间隐藏层和输出层。方法步骤包括：构建多阈值LIF模型的脉冲神经网络；采用正态分布初始化脉冲神经元权重；计算脉冲神经网络前向传播；计算损失函数，判断误差是否满足要求，若是，则学习完成；若否，则计算脉冲神经网络误差反向传播，更新权重，直至误差满足要求。
-
公开(公告)号：CN108363894B
公开(公告)日：2021-05-11
申请号：CN201810421550.9
申请日：2018-05-04
Applicant: 西安电子科技大学
IPC: G06F30/367
Abstract: 本发明提供一种电路级单粒子效应仿真平台，能够支持万门级以上的大规模电路进行单粒子效应仿真分析。该电路级单粒子效应仿真平台包括电路分析模块、故障注入配置模块、分析模式模块、网表处理模块与结果分析模块，其中电路分析模块提取电路中的所有敏感节点，生成电路节点列表文件；故障注入配置模块结合电路节点列表文件和用户输入要注入电路的故障电流源的相关参数，编写脚本随机选取电路节点和故障注入时间，生成故障注入文件；网表处理模块编写脚本得到结果检测文件，再结合分析模式和故障注入文件生成激励文件提供给Fast‐Spice仿真器；结果分析模块保存并提取仿真结果，根据不同的分析模式形成不同的结果图标。
-
Patent Agency Ranking
公开(公告)号：CN114548290B
公开(公告)日：2025-02-18
申请号：CN202210172647.7
申请日：2022-02-24
Applicant: 西安电子科技大学
IPC: G06F18/241 , G06N3/0464 , G06N3/049 , G06N3/0495
Abstract: 本发明的目的是解决目前对于事件流分类采用的脉冲神经网络难以兼顾处理时间维度和大量冗余数据的技术问题，而提出一种面向事件流分类的突触卷积脉冲神经网络，可以在保证处理精度的前提下有效缩短脉冲神经网络的延时。该神经网络局域具有可学习的衰减系数的多阈值LIF模型构建，脉冲神经网络包括依次设置的输入层、多个中间隐藏层和输出层；所述输入层基于DVS数据压缩，采用带权重的脉冲叠加方式将指定压缩率的脉冲序列压缩处理后传递给下一层网络；所述中间隐藏层包括A层基于突触模型的突触卷积层和B层基于多阈值脉冲神经元的全连接层；所述输出层基于投票机制，用于给上一层神经元随机分配标签。
-
公开(公告)号：CN115660072A
公开(公告)日：2023-01-31
申请号：CN202211419727.4
申请日：2022-11-14
Applicant: 西安电子科技大学
Abstract: 本发明为解决随着现有脉冲神经网络的复杂化，脉冲发射频率增加，产生了更多的计算与存储消耗，使得神经网络的精度与工作效率均有所降低的问题，而提供一种基于自回落神经元模型的脉冲神经网络的训练方法。该方法通过设定当神经元膜电压超过初始阈值并保持增长态势时触发脉冲激发的机制和设定最大激发上限，减少神经元脉冲激发数，以减少脉冲引起的精度损失与存储资源与计算消耗，经过神经元处理信号后，再对脉冲神经网络进行迭代训练，设定脉冲神经网络精度阈值，当脉冲神经网络的损失小于等于精度阈值Q时，得到适用复杂的数据处理任务且满足精度要求的脉冲神经网络。
-
公开(公告)号：CN109918723B
公开(公告)日：2022-12-06
申请号：CN201910090817.5
申请日：2019-01-30
Applicant: 西安电子科技大学
IPC: G06F30/20
Abstract: 本发明提出了一种基于粒子入射随机性的单粒子故障注入方法，解决了传统电路级单粒子效应仿真中故障注入模型无法模拟粒子入射的随机性导致仿真精度差的问题。该方法通过最劣情况下单粒子瞬态效应的实际脉冲电流特性曲线修正器件单粒子瞬态电流源模型，并基于中心极限定理实现具有高斯分布单粒子脉冲故障注入模型，还根据被测电路的版图信息以及器件单粒子效应敏感区域信息计算有效入射概率，进而得出符合实际的有效入射粒子数量，从而模拟粒子入射的随机性，提高了仿真精度。
-
公开(公告)号：CN113221460A
公开(公告)日：2021-08-06
申请号：CN202110553063.X
申请日：2021-05-20
Applicant: 西安电子科技大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/02
Abstract: 本发明提出一种基于神经网络回归的单粒子瞬态效应建模方法，解决了现有基于物理机理的单粒子瞬态建模存在模型复杂度高、不适用电路级单粒子效应仿真分析，而基于特定函数拟合的单粒子瞬态建模很难保证模型的精度的技术问题。方法步骤包括：建立场效应管器件结构模型；对器件结构模型进行TCAD仿真，获得不同因素条件下单粒子效应产生的漏极瞬态电流脉冲曲线；对漏极瞬态电流脉冲曲线进行抽样，获得不同时间、不同LET条件下的离散数据；将离散数据随机分成训练集、验证集及测试集；构建基于神经网络的SET模型；神经网络进行学习拟合，对SET模型进行训练和测试，当误差低于设定阈值，训练完成，获得基于神经网络的SET模型。
-
公开(公告)号：CN109815605A
公开(公告)日：2019-05-28
申请号：CN201910091118.2
申请日：2019-01-30
Applicant: 西安电子科技大学
IPC: G06F17/50
Abstract: 本发明提供一种用于单粒子效应仿真的电路系统组建方法，该方法包括以下步骤：步骤一：确定电路系统所包含的模块；步骤二：建立所有功能模块的不同层次功能模型；步骤三：编写不同层次功能模型之间的接口；步骤四：确定需要进行单粒子故障注入的模块，并配置得到该条件下的电路系统混合模型，从而可以对待注入模块进行单粒子故障注入，并对整个系统进行仿真分析。本发明实现了电路系统仿真模型在执行程序的同时又能对其中的特定模块进行单粒子故障注入，对研究系统的单粒子效应仿真有重要意义。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.021 seconds)
