[发明专利]一种基于机器学习的电路路径延时波动预测方法有效
| 申请号： | 201810940335.X | 申请日： | 2018-08-17 |
| 公开（公告）号： | CN109255159B | 公开（公告）日： | 2023-04-07 |
| 发明（设计）人： | 曹鹏;徐冰倩;郭静静;李梦潇;杨军 | 申请（专利权）人： | 东南大学 |
| 主分类号： | G06F30/3308 | 分类号： | G06F30/3308;G06F30/3312;G06F30/27;G06N20/10;G06F18/2431 |
| 代理公司： | 南京苏高专利商标事务所(普通合伙) 32204 | 代理人： | 饶欣 |
| 地址： | 211189 江*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于机器学习的电路路径延时波动预测方法，包括以下步骤：S1：通过分析电路特征与路径延时的关系选择合适的样本特征量；S2：通过枚举随机化参数的值生成随机路径，通过对随机路径进行蒙特卡洛仿真获得路径最大延时，通过3σ标准选取可靠路径，将可靠路径的样本特征量以及路径延时作为样本集；S3：建立路径延时预测模型，调整模型参数；S4：验证路径延时预测模型的精度和稳定性；S5：得到路径延时。本发明具有高精度和低运行时间的优点，在时序分析准确性和效率方面优势显著。 | ||
| 搜索关键词： | 一种 基于 机器 学习 电路 路径 延时 波动 预测 方法 | ||
【主权项】：
1.一种基于机器学习的电路路径延时波动预测方法，其特征在于：包括以下步骤：S1：通过分析电路特征与路径延时的关系选择合适的样本特征量；S2：通过枚举随机化参数的值生成随机路径，通过对随机路径进行蒙特卡洛仿真获得路径最大延时，通过3σ标准选取可靠路径，将可靠路径的样本特征量以及路径延时作为样本集；S3：建立路径延时预测模型，调整模型参数；S4：验证路径延时预测模型的精度和稳定性；S5：得到路径延时。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于东南大学，未经东南大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810940335.X/，转载请声明来源钻瓜专利网。
