[发明专利]一种基于K-MEANS聚类算法测试数据相似性划分的K值选择法

说明书

本发明公开了一种基于K‑MEANS聚类算法测试数据相似性划分的K值选择法，包括数据处理测试、线性反馈移位寄存器、k‑means算法数据划分、综合平台搭建、实验测试、衡量指标和实验分析，数据处理测试包括激励处理测试和响应处理测试，且激励处理测试主要测试压缩率和压缩后数据的故障覆盖率作，且响应处理测试主要测试被测电路施加测试激励后被测电路的输出，该方法提出使用k‑means聚类算法对大量数据进行分类，使得类内的数据尽可能相似，不同类的数据不相似，在类间平均性、类内相似性、类间相异性和运行时间这几项指标的约束下，使用不同长度的线性反馈移位寄存器LFSR产生的大量随机数据对不同分类数下以上项指标的变化趋势进行统计，发现最优聚类区间。

技术领域

本发明涉及计算机算法技术领域，具体为一种基于K-MEANS聚类算法测 试数据相似性划分的K值选择法。

背景技术

集成电路复杂程度的不断提高和尺寸的日益缩小，测试已经成为迫切需 要解决的问题，特别是进入深亚微米以及超高集成度发展阶段以来，通过集 成各种IP核，系统级芯片SoC(System-on-Chip)的功能更加强大，但是一系 列的测试问题也随之而来，在测试系统中主要体现在性能和效率上的问题， 速度、功能和性能更高的电路与系统要求与之匹配的自动测试设备ATE (Automatic Test Equipment),导致测试设备投资成本提高,测试成为VLSI 设计、测试和制造环节中费用和难度最大的一个环节；

电路与系统的速度、性能和复杂程度日益提高，导致测试数据量随之剧 增，由于自动测试设备(ATE)的通道量和吞吐能力以及速度都非常有限，大 量的数据使得测试的难度和复杂度大大加剧,电路测试时内部的功耗是正常 功耗的2-4倍，大量的数据也会对测试功耗的增加产生影响，所以测试数据 处理也成为SoC设计中需要考虑的重要因素。

发明内容

本发明的目的在于提供一种基于K-MEANS聚类算法测试数据相似性划分 的K值选择法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案一种基于K-MEANS聚类算法 测试数据相似性划分的K值选择法，包括数据处理测试、线性反馈移位寄存 器、k-means算法数据划分、综合平台搭建、实验测试、衡量指标和实验分 析；

数据处理测试包括激励处理测试和响应处理测试，且激励处理测试主要 测试压缩率和压缩后数据的故障覆盖率作，且响应处理测试主要测试被测电 路施加测试激励后被测电路的输出；

线性反馈移位寄存器由移位寄存器序列和反馈逻辑组成，且移位寄存器 序列一级的输出连接到下一级的输入，寄存器级数决定循环周期，且反馈逻 辑由n个D触发器和若干个异或门组成，且反馈逻辑取部分寄存器的输出经 过组合逻辑，输出结果连接到最前级寄存器输入端；

k-means算法数据划分将大量的随机数据划分成类间平均性好、类内相似 性高、类间相异性优的n组数据块。

综合平台搭建包括Quartus、ModelSim、Matlab三个平台，在Quartus 软件上生成LFSR用于大量随机数据的生成，随机数据通过ModelSim和Matlab 联合仿真实现随机数据在算法中的聚类；

实验测试过程如下：

(1)基于Verilog语言在Quartus平台上构建线性反馈移位寄存器LFSR， 用来生成大量的测试数据。在构建的过程中为保持随机数据的随机性，本文 采用多组长度不同的LFSR，而且在每组实验的进行中都选取多组不重叠数据；

(2)编写激励联合ModelSim对生成的数据进行仿真，并将仿真数据输 出到算法中；

(3)在Matlab平台上实现大量随机数据在算法中的聚类，聚类过程中 需要对进行评价的数据和聚类图像进行统计；