Использование нейронных сетей для изучения надежности ИС

№ 2’2007
PDF версия
Под техническими характеристиками ИС понимают электрические параметры ИС, контролируемые по ТУ. Например, для ТТЛ ИС обязательным является контролирование параметров UOL (выходное напряжение низкого уровня) и UOH (выходное напряжение высокого уровня).

Использование нейронных сетей для первичной обработки результатов испытаний ИС на долговечность

Под техническими характеристиками ИС понимают электрические параметры ИС, контролируемые по ТУ. Например, для ТТЛ ИС обязательным является контролирование параметров UOL (выходное напряжение низкого уровня) и UOH (выходное напряжение высокого уровня). Статическая и графическая обработка параметров ИС [1] при длительных испытаниях или при изменении внешних условий предполагает построение интегральных распределений (рис. 1), гистограмм (рис. 2), полей корреляции (рис. 3).

Рис. 2. Гистограммы параметров ТТЛ ИС типа 106ЛБ1 до испытаний и после 15 лет хранения: а — UOL; б — UOH
Рис. 3. Поле корреляций по параметру UOL ТТЛ ИС типа 106ЛБ1 относительно входного замера при испытаниях термоциклами со ступенчатым повышением температуры: I ступень — (–60…+150 °С); II — (–60…+200 °С); III — (–60… +225 °С); IV — (–60…+250 °С)

Так, интегральные кривые (рис. 1) и гистограммы (рис. 2) показывают, что параметр UOH ТТЛ ИС типа 106ЛБ1 при всех рассмотренных видах испытаний сильнее подвержен деградации, чем параметр UOL. Поле корреляций по параметру UOL ТТЛ ИС типа 106ЛБ1 при испытаниях термоциклами со ступенчатым повышением температуры показывает стабильность параметра в процессе испытаний. 190 термоциклов не вызвали существенного изменения контролируемого параметра. Статистическая обработка дает лишь качественную картину процесса деградации контролируемого параметра в выборке.

В рассмотренных ниже примерах покажем, как можно использовать нейронные сети (НС) в производственных условиях для изучения надежности партии ИС по результатам длительных испытаний на долговечность [2, 3].

Примеры выполнены с привлечением систем Matlab/Simulink фирмы MathWorks, Statistica for Windows фирмы StatSoft и статистического пакета программ NCSS (Number Cruncher Statistical Systems), являющихся признанными лидерами в научных и технических расчетах и использующих новейшие достижения в программировании и теоретических разработках в области статистики. Система визуального имитационного моделирования Matlab/Simulink оснащена специализированными средствами моделирования радиотехнических приложений и статистической обработки результатов измерений.

Обработаем результаты испытаний на долговечность ТТЛ ИС типа 1804ВС1. Дата изготовления выборки ИС с порядковыми номерами N1-20— январь 1987 года, длительность испытаний — 20 тыс. ч. Контролируемый параметр — UOL. Условие наступления параметрического отказа: UOL > 0,5 В.

По результатам испытаний формируем матрицу P (рис. 4). Матрица P представляет десятиэлементный вектор входа. В строках отображены значения параметра UOL конкретной ИС в конкретный замер. Замеры проводились в следующей последовательности: 1 — входной замер; 2 — 1000 ч; 3 — 2000 ч; 4 — 4000 ч; 5 — 5500 ч; 6 — 7500 ч; 8 — 10 000 ч; 9 — 15 000 ч; 10 — 20 000 ч. Столбцы обозначают порядковые номера ИС.

Рис. 4. Матрица P (десятиэлементный вектор входа) или результаты испытаний выборки из 20 шт. ТТЛ ИС типа 1804ВС1 выпуска января 1987 года

Предположим, что соответствие между входом и целью (выходом) носит выраженный линейный характер, поэтому будем использовать двухслойную нейронную сеть с прямой передачей сигнала (newff); в первом слое используем 180 нейронов с функцией активации tansig (гиперболический тангенс), а во втором — 1 нейрон с линейной функцией активации purelin. Такая структура эффективна для решения задач аппроксимации и регрессии. Число нейронов в первом слое подбирается экспериментальным образом. Увеличение числа нейронов во входном слое приводит к улучшению качества работы нейронной сети, увеличивая при этом ее сложность. Для обучения сети будем использовать М-функцию тренировки traincgf — метод связанных градиентов Флетчера—Пауэлла (Fletcher—Powell). Можно использовать и другие обучающие функции из алгоритмов обратного распространения: функцию traingd («классический» алгоритм обратного распространения ошибки) или функцию traingdm (модифицированный алгоритм обратного распространения ошибки с введенной «инерционностью» коррекции весов и смещений).

Будем использовать пакетный (групповой) режим обучения, согласно которому процедура предъявления сети всего набора тренировочных данных называется эпохой. После завершения одной эпохи вычисляется единственная усредненная ошибка, и сеть модифицируется в соответствии с этой ошибкой (изменяются веса и смещения).

Изменение среднеквадратической ошибки сети в процессе обучения показано на рис. 5. На рис. 6 показано моделирование процесса измерения параметра UOL ТТЛ ИС типа 1804ВС1 двухслойной обученной однонаправленной НС (функция newff). Однако практической ценности от применения НС в данном случае нет, так как предъявление нового вектора P, составленного по результатам испытаний ТТЛ ИС типа 1804ВС1 выпуска ноября 1988 года (параметр UOL), приводит к отказу работы НС. Прогнозирующие способности НС в этом случае равны нулю.

Рис. 5. Изменение среднеквадратической ошибки сети в процессе обучения
Рис. 6. Моделирование процесса измерений параметра UOL ТТЛ ИС типа 1804ВС1 двухслойной однонаправленной НС (функция newff)

Данный пример объясняет целесообразность использования наихудших значений контролируемого параметра UOL в выборке для использования в дальнейшем при решении таких задач, как слежение за процессом деградации и его прогнозирования. Из рис. 6 видно, что ряд деградации, составленный из наихудших значений в выборке, носит сложный колебательный характер.

Использование нейронных сетей для моделирования процесса деградации параметров ИС

Рассмотрим пример моделирования процесса деградации наихудших значений параметра UOL ТТЛ ИС типа 133ЛА8 в выборке из 20 шт. с использованием различных методов, возможность применения которых была показана в работах [4–6].

Для замера в момент времени t из четырех выходов одной ТТЛ ИС типа 133ЛА8, связанных с параметром UOL, выбирается минимальное, максимальное и среднее значение, далее для 20 ИС формируется выборка из этих значений. Из этой выборки выбирается наихудшее значение (максимальное). В момент времени t+1 измерения повторяются. Таким образом, формируется ряд деградации параметра UOL, состоящий из наихудших значений выборки в целом, в дальнейшем — просто ряд деградации.

Ряд деградации параметра UOL ИС типа 133ЛА8 в выборке при испытаниях на долговечность в течение 150 тыс. ч имеет вид:

Для моделирования процесса деградации воспользуемся методом линейного предсказания (Linear Predictive Coding, LPC) [5], который широко используется в спектральном анализе и для кодирования звуковых сигналов. Сущность метода заключается в пропускании сигнала (ряда деградации) через нерекурсивный фильтр (КИХ-фильтр):

где

(n) — предсказанное текущее значение сигнала; x(n) — отчеты сигнала; p — порядок предсказывающего фильтра; ? = [1,?(2),?(3),…,?(p+1)] — коэффициенты, подлежащие отысканию. Взвешенную сумму предыдущих отсчетов входного сигнала {x(n)} называют линейным предсказанием (linear prediction — линейный предиктор, прогноз) следующего входного сигнала, а выходной сигнал рассматриваемого фильтра, определяемый как разность между истинным и предсказанным значением отчета — ошибкой предсказания: e(n) = x(n)

(n) (рис. 7). На рис. 7 H(z) — функция передачи (transfer function) дискретной системы. В LPC-методе коэффициенты фильтра, минимизирующие среднеквадратическое значение ошибки предсказания, совпадают с коэффициентами авторегрессионной модели формирования сигнала [4].

Рис. 7. Линейное предсказание сигнала

Модели авторегрессии полезны для описания многих встречающихся на практике временных рядов. Первоначально эти модели были созданы для описания случайных систем, обладающих по аналогии с механикой инерцией и подверженных действию сил, возвращающих систему в состояние равновесия. Модели авторегрессии второго порядка оказались пригодными для описания поведения приблизительно циклической природы, прообразом которого может служить маятник, когда на систему воздействуют малые случайные импульсы. Налицо будет колебательное движение, амплитуда и фаза которого будет все время меняться.

Моделирование процесса деградации можно произвести в системе Matlab/Simulink с использованием функции дискретной фильтрации, которая имеет вид: y = filter(b,a,x), где y — вектор отсчетов выходного сигнала фильтра; b — вектор коэффициентов нерекурсивной части фильтра (числитель функции передачи); a — вектор коэффициентов рекурсивной части фильтра (знаменатель функции передачи); x — входной вектор отсчетов. Данная функция позволяет строить как КИХ, так и БИХ-фильтры.

Возьмем порядок предсказывающего фильтра равным двум. Найденный вектор коэффициентов ? = [1,?(2),?(3)], где ?(2), ?(3) — комплексные отрицательные числа, с использованием функции линейного предсказания lpc(T,2) подставим в вектор коэффициентов нерекурсивной части фильтра таким образом, чтобы из уравнения дискретной фильтрации получился нерекурсивный фильтр 2-го порядка:

где forecastX — предсказанный КИХ-фильтром сигнал, T — входной вектор отчетов.

Произведем сравнение результатов линейного предсказания с результатами, полученными с использованием авторегрессионной модели формирования сигнала (ARX-модель). Метод LPC и ARX-модель дают идентичные результаты [5], так как базируются на одинаковых теоретических подходах (рис. 8). Разница заключается лишь во временной задержке у ARX-модели.

Рис. 8. Моделирование процесса деградации параметра UOL ТТЛ ИС типа 133ЛА8

Сравним прогнозы, полученные с использованием LPC-метода и ARX-модели, с прогнозами линейной НС, обученной с использованием группового и адаптивного методов обучения [3]. Функция проектирования нового слоя newlind(P,T) по матрицам входных и выходных векторов методом наименьших квадратов определяет веса и смещения линейной сети. Начальные веса и смещение по умолчанию равны нулю. Функция не требует дополнительного обучения. Линейная функция в выходном слое не меняет уровня активации, не насыщается и поэтому способна экстраполировать.

Использование линейной НС должно быть основано на том предположении, что вход (вектор P) и выход (вектор T) должны быть связаны между собой линейно. В задачах анализа временных рядов обучающее множество данных, как правило, бывает представлено значениями одной переменной, которая является входной-выходной (служит для сети и входом, и выходом, то есть P = T).

Используем функцию newlind для создания линейной нейронной сети c одним нейроном, 5-элементным вектором входа и одним вектором выхода (рис. 8). Данная сеть позволяет моделировать процесс деградации с многоэлементным вектором входа. Из рис. 8 видно, что групповой и адаптивный метод обучения приводят к одинаковым результатам. Разница заключается в методе формирования задержек входного вектора и в алгоритмах обучения.

Можно сделать выводы, что все рассмотренные выше примеры демонстрируют возможность использования разнообразного математического аппарата для моделирования процесса деградации параметра UOL ТТЛ ИС типа 133ЛА8 в пределах ряда деградации.

Использование нейронных сетей для прогнозирования процесса деградации параметров ИС

Нас же больше всего интересуют долгосрочные прогнозы процесса деградации. Рассмотрим построение многошаговых прогнозов с использованием линейной сети. Воспользуемся функцией проектирования нового слоя newlind(P,T).

Спроектируем 5-элементный вектор входа следующим образом. Первый элементряд деградации, составленный из наихудших значений. Второй — этот же ряд, сдвинутый на один замер вперед. Третий — на два значения вперед. Четвертый — на 4 значения вперед. Пятый — на пять значений вперед. Таким образом формируется многоэлементный вектор входа P40 (матрица с размерностью 5 строк и 40 столбцов). Вектор T40 формируется путем сдвига ряда деградации на 6 значений вперед. Неизвестные значения заполняем нулем. Далее спроектируем линейную НС с вектором входа P40 и вектором выхода T40. Предъявим сети вектор P41. В ответ НС сформирует вектор выхода T41, значением которого необходимо заместить неизвестное значение вектора P42. Далее НС предъявляем вектор P42, которая в ответ сформирует вектор T42. Используя два значения векторов T41 и Т42, заполняем неизвестные значения вектора P43, как показано на рис. 9. И так далее. В данном примере сеть строит 7 прогнозных значений T41, T42, T43, T44, T45, T46, T47. На рис. 10 показан многошаговый прогноз линейной НС и линейной НС, дающей прогнозы по принципу экстраполяции. Судить о том, насколько точен прогноз, достаточно сложно.

Рис. 9. Многошаговый прогноз линейной сетью
Рис. 10. Прогнозирование процесса деградации параметра UOL ТТЛ ИС типа 133ЛА8 линейной НС с использованием многоэлементного вектора входа (многошаговый прогноз) и одноэлементного вектора входа (экстраполяция)

На рис. 11 показано сравнение прогнозов процесса деградации параметра UOL ИС типа 133ЛА8, построенных с использованием различных моделей временных рядов с прогнозом обобщенно-регрессионной нейронной сети (GRNN), пригодной для задач регрессии (функция newgrnn). Модель авторегрессии проинтегрированного скользящего среднего второго порядка (АРПСС(2,0,0)) построена с использованием системы Statistica for Windows (модели АРПСС(2,0,0) и ARX(2) — это одна и та же модель в разных обозначениях: в первом случае модель авторегрессии второго порядка записана в обозначениях, принятых в анализе временных рядов, во втором — в теории идентификации систем). Более подробно с обозначениями можно познакомиться в работах [4, 5].

Рис. 11. Сравнение прогнозов процесса деградации параметра UOL ИС типа 133ЛА8, построенных с использованием моделей временных рядов (АРПСС(2,0,0) — Statistica и АРСС(8,7) — NCSS с прогнозом НС newgrnn

Качество прогнозов модели АРПСС(2,0,0) можно улучшить путем усложнения моделей. Статистический пакет программ NCSS позволяет в автоматическом режиме провести поиск наилучшей АРСС-модели по минимуму суммы квадратов остаточных ошибок. Например, перебираются АРСС-модели (1,1), (2,2), (8,8) с максимальным числом параметров авторегрессии и скользящего среднего равного 8. Программа в автоматическом режиме, опираясь на статистические критерии и проведя анализ остаточных ошибок, выбрала наилучшую модель АРСС(8,7):

Модель АРСС(8,7) содержит 8 параметров авторегрессии и 7 параметров скользящего среднего. Прогнозирование осуществляется на глубину 100 тыс. ч или на 30 замеров. Точечные прогнозы модели АРСС(8,7) выглядят более правдоподобно, так как в прогноз закладываются 8 предпоследних значений ряда деградации, а в модель АРПСС(2,0,0) — только 2 последних. Доверительный интервал модели АРСС(8,7) значительно сужен. У модели АРСС(8,7) изменяются только первые 15 прогнозных значений, далее прогнозные значения носят асимптотический характер, то есть характеризуются некоторым постоянным уровнем. Стабилизируется и 95%-ный доверительный интервал модели АРСС(8,7). Напротив, у модели АРПСС(2,0,0) изменяются только первые два прогнозных значения, далее прогнозные значения быстро затухают до нуля. Достоверность прогнозов начинает быстро падать, что отражается в быстром «раскрытии» 95%-ного доверительного интервала. В этом случае, чем на большую глубину будем прогнозировать, тем менее достоверными будут точечные прогнозы. Однако на практике редко используют АРСС-модели с числом параметров более 5 из-за их сложности.

Исследования, проведенные в работах [2–6], показали, что модели цифровых фильтров и модели временных рядов, используемые для прогнозирования процесса деградации контролируемых параметров ТТЛ ИС при испытаниях на долговечность, связаны между собой и базируются на общем математическом аппарате поиска параметров этих моделей. Цифровые фильтры способны строить одношаговые прогнозы и проводить анализ процесса деградации контролируемых параметров ИС в частотной области, но не пригодны для прогнозирования времени наступления параметрических отказов. Модели временных рядов позволяют проводить анализ процесса деградации во временной области и строить долгосрочные прогнозы, то есть позволяют прогнозировать время наступления параметрического отказа по траектории процесса деградации контролируемого параметра. Однако в задачах реального времени, к которым можно отнести задачи слежения и одношагового прогнозирования, они не пригодны. Альтернативой моделей цифровых фильтров и временных рядов могут выступать НС, которые способны решать более широкий круг задач. НС способны решать задачи как краткосрочного, так и долгосрочного прогнозирования процессов различной природы. Однако, как показывает практический опыт использования НС для задач прогнозирования, они обладают плохой экстраполирующей возможностью, уступающей прогнозам моделей временных рядов. Тем не менее, совместное использование прогнозов, построенных с использованием различных математических методов, повышает достоверность прогнозов в целом в любом случае.

Работа выполнена по программе гранта РФФИ 05-08-01225-а.

xosotin chelseathông tin chuyển nhượngcâu lạc bộ bóng đá arsenalbóng đá atalantabundesligacầu thủ haalandUEFAevertonxosofutebol ao vivofutemaxmulticanaisonbetbóng đá world cupbóng đá inter milantin juventusbenzemala ligaclb leicester cityMUman citymessi lionelsalahnapolineymarpsgronaldoserie atottenhamvalenciaAS ROMALeverkusenac milanmbappenapolinewcastleaston villaliverpoolfa cupreal madridpremier leagueAjaxbao bong da247EPLbarcelonabournemouthaff cupasean footballbên lề sân cỏbáo bóng đá mớibóng đá cúp thế giớitin bóng đá ViệtUEFAbáo bóng đá việt namHuyền thoại bóng đágiải ngoại hạng anhSeagametap chi bong da the gioitin bong da lutrận đấu hôm nayviệt nam bóng đátin nong bong daBóng đá nữthể thao 7m24h bóng đábóng đá hôm naythe thao ngoai hang anhtin nhanh bóng đáphòng thay đồ bóng đábóng đá phủikèo nhà cái onbetbóng đá lu 2thông tin phòng thay đồthe thao vuaapp đánh lô đềdudoanxosoxổ số giải đặc biệthôm nay xổ sốkèo đẹp hôm nayketquaxosokq xskqxsmnsoi cầu ba miềnsoi cau thong kesxkt hôm naythế giới xổ sốxổ số 24hxo.soxoso3mienxo so ba mienxoso dac bietxosodientoanxổ số dự đoánvé số chiều xổxoso ket quaxosokienthietxoso kq hôm nayxoso ktxổ số megaxổ số mới nhất hôm nayxoso truc tiepxoso ViệtSX3MIENxs dự đoánxs mien bac hom nayxs miên namxsmientrungxsmn thu 7con số may mắn hôm nayKQXS 3 miền Bắc Trung Nam Nhanhdự đoán xổ số 3 miềndò vé sốdu doan xo so hom nayket qua xo xoket qua xo so.vntrúng thưởng xo sokq xoso trực tiếpket qua xskqxs 247số miền nams0x0 mienbacxosobamien hôm naysố đẹp hôm naysố đẹp trực tuyếnnuôi số đẹpxo so hom quaxoso ketquaxstruc tiep hom nayxổ số kiến thiết trực tiếpxổ số kq hôm nayso xo kq trực tuyenkết quả xổ số miền bắc trực tiếpxo so miền namxổ số miền nam trực tiếptrực tiếp xổ số hôm nayket wa xsKQ XOSOxoso onlinexo so truc tiep hom nayxsttso mien bac trong ngàyKQXS3Msố so mien bacdu doan xo so onlinedu doan cau loxổ số kenokqxs vnKQXOSOKQXS hôm naytrực tiếp kết quả xổ số ba miềncap lo dep nhat hom naysoi cầu chuẩn hôm nayso ket qua xo soXem kết quả xổ số nhanh nhấtSX3MIENXSMB chủ nhậtKQXSMNkết quả mở giải trực tuyếnGiờ vàng chốt số OnlineĐánh Đề Con Gìdò số miền namdò vé số hôm nayso mo so debach thủ lô đẹp nhất hôm naycầu đề hôm naykết quả xổ số kiến thiết toàn quốccau dep 88xsmb rong bach kimket qua xs 2023dự đoán xổ số hàng ngàyBạch thủ đề miền BắcSoi Cầu MB thần tàisoi cau vip 247soi cầu tốtsoi cầu miễn phísoi cau mb vipxsmb hom nayxs vietlottxsmn hôm naycầu lô đẹpthống kê lô kép xổ số miền Bắcquay thử xsmnxổ số thần tàiQuay thử XSMTxổ số chiều nayxo so mien nam hom nayweb đánh lô đề trực tuyến uy tínKQXS hôm nayxsmb ngày hôm nayXSMT chủ nhậtxổ số Power 6/55KQXS A trúng roycao thủ chốt sốbảng xổ số đặc biệtsoi cầu 247 vipsoi cầu wap 666Soi cầu miễn phí 888 VIPSoi Cau Chuan MBđộc thủ desố miền bắcthần tài cho sốKết quả xổ số thần tàiXem trực tiếp xổ sốXIN SỐ THẦN TÀI THỔ ĐỊACầu lô số đẹplô đẹp vip 24hsoi cầu miễn phí 888xổ số kiến thiết chiều nayXSMN thứ 7 hàng tuầnKết quả Xổ số Hồ Chí Minhnhà cái xổ số Việt NamXổ Số Đại PhátXổ số mới nhất Hôm Nayso xo mb hom nayxxmb88quay thu mbXo so Minh ChinhXS Minh Ngọc trực tiếp hôm nayXSMN 88XSTDxs than taixổ số UY TIN NHẤTxs vietlott 88SOI CẦU SIÊU CHUẨNSoiCauVietlô đẹp hôm nay vipket qua so xo hom naykqxsmb 30 ngàydự đoán xổ số 3 miềnSoi cầu 3 càng chuẩn xácbạch thủ lônuoi lo chuanbắt lô chuẩn theo ngàykq xo-solô 3 càngnuôi lô đề siêu vipcầu Lô Xiên XSMBđề về bao nhiêuSoi cầu x3xổ số kiến thiết ngày hôm nayquay thử xsmttruc tiep kết quả sxmntrực tiếp miền bắckết quả xổ số chấm vnbảng xs đặc biệt năm 2023soi cau xsmbxổ số hà nội hôm naysxmtxsmt hôm nayxs truc tiep mbketqua xo so onlinekqxs onlinexo số hôm nayXS3MTin xs hôm nayxsmn thu2XSMN hom nayxổ số miền bắc trực tiếp hôm naySO XOxsmbsxmn hôm nay188betlink188 xo sosoi cầu vip 88lô tô việtsoi lô việtXS247xs ba miềnchốt lô đẹp nhất hôm naychốt số xsmbCHƠI LÔ TÔsoi cau mn hom naychốt lô chuẩndu doan sxmtdự đoán xổ số onlinerồng bạch kim chốt 3 càng miễn phí hôm naythống kê lô gan miền bắcdàn đề lôCầu Kèo Đặc Biệtchốt cầu may mắnkết quả xổ số miền bắc hômSoi cầu vàng 777thẻ bài onlinedu doan mn 888soi cầu miền nam vipsoi cầu mt vipdàn de hôm nay7 cao thủ chốt sốsoi cau mien phi 7777 cao thủ chốt số nức tiếng3 càng miền bắcrồng bạch kim 777dàn de bất bạion newsddxsmn188betw88w88789bettf88sin88suvipsunwintf88five8812betsv88vn88Top 10 nhà cái uy tínsky88iwinlucky88nhacaisin88oxbetm88vn88w88789betiwinf8betrio66rio66lucky88oxbetvn88188bet789betMay-88five88one88sin88bk88xbetoxbetMU88188BETSV88RIO66ONBET88188betM88M88SV88Jun-68Jun-88one88iwinv9betw388OXBETw388w388onbetonbetonbetonbet88onbet88onbet88onbet88onbetonbetonbetonbetqh88mu88Nhà cái uy tínpog79vp777vp777vipbetvipbetuk88uk88typhu88typhu88tk88tk88sm66sm66me88me888live8live8livesm66me88win798livesm66me88win79pog79pog79vp777vp777uk88uk88tk88tk88luck8luck8kingbet86kingbet86k188k188hr99hr99123b8xbetvnvipbetsv66zbettaisunwin-vntyphu88vn138vwinvwinvi68ee881xbetrio66zbetvn138i9betvipfi88clubcf68onbet88ee88typhu88onbetonbetkhuyenmai12bet-moblie12betmoblietaimienphi247vi68clupcf68clupvipbeti9betqh88onb123onbefsoi cầunổ hũbắn cáđá gàđá gàgame bàicasinosoi cầuxóc đĩagame bàigiải mã giấc mơbầu cuaslot gamecasinonổ hủdàn đềBắn cácasinodàn đềnổ hũtài xỉuslot gamecasinobắn cáđá gàgame bàithể thaogame bàisoi cầukqsssoi cầucờ tướngbắn cágame bàixóc đĩaAG百家乐AG百家乐AG真人AG真人爱游戏华体会华体会im体育kok体育开云体育开云体育开云体育乐鱼体育乐鱼体育欧宝体育ob体育亚博体育亚博体育亚博体育亚博体育亚博体育亚博体育开云体育开云体育棋牌棋牌沙巴体育买球平台新葡京娱乐开云体育mu88qh88
Литература
  1. Горлов М. И., Королев С. Ю. Физические основы надежности интегральных микросхем: Учебное пособие. Воронеж: Издательство Воронежского университета. 1995.
  2. Строгонов А. Использование нейронных сетей для прогнозирования деградации выходных параметров ТТЛ ИС в системе Matlab/Simulink // Компоненты и технологии. 2006. № 1.
  3. Строгонов А. Использование линейной нейронной сети в задачах прогнозирования деградации выходных параметров ИС // Компоненты и технологии. 2006. № 2.
  4. Строгонов А. Прогнозирование деградации выходных параметров ТТЛ ИС. Часть I // Компоненты и технологии. 2005. № 8.
  5. Строгонов А. Прогнозирование деградации выходных параметров ТТЛ ИС. Часть II // Компоненты и технологии. 2005. № 9.
  6. Строгонов А. Использование цифровых фильтров для моделирования деградации выходных параметров ТТЛ ИС в системе Matlab/Simulink // Компоненты и технологии. 2005. № 8.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *