一、用神经网络求解时间驱动的宏单元布局问题（论文文献综述）
黄志鹏,李兴权,朱文兴[1]（2021）在《超大规模集成电路布局的优化模型与算法》文中提出布局确定集成电路单元在芯片中的具体位置,在单元互不重叠的基础上优化一些性能指标。该问题是NP困难的组合优化问题,是超大规模集成电路物理设计的核心问题之一,对集成电路的性能指标,如线网可布通性、时延、功耗、电路可靠性等有重大影响。在现代的集成电路设计中,布局问题通常包含数百万个集成电路单元,以及大小相异的异质性模块,和各种复杂的布局约束。目前的超大规模集成电路布局算法通常分解为总体布局、布局合法化和详细布局三个步骤。根据近年来集成电路布局算法的研究进展,综述并分析集成电路的总体布局、布局合法化和详细布局的相关优化模型和算法,并展望进一步的研究方向。
王帅[2]（2021）在《装配线仿真与装配件检测关键技术研究及应用》文中提出装配线仿真与装配件检测是装配线管控的重要任务。装配是智能制造的重要生产阶段,装配线是智能制造的关键组成单元,装配线管控也是装配制造中不可或缺的管理控制方式。中国制造2025科学和技术发展规划将数字化和智能化设计制造列为关键研究领域之一,装备制造业列为国家工业化和现代化的重要支柱产业之一,汽车产业列为重点产业项目之一。本论文以汽车装配线为研究对象,从装配线的前期搭建,布局优化实现装配效益最优,再到装配线的后期建成,装配件检测确保装配质量最佳。针对整条装配线布局仿真和装配件检测的主要问题进行深入的研究,紧密结合“三个之一”的“中国智造”核心需求,主要围绕四个关键技术:多目标布局优化、混合现实布局仿真、深度学习目标检测和混合现实装配检测,开展如下研究工作:1.基于组合多目标优化的机器人装配线的三维安全布局方法。针对现有的布局优化方法缺乏考虑机器人的高度信息和装配范围容易产生不安全布局的问题。首先,定义机器人等不规则设备的建模规则,使用蒙特卡罗（Monte Carlo）方法模拟机器人实际装配作业空间;再建立具有安全指标的装配线布局模型,兼顾物流成本最低和占地面积最小的多优化目标;然后,采用改进的结合优化方法求解该模型,有效提升主流的多目标优化算法求解该模型多样性和收敛性不佳的情况;最后,通过安全指标的阈值筛选确定安全布局,三维安全验证确保布局方案的安全性、多样性和经济性。2.基于混合现实的装配线布局人机交互方法。针对混合现实布局设计应用较少且人机交互不够直观灵活的问题,提出一种基于混合现实装配线布局的人机交互方法,为布局设计者提供直观便捷的辅助决策指导。视线跟踪和手势识别结合的方法进行目标选择,提升布局设计者单一手势选择的交互操作感和使用舒适性。针对传统布局需要实地布置,还需要不断的测试调整费时费力的问题,提出虚拟端和现实端数据驱动的装配线仿真方法。以数据驱动为载体,高保真度的完成装配线中各种设备间的信息交互,节约时间成本和人力成本,提高布局设计的时效性。3.基于深度学习的装配件质量检测方法。针对传统图像识别需要人工特征提取耗时长的问题,提出一种基于卷积神经网络目标识别的装配质量检测的方法,有效保证装配件的装配质量和效果。应用Alex Net和Faster R-CNN叠加,实现不同种类装配件的自适应装配检测。针对人为疲劳导致的装配失误,质量检测可跟踪记录检测过程,从管理端、操作端可视化装配线的工艺流程、生产节拍等装配信息。4.混合现实装配检测中深度学习数据增强方法。针对混合现实中装配操作者佩戴Holo Lens移动头戴显示设备具有检测视角多自由度且受检测环境影响大的问题,提出一种混合现实装配检测中深度学习数据增强方法。首先,采用人为最佳数据增强策略的数据预处理方法生成增强数据集;再用改进的图像增强方法,解决图像增强后装配件的部分检测目标特征失真的情况。该方法能有效生成数据增强集,无需大量的人工样本标注,既能有效提升检测模型的泛化能力,又能提高装配检测的识别精度。依托中国科学院沈阳计算技术研究所承担的国家级项目,理论研究成果已经应用于面向大型复杂结构件的多机器人协同制造子系统和基于数字孪生的智能车间管控技术之智能装配线的安全仿真子系统。本论文对装配线仿真与检测具有重要的应用意义。
卢建[3]（2021）在《基于忆阻器的随机神经网络应用研究》文中指出通过在权重或神经元中添加随机性,随机神经网络能够有效克服常规神经网络面临的过拟合、对模型输出过度自信等问题,被应用于对安全性和可靠性要求极高的领域。然而,随着人工智能的迅速发展和数据规模的急剧增加,基于传统CMOS器件的“存算分离”计算结构已无法高效地支持神经网络核心的矩阵-向量积运算和海量数据的处理。此外,当在传统CMOS硬件平台上运行随机神经网络时,往往需要复杂的随机数产生模块为算法模型提供必需的随机性。随着CMOS器件的尺寸即将达到物理极限,传统的硬件平台已无法满足人工智能任务对算力的需求,需要开发具有随机性和非易失性的新原理器件来优化支持随机神经网络的硬件平台。忆阻器,具有非易失、结构简单、功耗低、可微缩性好、易于三维集成以及与CMOS工艺兼容等优点,支持存内计算、并行计算以及模拟计算,被认为是突破传统计算结构,实现新型“存算一体”计算结构的有力候选者之一。此外,忆阻器件中丰富的本征随机性使其成为一个随机存储器件,而这些本征随机性对实现忆阻器基的随机神经网络是十分契合的。本文围绕着如何利用阻变忆阻器中丰富的本征随机性实现随机神经网络,开展了器件本征随机性的测试和表征,忆阻器基随机神经突触和随机神经元的构建,电路设计,硬件系统验证等方面的工作。取得了如下成果:（1）基于忆阻器的Hopfield网络的研究。我们首先制备了1kb的基于1T1R结构的TiN/TaOx/HfOx/TiN器件阵列,对器件的阻值随机性进行了统计测试,并对阻值随机性进行高斯假设检验。在理论分析的基础之上,我们采用软件仿真的方法,研究了权重中随机性的大小对忆阻Hopfield网络在解决优化问题的影响,结果表明存在一个合适的随机性水平对系统的增益最大。（2）基于忆阻器的贝叶斯神经网络的研究。在1kb阵列中随机选择15个TiN/TaOx/HfOx/TiN器件,对器件在不同阻值下的随机性大小进行统计测试,并对测试结果的对数进行线性函数拟合。根据测试和拟合结果,我们采用重参数的方法利用忆阻器阵列表征高斯随机变量,并在此基础之上构建了基于忆阻器的贝叶斯神经网络硬件系统。该硬件系统支持贝叶斯神经网络和高斯随机数产生两种操作模式。（3）基于忆阻器的受限玻尔兹曼机的研究。在对NbOx器件的阈值电压和保持电压的统计测试基础上,对利用NbOx器件转变电压的随机性实现二值随机神经元进行了理论分析,设计了混合CMOS-忆阻器的随机神经元电路,并探讨了器件间转变电压的差异性对神经元电路的影响。针对器件间的转变电压表现出来的差异性,我们提出了一种简单的校正方案以克服这种差异性对神经元电路的影响。在对随机神经元电路的分析和系统仿真的基础之上,我们采用新的权重映射方案,设计了一个基于忆阻器的受限玻尔兹曼机硬件系统,突触采用的是1T1RTaOx/HfOx器件,神经元采用的是基于NbOx器件的随机神经元电路。针对硬件系统中存在着的突触随机性和神经元的随机性,我们进一步对二者的相互作用进行了理论分析,并推导了相关公式以对这两种随机性的相互作用进行量化分析。
院琳[4]（2021）在《基于机器学习的电磁问题优化建模研究》文中研究说明近年来,得益于数据获取、储存、处理等技术的进步,机器学习算法得到了快速发展。机器学习算法起初只应用于图像分析、模式识别等计算机领域,但由于其优越的性能,机器学习算法正作为一种新方法,为解决复杂电磁学问题提供了更多选择。无线通信系统是电磁学的代表性应用。为了搭建性能优良的通信系统,需要了解信道特性,并设计出满足性能要求的电磁器件。因此,本论文以信道建模与器件设计为研究方向,深入研究了相关基础理论与关键技术,提出了基于机器学习算法的高效解决方法。本论文的主要研究内容如下:首先,针对室外平原地区的无线通信,根据统计模型ITU-R P.1546建议书,建立起基于数字地图的场强预测模型。利用数字地图提供的地形信息,能够实现区域范围内的场强预测。考虑到我国幅员辽阔,地形多样,为了进一步扩展模型的适用范围,采用Deygout模型对山地和丘陵地区存在的多峰问题进行处理,计算起伏地形下信号传播的绕射损耗。将两模型进行合理结合,从而实现不同地形条件下的场强预测。由于上述方法基于统计性模型,为了弥补统计性建模精度较差的缺陷,提出了结合统计性模型与人工神经网络（Artificial Neural Network,ANN）的混合模型。通过神经网络对地形信息及场强误差之间的非线性关系进行学习,能够对统计性模型预测场强进行补偿,从而有效提高预测精度。其次,采用数据驱动的机器学习算法对时间反演通信系统的信道建模进行了研究。由于能够汇集并利用由室内丰富多径信道传递的信息,时间反演电磁波具有空时聚焦特性,有助于提升通信系统的性能。针对时间反演室内通信系统,本论文提出了一种基于经验知识的神经网络信道建模方法。利用主成分分析技术对接收信号数据进行降维,并通过神经网络对接收机位置和降维数据之间的非线性关系进行学习建立信道模型。在神经网络训练过程中,将时间反演信号的传播特性用于指导神经网络模型内部参数的优化,提高了模型的性能。以一个简单室内无线通信环境作为算例,验证了提出方法的有效性。以往时间反演信道建模采用统计性建模以及确定性建模方法,采用机器学习算法建立信道模型的研究尚属首次。在研究基于机器学习的新型电磁器件设计方法方面,对无线通信中必不可少的收发器件——天线以及具有广阔应用前景的超表面进行了研究。首先,提出了一种多分支逆建模方法,有效解决了阵列天线的方向性逆问题。与电磁正向问题具有的唯一性不同,由于存在多个结构参数与同一电磁响应相对应,逆问题中存在着非唯一性。为此,利用伴随神经网络获取训练样本数据中的导数信息,并将其用于判断非唯一性是否存在。基于单调性,将存在非唯一性的训练样本集拆分成多组,从而保证了每组样本的唯一性。将每组样本分别用于一个神经网络的训练,并将每个训练好的神经网络作为分支进行组合,从而构成整体。以偶极子均匀线阵、面阵以及稀布阵作为算例,验证了模型的有效性。相比直接逆建模方法,该方法显着提高了逆模型的精度。针对超表面设计问题,采用了一种结合传递函数（Transfer Function,TF）与人工神经网络的逆模型（TF-ANN）。利用矢量拟合技术对电磁响应进行处理,从而显着降低了逆模型的输入维度以及结构的复杂度,提升了神经网络模型的精度。以一个反射超表面作为算例,验证了方法有效性。最后,为了更加高效、简单地解决逆建模中存在的非唯一性问题,提出了一种改进型TF-ANN逆模型。在训练过程中,通过与两个预先训练的正向分支级联,对逆模型内部的权重及偏置进行优化。以一个类电磁诱导透明超表面作为算例,验证了该方法能够在样本集较小的情况下具有良好的性能。
孟昭亮[5]（2020）在《基于集成分流器的大功率IPM关键技术研究》文中进行了进一步梳理功率半导体器件是电力设备和系统工作的基础,其安全性、稳定性和可靠性对电力装置和系统的稳定性影响很大。硅基IGBTIPM作为功率模块的代表,以高集成度和高功率密度被市场认可,并得到广泛应用。在IPM关键技术中,除了芯片技术和封装制造技术,驱动技术和短路保护技术都直接影响着IPM的稳定性和可靠性,因此对大功率IPM的驱动保护技术研究具有重要意义。本文对IPM模块结构及驱动保护技术进行研究,主要工作和创新性成果如下:1.为了解决大功率IPM采用的VCE退饱和短路检测方法存在检测消隐时间问题,本文提出了一种在IPM内部Direct Bonded Copper（DBC）上集成分流器的方案,从而实现无消隐时间的快速短路检测。分流器集成在IGBT芯片的发射极E端,通过测量分流器两端的电压,就可以精准测量IC。然而分流器集成到IPM模块内部,会带来寄生参数和产生热量。为了研究分流器的功率损耗情况和对模块工作温度的影响,首先对集成分流器的IPM功率单元的功耗进行了分析,给出了对应的功耗计算方法;然后根据热力学理论,建立了 Cauer热网络模型,给出了功率单元热阻计算方法;最后使用有限元法对模块功率单元进行布局研究,通过仿真发现交错式布局热分布均匀,芯片之间热耦合降低,模块热应力减小,从而验证了方案的可行性。2.针对模块驱动策略优化难问题,本文提出了一种基于思维进化算法优化的反向传播神经网络预测大功率IGBT最优驱动策略的方法,实现IGBT模块驱动参数的智能优化。建立了神经网络预测模型去预测IGBT可变栅极电阻主动栅极驱动器的开通和关断驱动策略。利用思维进化算法对神经网络的权值和偏差进行优化,从而得到最优的权值和偏差。为了验证本文提出的驱动策略预测方法的有效性和通用性,以4500V/900A的IGBT模块为例进行验证。与传统的栅极驱动器相比,预测的驱动策略使开通能量损耗、开通时间、电流过冲、综合评价方法、开启延迟时间和拖尾电压持续时间分别降低了59.31%、46.38%、36.99%、65.65%、1.9μs、2.9μs。3.针对IGBT驱动器设计中存在的开关损耗和电压电流过冲折衷问题以及驱动效果评价方法不统一问题,本文提出一种以开关时间作为约束条件的开关损耗和过冲量同时优化方法,并提出一种五坐标雷达图驱动效果评价方法。该优化方法以开关时间作为约束条件,在不增加开关时间的情况下,使得开关损耗和过冲都变小,从而解决了开关损耗和过冲之间的折衷问题。本文以开关损耗、开关过冲、开关时间、开关延时和电流电压变化率这五种参数制定了五坐标雷达图驱动效果评价方法,以传统驱动器驱动效果为评价标准。根据评价方法,驱动效果的五种参数都优于传统方法的策略,被称为好的驱动策略,从而为驱动策略预测模型提供了一种驱动效果评价方法。4.针对IPM短路保护问题,本文设计了内部集成分流器的大功率IPM短路保护电路,实现了无消隐时间的快速短路检测。试制了 1700V/150A型IPM样品,实验结果表明,集成分流器法的效果明显优于VCE退饱和法。所提出的方法分别只需要380ns和1.4us来检测一类和二类短路故障。一类和二类短路的短路承受时间分别只有2.06μs和0.62μs。此外,与VCE退饱和法相比,一类和二类短路的短路能量损耗分别降低了 66%和64.3%。综上所述,本文提出的驱动策略预测方法可以用于指导大功率IGBT和IPM模块驱动器的驱动策略制定。集成分流器的短路故障检测方法很好的解决了 IPM短路检测具有消隐时间问题,取得了良好的短路保护效果。
范海秋[6]（2006）在《基于门阵列的VLSI布局算法研究》文中研究指明集成电路从上世纪60年代开始,经历了小规模集成、中规模集成、大规模集成的发展阶段,到目前已进入超大规模集成和特大规模集成阶段,是一个“System On Chip”的时代。集成电路技术迅速向着更高集成度、超小型化、高性能、高可靠性的方向发展,一个芯片上可集成高达几亿、甚至十几亿的晶体管。随着集成度的提高,集成电路设计的复杂性也越来越高。现如今,IC设计如果离开了计算机辅助设计（Computer Aided Design,CAD）和电子设计自动化（Electronic Design Automation,EDA）将寸步难行。 文中首先介绍了VLSI布局中的一些基本问题,然后重点讨论了现有的VLSI布局算法,包括对交换法、数学规划算法、模拟退火算法、遗传算法、人工神经网络算法、禁忌搜索算法和蚁群算法。 文中自行设计了一个36单元的门阵列布局问题,并使用SA（模拟退火算法）、GA（遗传算法）以及GASA（遗传算法和模拟退火的混合算法）分别对其进行优化,比较优化结果。文中详细分析了SA算法中各参数变化对布局结果的影响。 最后还提出了一种基于核心生长策略和力矢量法的新的优化方法,称之为核心生长一力矢量算法。文中详述了这一方法的操作过程,并给出优化结果。
曾明华[7]（2005）在《遗传算法和神经网络在布局子问题中的应用》文中研究说明遗传算法是一类借鉴生物界自然选择和遗传机制的自适应全局优化随机搜索算法。遗传算法直接对结构对象进行操作,不存在函数可微性和连续性的限定,具有全局性,鲁棒性和隐并行性等优越性。 神经网络是对人脑的信息处理方式进行模拟的产物。1982年,Hopfield提出离散神经网络模型并将其成功应用于组合优化问题。至今应用最为广泛的神经网络BP网络不仅具有强大的非线性映射能力,可以实现非常复杂的因果关系,而且具有自适应、自学习和高容错性等优良特性。 布局问题是运筹学的一个重要分支,属于复杂的组合优化问题。20世纪70年代以来的研究表明,求解NPC问题不存在既完整严格又不太慢的求解算法。因此遗传算法和神经网络便理所当然地成了解决组合优化问题并在速度和精度之间寻求平衡的工具。但将二者结合用于布局问题的研究还很少见到,这方面课题有待进一步研究,也具有一定的现实意义。 本文主要内容如下: 1.构造了同构不干涉布局化算法。给出一个已知不干涉布局方案,该算法可以保证产生的布局方案与已知布局方案同构。 2.回顾遗传算法的理论和应用研究方面的进展,定义了新的变异算子。给出了保持图元邻接关系的方法,构造了同构布局等价类的改进遗传算法。该算法不但能保证图元的邻接关系不变,并且能以较快的收敛速度搜索到全局最优布局方案。 3.将神经网络应用到布局问题中,给出了布局问题的前向网络。结合遗传算法,构造了布局子问题的遗传神经网络算法。给出一组合理的训练样本,该算法能较快地训练出适合的权值和阈值,并且能稳定地收敛到较优的布局方案。数值试验表明该算法是有效可行。
李煜[8]（2005）在《改进的O-TREE表示法在求解带总线约束的VLSI电路BBL布局问题中的应用》文中研究说明随着系统芯片（SOC）设计方法和知识产权（IP）模块技术在集成电路设计中的不断发展和应用,布图规划（Floorplanning）和布局日渐成为超大规模集成（VLSI）电路与系统物理设计的关键环节。布图规划的主要目标是在满足用户约束条件的前提下确定芯片上模块的最佳形状、位置以及模块的引线端位置,使得芯片的面积以及模块之间的互连线总长最小。由于布图规划设计是芯片物理设计的第一个步骤,其结果将影响芯片的最终性能。人们一直在寻求有效的优化算法以应用于布局问题,通过正确的策略我们可以很好地解决布局问题,同时减少算法的复杂度,缩短整个实现的时间。本文正是在这样的背景下,基于四川省科技厅基金项目,面对VLSI 电路物理设计中的关键环节,针对BBL 模式下的带约束布局问题,展开了一些研究工作。本文主要研究如何来求解在超大规模集成电路布局中,具有预定义坐标结群约束模块的布局问题（简称PCA 问题）,研究途径是采用O-TREE 的编码表示方法和模拟退火的算法。目前,存在一些成功的算法来解决PCA 问题。然而,它们的算法有些很复杂,有些很耗时。在这篇文章里,我们提了一种新的布局算法来解决这个问题,该算法是基于O-Tree 结构,旨在减少总的运行时间且简便。通过对MCNC 的基准例子ami33 和ami49 上的仿真实验表明:与参考文献[32]中提出方法所得的结果相比,我们的新算法是可行的并且很有效。它不仅使芯片面积利用率得到改善,而且节约了一半以上的设计计算时间开销。本文还考虑到算法是否受模块规模大小的影响,为此我们进行了电路模块扩张的实验验证。针对ami33 基准例,实验模块被扩展到了65 个,实验结果表明我们的算法是很有效、鲁棒的,并且运行很快。
罗成[9]（2004）在《磁浮列车悬浮控制器电子负载的设计研究》文中认为悬浮控制器的设计和测试是悬浮列车技术发展过程中需要不断重复和改进的重要环节。在悬浮实验中,当悬浮控制器的参数不合适时,可能导致系统不收敛,从而产生剧烈的机械振动和电流冲击等现象,导致被控对象的损坏。但是,为了获得合适的控制器,这种悬浮实验又必须不断的重复,进行大量的研究。为了方便悬浮控制器的设计和测试,而减少实验中控制对象的损伤,可以构造一个模拟的实验环境,用一个虚拟的被控对象来接受控制器的控制,进行控制器的参数调节,并测试控制器的性能。本文的目标是设计一个电子负载来替代悬浮控制器的实际被控对象,用半实物仿真的形式做悬浮试验,进行控制器的性能测试和参数调节。 本文主要研究了悬浮控制器的虚拟负载的设计问题。首先从悬浮控制系统的结构和控制器的原理出发,考察了悬浮控制器的性能指标和测试办法,提出了控制器电子负载的设计要求,进行了各种方案的比较,给出了电子负载基于神经网络建模和PC机软硬件设计的方案,并进行了可行性分析。然后,进行了悬浮被控对象的建模研究。电子负载是利用计算机数学模型来代替实际的负载进行测试,模型建立得准不准确直接决定着电子负载能否代替实际负载;本文在对悬浮系统的机理建模和常规辨识建模方法分析的基础之上,详细研究了基于神经网络的实时建模方法。最后,进行了电子负载的软硬件设计和初步实验。电子负载作为悬浮控制器的虚拟负载,它从悬浮控制器获取控制量（电压）,作用于负载的机电模型,通过计算得到虚拟负载的电流、间隙和加速度等状态量,传递给悬浮控制器,作为计算新一轮控制量的依据,如此反复,以实现通过虚拟负载对悬浮控制器进行测试的目的。本文设计的电子负载的机电模型用PC机实现,数据采集由CPLD实现,虚拟负载与悬浮控制器之间的数据传输经由PC机的并口,解决了基于并口的高速实时数据传输等问题,完成了电子负载的设计,并进行了初步实验。
南国芳[10]（2004）在《VLSI物理设计中关键问题求解的算法研究》文中研究表明当前集成电路工艺技术的快速发展冲击着VLSI CAD技术,即CAD软件的发展落后于集成电路工艺技术的发展。这就要求研究人员根据目前的工艺技术不断改进布局布线、逻辑综合及验证工具,开发出更加适合VLSI产业发展的物理设计算法及可靠的集成电路设计软件产品。本文即是在这个思想的引导下展开的,主要研究内容如下:1. 系统阐述了VLSI CAD技术的发展及集成电路物理设计的主要内容,对物理设计中几个重要阶段（如电路划分、标准单元布局和时钟布线）中所采用算法的研究进展做了详细介绍,同时在第二章介绍了物理设计的算法基础。2. 在电路划分问题的研究中,先后提出了K-L改进划分算法、基于聚类技术的F-M电路划分算法、不同编码的遗传算法设计及混合式遗传电路划分算法,前两种方法均为传统启发式算法的改进,较之原有算法得出的结果有所改进。基于不同编码技术的遗传算法设计及混合式遗传算法的提出是该部分的一个创新点。遗传算法中分别采用0-1编码和基于模块编号的整数编码方式,并设计了相应的适应度函数及遗传算子。将两种遗传算法用于标准标杆电路的测试,划分结果得到了较大的改善。混合式遗传算法则是在标准遗传算法的基础上,用整个K-L算法作为变异算子,虽然每一代进化中增加了算法的复杂度,但是总的来说降低了计算时间。3. 针对标准单元布局问题,提出了一种适应性模拟退火算法,在传统的模拟退火算法中引入适应性初始温度和适应性搜索区域的概念,并对标准单元布局中目标函数中的惩罚项作出相应改进,同时对相关的退火策略及参数优化进行了设计。和传统模拟退火算法得出的结果相比,该算法在布局效果上和时间性能上均显示出优越性;利用上述相关策略及参数,还提出了基于遗传算法的标准单元布局算法。4. 时钟信号和时钟偏差对电路性能的影响也越来越明显。针对传统的时钟网络拓扑生成算法存在的不足,提出了 “多级”概念并设计了基于多级遗传算法和多级模拟退火算法的时钟二叉树形成算法。两种方法虽然形式上不同,且有共同的特点。在对随机测试例子和标准标杆测试例子的测试中发现,较之传统的启发式算法,二者都能产生较好的测试结果。
二、用神经网络求解时间驱动的宏单元布局问题（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、用神经网络求解时间驱动的宏单元布局问题（论文提纲范文）
（2）装配线仿真与装配件检测关键技术研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 装配线概述 |
| 1.1.2 XR技术概述 |
| 1.2 国内外研究现状 |
| 1.2.1 装配线仿真优化的研究现状 |
| 1.2.2 布局设计中XR技术应用的研究现状 |
| 1.2.3 深度学习目标识别的研究现状 |
| 1.2.4 装配检测中AR和MR技术应用的研究现状 |
| 1.3 研究意义和论文来源 |
| 1.3.1 研究意义和目的 |
| 1.3.2 论文来源 |
| 1.4 研究内容和论文结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文组织结构 |
| 1.5 本章小结 |
| 第2章 基于组合多目标优化的机器人装配线安全布局方法的研究 |
| 2.1 问题提出 |
| 2.2 基于安全指标的装配线布局模型 |
| 2.2.1 装配线布局描述 |
| 2.2.2 安全布局建模 |
| 2.2.3 确定模型参数 |
| 2.3 基于组合多目标优化的安全布局方法 |
| 2.3.1 NSGA-II算法的理论基础 |
| 2.3.2 DE算法的理论基础 |
| 2.3.3 组合多目标优化安全布局方法的研究 |
| 2.3.4 布局安全验证方法 |
| 2.4 实验与验证 |
| 2.4.1 性能测试及对比实验 |
| 2.4.2 求解安全布局实例 |
| 2.4.3 组合多目标优化的机器人装配线安全布局方法的应用 |
| 2.5 本章小结 |
| 第3章 基于混合现实的装配线布局人机交互方法的研究 |
| 3.1 问题的提出 |
| 3.2 混合现实装配线布局仿真人机交互方法 |
| 3.2.1 混合现实装配线布局仿真人机交互框架 |
| 3.2.2 基于数字孪生的装配线布局仿真方法 |
| 3.2.3 基于混合现实的人机交互方法 |
| 3.3 实验与验证 |
| 3.3.1 实验结果 |
| 3.3.2 基于数字孪生的虚拟模型的实现 |
| 3.3.3 基于混合现实装配线布局人机交互方法的应用 |
| 3.4 本章小结 |
| 第4章 基于深度学习的装配件质量检测方法的研究 |
| 4.1 问题的提出 |
| 4.2 基于深度学习的装配件质量检测方法 |
| 4.2.1 装配件质量检测框架 |
| 4.2.2 基于Faster R-CNN的装配件目标识别方法 |
| 4.2.3 基于AlexNet卷积神经网络的装配件分类方法 |
| 4.3 实验与验证 |
| 4.3.1 实验数据集 |
| 4.3.2 实验结果 |
| 4.3.3 基于深度学习的装配质量检测方法的应用 |
| 4.4 本章小结 |
| 第5章 混合现实装配检测中深度学习数据增强方法的研究 |
| 5.1 问题的提出 |
| 5.2 混合现实装配检测方法 |
| 5.2.1 混合现实装配检测框架 |
| 5.2.2 混合现实装配检测方法的研究 |
| 5.3 混合现实装配检测中数据增强方法 |
| 5.3.1 改进的CLAHE的图像增强方法 |
| 5.3.2 数据集预处理几何变换方法 |
| 5.4 实验与验证 |
| 5.4.1 增强数据集 |
| 5.4.2 实验结果 |
| 5.4.3 混合现实装配检测中深度学习数据增强方法的应用 |
| 5.5 本章小结 |
| 第6章 总结 |
| 6.1 本文工作总结 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）基于忆阻器的随机神经网络应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 前言 |
| 1.2 随机神经网络的类别 |
| 1.2.1 人工神经网络模型 |
| 1.2.2 随机神经网络的分类 |
| 1.3 CMOS基神经网络硬件 |
| 1.4 忆阻器基神经网络硬件及挑战 |
| 1.4.1 忆阻器基神经网络 |
| 1.4.2 忆阻器基神经网络挑战 |
| 1.5 选题意义与研究内容 |
| 第二章 忆阻器件的本征随机性概述 |
| 2.1 忆阻器概述 |
| 2.1.1 忆阻器的分类 |
| 2.1.2 忆阻器的性能参数 |
| 2.1.3 氧空位细丝型忆阻器的转变模式 |
| 2.1.4 阈值型忆阻器的转变模式 |
| 2.1.5 忆阻器阵列集成方案 |
| 2.2 忆阻器件的随机性 |
| 2.3 忆阻器基神经网络的随机性 |
| 2.3.1 忆阻器基神经突触中的随机性 |
| 2.3.2 忆阻器基神经元中的随机性 |
| 2.4 本章总结 |
| 第三章 基于忆阻器的Hopfield网络 |
| 3.1 Hopfield网络简介 |
| 3.1.1 Hopfield网络简介 |
| 3.1.2 Hopfield网络权重中随机性分析 |
| 3.2 突触器件制备及电学特性测试 |
| 3.2.1 器件制备 |
| 3.2.2 器件的电学特征及随机性测试 |
| 3.3 器件阻值的随机性对Hopfield网络解决优化问题的影响 |
| 3.4 本章小结 |
| 第四章 基于忆阻器的贝叶斯神经网络 |
| 4.1 贝叶斯神经网络 |
| 4.1.1 贝叶斯神经网络简介 |
| 4.1.2 贝叶斯神经网络的硬件平台 |
| 4.2 随机神经突触表征 |
| 4.2.1 基于忆阻器的随机突触表征 |
| 4.2.2 基于忆阻器的贝叶斯神经网络仿真分析 |
| 4.2.3 基于忆阻器的高斯随机权重分析 |
| 4.3 基于忆阻器的贝叶斯神经网络硬件系统 |
| 4.4 本章小结 |
| 第五章 基于忆阻器的受限玻尔兹曼机 |
| 5.1 受限玻尔兹曼机 |
| 5.1.1 受限玻尔兹曼机简介 |
| 5.1.2 受限玻尔兹曼机硬件平台 |
| 5.2 NbO_x器件的制备及电学测试 |
| 5.2.1 NbO_x器件的制备 |
| 5.2.2 NbO_x器件的电学测试 |
| 5.3 基于NbO_x器件的随机神经元设计 |
| 5.4 系统软件仿真 |
| 5.5 忆阻受限玻尔兹曼机的硬件设计 |
| 5.5.1 权重映射方法 |
| 5.5.2 全硬件受限玻尔兹曼机系统设计 |
| 5.6 随机神经元和随机突触的相互作用 |
| 5.7 本章小节 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的成果 |
（4）基于机器学习的电磁问题优化建模研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 无线信道建模的研究现状 |
| 1.2.1.1 统计性建模方法 |
| 1.2.1.2 确定性建模方法 |
| 1.2.1.3 基于机器学习的建模方法 |
| 1.2.2 电磁器件设计方法的研究现状 |
| 1.2.2.1 基于优化算法的设计方法 |
| 1.2.2.2 基于机器学习的设计方法 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 基于神经网络的建模技术 |
| 2.1 神经网络结构 |
| 2.1.1 多层感知神经网络 |
| 2.1.2 径向基函数神经网络 |
| 2.1.3 生成对抗网络 |
| 2.2 神经网络的训练过程 |
| 2.2.1 梯度优化算法 |
| 2.2.2 智能优化算法 |
| 2.3 神经网络的测试过程 |
| 2.4 本章小结 |
| 第三章 基于神经网络的信道建模 |
| 3.1 基于神经网络的室外通信信道建模 |
| 3.1.1 基于ITU-R P.1546建议书的场强预测 |
| 3.1.2 结合Deygout模型的场强预测 |
| 3.1.3 混合模型 |
| 3.1.4 验证算例 |
| 3.2 基于神经网络的室内通信信道建模 |
| 3.2.1 基于时间反演的超宽带室内通信简介 |
| 3.2.2 适用于时间反演信道建模的知识神经网络 |
| 3.2.2.1 时间反演信号传播特性 |
| 3.2.2.2 神经网络模型 |
| 3.2.2.3 遗传算法优化神经网络 |
| 3.2.2.4 信道特性的获取 |
| 3.2.3 验证算例 |
| 3.3 本章小结 |
| 第四章 基于多分支神经网络的无线收发器件设计 |
| 4.1 非唯一性问题 |
| 4.2 多分支神经网络 |
| 4.2.1 非唯一性问题的判断方法 |
| 4.2.2 训练数据拆分方法 |
| 4.2.3 获取有效输出的方法 |
| 4.2.4 整体模型与讨论 |
| 4.3 天线阵列的验证算例 |
| 4.3.1 平行短偶极子线阵 |
| 4.3.2 共线短偶极子线阵 |
| 4.3.3 短偶极子平面阵列 |
| 4.3.4 短偶极子稀布阵 |
| 4.4 本章小结 |
| 第五章 基于传递函数神经网络的宽带超表面设计 |
| 5.1 超表面及其设计方法简介 |
| 5.2 矢量拟合 |
| 5.3 基于传递函数的神经网络逆模型 |
| 5.3.1 TF-ANN模型结构 |
| 5.3.2 反射超表面的验证算例 |
| 5.4 改进型TF-ANN逆模型 |
| 5.4.1 模型结构 |
| 5.4.2 类EIT超表面的验证算例 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（5）基于集成分流器的大功率IPM关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外发展现状 |
| 1.2.1 IPM发展现状 |
| 1.2.2 IPM驱动技术发展现状 |
| 1.2.3 IPM保护技术发展现状 |
| 1.3 课题主要研究内容及论文结构 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 2 IPM工作原理及相关技术 |
| 2.1 IPM工作原理 |
| 2.1.1 IPM结构 |
| 2.1.2 IGBT工作原理 |
| 2.1.3 续流二极管 |
| 2.1.4 安全工作区 |
| 2.1.5 感性负载关断分析 |
| 2.2 短路故障及保护技术 |
| 2.2.1 应用中短路情况分类 |
| 2.2.2 影响短路特性的因素 |
| 2.2.3 短路检测保护技术 |
| 2.3 大功率IPM模块的驱动技术 |
| 2.3.1 可变栅极电阻驱动电路 |
| 2.3.2 可变栅极电流驱动电路 |
| 2.3.3 可变栅极电压驱动电路 |
| 2.4 本章小结 |
| 3 集成分流器的方案研究 |
| 3.1 集成分流器IPM功率单元拓扑方案 |
| 3.2 IPM模块工作损耗计算 |
| 3.2.1 通态损耗 |
| 3.2.2 开关损耗 |
| 3.2.3 IPM模块总损耗 |
| 3.3 IPM模块热网络模型 |
| 3.3.1 热传导 |
| 3.3.2 Cauer连续热网络模型 |
| 3.4 功率单元布局研究 |
| 3.5 本章小节 |
| 4 基于MEA-BP神经网络的驱动策略预测方法研究 |
| 4.1 三阶段可变栅极电阻方法 |
| 4.1.1 IGBT开关特性分析 |
| 4.1.2 可变栅极电阻方法 |
| 4.2 折衷问题和驱动效果评价 |
| 4.2.1 折衷问题 |
| 4.2.3 驱动效果评价方法 |
| 4.3 驱动策略预测方法 |
| 4.3.1 样本数据采集 |
| 4.3.2 数据预处理和归一化 |
| 4.3.3 神经网络创建和训练 |
| 4.3.4 缩小求解域 |
| 4.3.5 寻找最优驱动策略 |
| 4.4 实验验证 |
| 4.4.1 开通策略验证 |
| 4.4.2 关断策略验证 |
| 4.5 分析和讨论 |
| 4.5.1 预测准确性分析 |
| 4.5.2 EMI分析 |
| 4.5.3 驱动策略分析 |
| 4.6 本章小结 |
| 5 短路检测与保护 |
| 5.1 短路分析 |
| 5.2 功率单元参数标定 |
| 5.2.1 分流器阻值标定 |
| 5.2.2 分流器温漂测试 |
| 5.2.3 分流器电压采集补偿和肌肤效应 |
| 5.3 实验验证 |
| 5.3.1 双脉冲测试 |
| 5.3.2 一类短路试验 |
| 5.3.3 二类短路试验 |
| 5.4 分析与讨论 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.1.1 主要完成工作 |
| 6.1.2 主要创新点 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间成果 |
（6）基于门阵列的VLSI布局算法研究（论文提纲范文）
| 第一章 绪论 |
| 1.1 集成电路 CAD技术的发展 |
| 1.2 VLSI设计流程 |
| 1.3 布图设计过程 |
| 1.4 布图模式 |
| 1.4.1 全定制设计模式 |
| 1.4.2 标准单元设计模式 |
| 1.4.3 门阵列设计模式 |
| 1.4.4 门海设计模式 |
| 1.4.5 现场可编程门阵列 |
| 1.4.6 不同设计方法的比较 |
| 1.5 布局问题的复杂性分析 |
| 1.6 布局问题的研究现状 |
| 1.7 论文结构 |
| 第二章 布局中的基本问题 |
| 2.1 布局问题定义 |
| 2.2 布局中的线长估计 |
| 2.2.1 最小斯坦纳树 |
| 2.2.2 最小生成树 |
| 2.2.3 最小链 |
| 2.2.4 源到漏端的最小连接 |
| 2.2.5 完全图 |
| 2.2.6 半周长 |
| 2.2.7 边界框 |
| 2.2.8 二次线长 |
| 2.2.9 单树干斯坦纳树 |
| 2.2.10 小结 |
| 2.3 布局的目标函数 |
| 2.3.1 基于连线总长的目标 |
| 2.3.2 基于割线的目标 |
| 2.3.3 基于最大密度的目标函数 |
| 2.3.4 复合目标函数 |
| 2.3.5 总结 |
| 2.4 初始布局 |
| 2.4.1 单元的安置 |
| 2.4.2 单元的选择 |
| 2.4.3 小结 |
| 2.5 迭代改善布局 |
| 2.5.1 改善布局的目标函数 |
| 2.5.2 基于对交换的迭代改善布局 |
| 2.5.3 基于数学规划方法的迭代改善布局 |
| 2.5.4 小结 |
| 第三章 VLSI布局中的常用算法 |
| 3.1 成对交换和最小割算法 |
| 3.2 数学规划算法 |
| 3.2.1 问题定义 |
| 3.2.2 问题求解 |
| 3.3 模拟退火算法 |
| 3.4 遗传算法 |
| 3.4.1 基本遗传算法的构成要素 |
| 3.4.2 基本遗传算法的算法描述 |
| 3.4.3 遗传算法在VLSI布局中的应用 |
| 3.4.4 各种算子的具体操作 |
| 3.5 人工神经网络算法 |
| 3.5.1 Hopfield神经网络模型 |
| 3.5.2 用神经网络方法求解布局问题 |
| 3.6 禁忌搜索算法 |
| 3.6.1 禁忌搜索算法简介 |
| 3.7 蚁群算法 |
| 3.7.1 蚁群算法原理 |
| 3.7.2 蚁群算法的三个规则 |
| 3.8 小结 |
| 第四章 具体实例分析 |
| 4.1 布局实例设计 |
| 4.2 模拟退火算法运用于具体实例 |
| 4.2.I M_percell对布局的影响 |
| 4.2.2 循环次数N对布局的影响 |
| 4.2.3 初始温度变化对布局的影响 |
| 4.2.4 恒定的退火调度a(T)对布局结果的影响 |
| 4.2.5 变化的退火调度 |
| 4.2.6 参数的确定 |
| 4.3 遗传算法用于布局实例 |
| 4.4 遗传算法与模拟退火的混合算法(GASA) |
| 4.5 新的算法:核心生长-力矢量法 |
| 4.5.1 算法原理 |
| 4.5.2 算法具体操作过程 |
| 4.5.3 实验结果 |
| 4.6 小结 |
| 第五章 结束语 |
| 参考文献 |
| 硕士在读期间发表论文 |
（7）遗传算法和神经网络在布局子问题中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 布局问题的研究概况 |
| 1.1.1 布局问题的分类 |
| 1.1.2 布局问题的研究概况 |
| 1.2 遗传算法的发展 |
| 1.2.1 参数选择 |
| 1.2.2 遗传算子的改进及算法结构 |
| 1.2.3 与其他算法综合 |
| 1.3 神经网络研究概况 |
| 1.3.1 多层前馈神经网络 |
| 1.3.2 神经网络的特点及其应用前景 |
| 1.4 遗传算法和神经网络在布局问题中的应用 |
| 1.5 本文主要工作 |
| 2 布局问题 |
| 2.1 引言 |
| 2.2 布局优化子问题 |
| 2.2.1 矩形布局优化子问题 |
| 2.2.2 相邻图元与布局方案轨道的划分 |
| 2.2.3 不动点集及布局子问题 |
| 3 遗传算法及其在布局子问题中的应用 |
| 3.1 引言 |
| 3.2 遗传算法理论 |
| 3.2.1 生物学基础 |
| 3.2.2 简单遗传算法 |
| 3.2.3 模式定理 |
| 3.2.4 遗传算法设计 |
| 3.2.4.1 编码方法 |
| 3.2.4.2 选择机制 |
| 3.2.4.3 杂交和变异机制 |
| 3.2.4.4 变异 |
| 3.3 遗传算法的基础理论研究 |
| 3.4 遗传算法执行策略的改进 |
| 3.4.1 遗传算法与模拟退火算法的结合 |
| 3.4.2 遗传算法与局部优化方法结合 |
| 3.4.3 并行遗传算法 |
| 3.4.4 免疫遗传算法 |
| 3.5 遗传算法处理约束优化问题 |
| 3.6 同构布局等价类的改进遗传算法 |
| 3.6.1 同构不干涉布局优化算法 |
| 3.6.2 一些算子说明和定义 |
| 3.6.3 进化中的邻接关系 |
| 3.6.4 关于同构布局等价类的改进遗传算法 |
| 3.6.4.1 关于同构布局等价类的改进遗传算法 |
| 3.6.4.2 改进遗传算法的全局收敛性 |
| 3.6.5 数值实验 |
| 4 神经网络在布局优化子问题中的应用 |
| 4.1 神经网络发展概况 |
| 4.2 神经网络基本原理和学习算法 |
| 4.2.1 人工神经元模型 |
| 4.2.2 神经网络学习方式及学习规则 |
| 4.3 前馈网络和 BP算法 |
| 4.3.1 多层前馈神经网络及其函数逼近能力 |
| 4.3.2 BP算法 |
| 4.3.2.1 反向传播的基础 |
| 4.3.2.2 BP算法 |
| 4.4 布局子问题的改进遗传神经网络算法 |
| 4.4.1 布局优化子问题前向网络 |
| 4.4.2 神经网络结构的寻优 |
| 4.4.3 同构布局等价类中进行布局方案寻优 |
| 4.4.4 数值实验 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
| 大连理工大学学位论文版权使用授权书 |
（8）改进的O-TREE表示法在求解带总线约束的VLSI电路BBL布局问题中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 IC 及EDA 技术的发展概况 |
| 1.1.1 前言 |
| 1.1.2 EDA 技术的发展 |
| 1.1.3 ESDA 技术的基本特征 |
| 1.2 超大规模集成电路(VLSI)设计流程 |
| 1.3 物理设计过程 |
| 1.4 VLSI 物理设计的布图模式 |
| 1.5 VLSI 布局布线的研究现状和发展态势 |
| 1.6 本论文完成的工作和内容的组织 |
| 第二章 VLSI 物理设计的算法介绍 |
| 2.1 图论算法 |
| 2.1.1 图搜索算法 |
| 2.1.2 最短路径 |
| 2.1.3 最小生成树 |
| 2.1.4 斯坦纳(Steiner)树算法 |
| 2.2 计算智能优化算法 |
| 2.2.1 模拟退火(SA) |
| 2.2.2 遗传算法(GA) |
| 2.2.3 神经网络算法(NNA) |
| 2.2.4 人工蚁群算法(ACS) |
| 2.2.5 禁忌搜索算法(TS) |
| 2.3 计算智能算法在集成电路布局中的应用 |
| 2.3.1 初始布局 |
| 2.3.2 迭代改善布局 |
| 2.3.3 布局的目标函数 |
| 2.4 小结 |
| 第三章 VLSI 布局表示方法的评述 |
| 3.1 引言 |
| 3.2 Non-slicing 布局表示方法研究进展 |
| 3.2.1 序列对SP(Sequence Pair) |
| 3.2.2 传递闭包图TCG(Transitive Closure Graph) |
| 3.2.3 变形网格BSG(Bounded Sliceline grid) |
| 3.2.4 O-Tree 表示法和B*-Tree 表示法 |
| 3.2.5 角模块CBL(Corner-Block-List)及其它Mosaic 布局表示法 |
| 3.2.6 TBT(Twin Binary Tree)布局表示法 |
| 3.2.7 S-Sequence(Segment-State Sequence)布局表示法 |
| 3.2.8 三维(3D)的布局表示法 |
| 3.3 布局表示方法的总结 |
| 第四章 改进的O-TREE 在有约束的VLSI 布局中的应用 |
| 4.1 引言 |
| 4.1.1 三种总线的逻辑结构图及描述 |
| 4.1.2 三种总线的分析和对比 |
| 4.1.3 小结 |
| 4.2 有PCA 约束的布局问题描述 |
| 4.3 改进O-Tree 编码表示方法 |
| 4.3.1 O-Tree 表示法 |
| 4.3.2 约束图(Constraint Graph)和容许布局(Admissible Placement) |
| 4.3.3 O-Tree 布局 |
| 4.3.4 改进的O-Tree 表示 |
| 4.4 算法描述 |
| 4.4.1 目标函数 |
| 4.4.2 算法的设计和伪码描述 |
| 4.4.3 应用模拟退火算法迭代改善布局结果 |
| 4.5 结论 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 进一步的工作与展望 |
| 参考文献 |
| 致谢 |
| 个人简历及在学期间发表的学术论文和工业实践情况 |
（9）磁浮列车悬浮控制器电子负载的设计研究（论文提纲范文）
| 目录 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 课题的研究背景和目的 |
| 1.3 国内外研究现状 |
| 1.4 论文的研究内容及安排 |
| 第二章 悬浮控制器电子负载的方案设计 |
| 2.1 悬浮控制器电子负载的设计要求 |
| 2.1.1 电子负载与半实物仿真 |
| 2.1.2 悬浮控制器的介绍与电子负载的性能要求 |
| 2.1.3 悬浮控制系统的构成与电子负载的接口要求 |
| 2.1.4 电子负载设计要求综述 |
| 2.2 悬浮控制器电子负载的设计方案及比较 |
| 2.2.1 电子负载的数学模型 |
| 2.2.2 电子负载的硬件设计 |
| 2.2.3 电子负载的软件设计 |
| 2.3 电子负载基于PC 机和神经网络的设计方案及可行性分析 |
| 2.3.1 方案描述 |
| 2.3.2 可行性分析 |
| 2.4 本章小结 |
| 第三章 悬浮系统建模方法研究 |
| 3.1 悬浮系统的建模方法研究 |
| 3.1.1 机理建模方法 |
| 3.1.2 辨识建模方法 |
| 3.1.3 神经网络建模方法 |
| 3.2 悬浮系统的神经网络建模 |
| 3.2.1 网络的结构设计 |
| 3.2.2 网络的样本 |
| 3.2.3 网络的训练 |
| 3.2.4 网络的仿真检验 |
| 3.2.5 模型的编程和使用 |
| 3.2.6 模型的参数结果和算法实现 |
| 3.3 本章小结 |
| 第四章 悬浮控制器电子负载基于 PC机的软硬件设计 |
| 4.1 电子负载模型与控制器的通讯要求 |
| 4.2 电子负载基于 PC机的软件设计 |
| 4.2.1 电子负载软件设计的目的和要求 |
| 4.2.2 电子负载软件设计的内容 |
| 4.2.3 电子负载软件设计的几个问题 |
| 4.2.4 电子负载的软件编程 |
| 4.3 电子负载接口的硬件设计 |
| 4.3.1 电子负载接口的硬件设计要求 |
| 4.3.2 电子负载接口的硬件结构 |
| 4.3.3 电子负载接口的硬件逻辑设计 |
| 4.4 本章小结 |
| 第五章 悬浮控制器电子负载的实验与展望 |
| 5.1 悬浮控制器电子负载的局部实验 |
| 5.1.1 精确定时周期的并口通讯实验 |
| 5.1.2 CPLD的逻辑设计实验 |
| 5.2 悬浮控制器电子负载的整体实验 |
| 5.3 悬浮控制器电子负载的展望 |
| 5.4 本章小结 |
| 总结 |
| 致谢 |
| 参考文献 |
（10）VLSI物理设计中关键问题求解的算法研究（论文提纲范文）
| 第一章 绪论 |
| 1.1 集成电路及其CAD技术的发展 |
| 1.2 集成电路设计及其物理设计 |
| 1.3 集成电路物理设计各阶段的研究现状 |
| 1.4 本文的内容与组织 |
| 第二章 VLSI物理设计算法基础 |
| 2.1 算法基础 |
| 2.2 传统启发式算法 |
| 2.3 模拟退火算法 |
| 2.4 遗传算法 |
| 2.5 小结 |
| 第三章 电路划分 |
| 3.1 电路划分 |
| 3.2 K-L电路划分算法的改进 |
| 3.3 基于随机电路的混合式遗传算法 |
| 3.4 基于F-M方法的电路划分算法 |
| 3.5 两种不同编码的遗传算法求解电路划分 |
| 3.6 小结 |
| 第四章 标准单元布局算法研究 |
| 4.1 标准单元布局 |
| 4.2 线长估计与目标函数 |
| 4.3 一种改进的适应性模拟退火布局算法 |
| 4.4 遗传算法及其在布局中的应用 |
| 4.5 布线技术 |
| 4.6 小结 |
| 第五章 时钟布线 |
| 5.1 时钟布线 |
| 5.2 时钟树拓扑生成算法 |
| 5.3 多级遗传算法用于时钟二叉树形成 |
| 5.4 多级模拟退火算法用于时钟二叉树形成 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位期间完成的科研成果 |
| 致谢 |
四、用神经网络求解时间驱动的宏单元布局问题（论文参考文献）
- [1]超大规模集成电路布局的优化模型与算法[J]. 黄志鹏,李兴权,朱文兴. 运筹学学报, 2021(03)
- [2]装配线仿真与装配件检测关键技术研究及应用[D]. 王帅. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021
- [3]基于忆阻器的随机神经网络应用研究[D]. 卢建. 中国科学技术大学, 2021(09)
- [4]基于机器学习的电磁问题优化建模研究[D]. 院琳. 电子科技大学, 2021
- [5]基于集成分流器的大功率IPM关键技术研究[D]. 孟昭亮. 西安理工大学, 2020(01)
- [6]基于门阵列的VLSI布局算法研究[D]. 范海秋. 合肥工业大学, 2006(08)
- [7]遗传算法和神经网络在布局子问题中的应用[D]. 曾明华. 大连理工大学, 2005(03)
- [8]改进的O-TREE表示法在求解带总线约束的VLSI电路BBL布局问题中的应用[D]. 李煜. 电子科技大学, 2005(07)
- [9]磁浮列车悬浮控制器电子负载的设计研究[D]. 罗成. 国防科学技术大学, 2004(03)
- [10]VLSI物理设计中关键问题求解的算法研究[D]. 南国芳. 天津大学, 2004(03)