基于贝叶斯推理和向量压缩技术的最大功耗分析

北京大学学报（自然科学版）

基于贝叶斯推理和向量压缩技术的最大功耗分析

陈杰,李险峰,佟冬,王克义,程旭

北京大学微处理器研发中心，北京100871；

收稿日期:2008-03-05 出版日期:2009-03-20 发布日期:2009-03-20

Maximum Power Analysis Based on Bayesian Inference and Vector Compression Techniques

CHEN Jie, LI Xianfeng, TONG Dong, WANG Keyi, CHENG Xu

Microprocessor Research & Development Center, Peking University, Beijing 100871;

Received:2008-03-05 Online:2009-03-20 Published:2009-03-20

摘要/Abstract

摘要： 针对模拟评测电路最大功耗分析速度缓慢的问题，使用贝叶斯推理功耗模型和切片分析技术进行向量压缩，优选出可能生成最大功耗的向量进行详细分析。进一步的，基于输入信号翻转密度和最大功耗生成之间的关系分析，设计自适应翻转密度与向量生成平台，结合贝叶斯向量压缩技术进行最大功耗评测。实验表明，基于切片分析的贝叶斯模型向量压缩平均加速比达1005倍，分析误差2.40%；结合自适应翻转密度计算与向量压缩的评测方法平均加速比达163倍，最大功耗分析结果相对原始序列提高1.99%。

关键词: 最大功耗评测, 贝叶斯推理, 切片分析, 翻转密度计算, 向量压缩

Abstract: To resolve oversize time consuming problem in simulation based maximum power analysis, Bayesian power model based on slice analysis is proposed. This model selects the input vector set which may generate maximum power and performs accurate power estimation for the compact sequence. The relationship between signal switch density and maximum power generation is analyzed, and then an input vector generation platform with switching density self-adaptation computing and Bayesian vector compression is proposed. The experimental results indicate that, Bayesian vector compression method results in 1005 times average estimation time speed-ups, and the average maximum-power error is 2.40%. When using vector generation method based on self-adaptation computation and Bayesian vector compression, the maximum power bottom limit can be increased with 1.99%, and average speed-ups reaches 163 times.

Key words: maximum power analyses, Bayesian inference, slice analysis, switch density computing, vector compression

中图分类号:

TP391

陈杰,李险峰,佟冬,王克义,程旭. 基于贝叶斯推理和向量压缩技术的最大功耗分析[J]. 北京大学学报（自然科学版）.

CHEN Jie,LI Xianfeng,TONG Dong,WANG Keyi,CHENG Xu. Maximum Power Analysis Based on Bayesian Inference and Vector Compression Techniques[J]. Acta Scientiarum Naturalium Universitatis Pekinensis.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbna.pku.edu.cn/CN/

https://xbna.pku.edu.cn/CN/Y2009/V45/I2/215

[1]	刘秋慧, 张坤丽, 许鸿飞, 俞士汶, 昝红英. 助词“的”用法自动识别研究[J]. 北京大学学报（自然科学版）, 2018, 54(3): 466-474.
[2]	柯永红, 朱永福, 穗志方, 俞士汶. 基于多特征的语义角色标注一致性计算方法研究[J]. 北京大学学报（自然科学版）, 2018, 54(3): 475-480.
[3]	杨萌, 李培峰, 朱巧明. 一种基于Tree-LSTM的句子相似度计算方法[J]. 北京大学学报（自然科学版）, 2018, 54(3): 481-486.
[4]	张雨, 曾立, 邹磊. 大规模图数据的正则路径查询[J]. 北京大学学报（自然科学版）, 2018, 54(2): 236-242.
[5]	魏星, 王玮, 陈静萍, 解焱陆, 张劲松. 基于发音特征的汉语发音偏误自动标注[J]. 北京大学学报（自然科学版）, 2018, 54(2): 243-248.
[6]	林心宜, 严睿, 赵东岩. 融合词、句层级信息的抽取式摘要优化框架[J]. 北京大学学报（自然科学版）, 2018, 54(2): 229-235.
[7]	周楠, 赵悦, 李要嫱, 徐晓娜, 才旺拉姆, 吴立成. 基于瓶颈特征的藏语拉萨话连续语音识别研究[J]. 北京大学学报（自然科学版）, 2018, 54(2): 249-254.
[8]	谭亦鸣, 王明文, 李茂西. 基于翻译质量估计的神经网络译文自动后编辑[J]. 北京大学学报（自然科学版）, 2018, 54(2): 255-261.
[9]	吴焕钦, 张红阳, 李静梅, 朱俊国, 杨沐昀, 李生. 基于伪数据的机器翻译质量估计模型的训练[J]. 北京大学学报（自然科学版）, 2018, 54(2): 279-285.
[10]	吕书宁, 董志安. 利用URL-Key领域术语识别方法[J]. 北京大学学报（自然科学版）, 2018, 54(2): 262-270.
[11]	王文超, 吕学强, 张凯, 周建设. 足球赛事战报的自动写作研究[J]. 北京大学学报（自然科学版）, 2018, 54(2): 271-278.
[12]	应文豪, 肖欣延, 李素建, 吕雅娟, 穗志方. 一种利用语义相似度改进问答摘要的方法[J]. 北京大学学报自然科学版, 2017, 53(2): 197-203.
[13]	栗青生, 徐强, 肖建国, 刘泉, 张解放. 汉字动态生成的结构与风格模型[J]. 北京大学学报自然科学版, 2017, 53(2): 219-229.
[14]	陈玉敬, 吕学强, 周建设, 李宁. NBA赛事新闻的自动写作研究[J]. 北京大学学报自然科学版, 2017, 53(2): 211-218.
[15]	张丽林, 李茂西, 肖文艳, 万剑怡, 王明文. 机器翻译自动评价中领域知识复述抽取研究[J]. 北京大学学报自然科学版, 2017, 53(2): 230-238.