导读:本文包含了错误驱动方法论文开题报告文献综述及选题提纲参考文献，主要关键词:处理器,软错误量化,错误屏蔽,概率图模型
错误驱动方法论文文献综述
焦佳佳[1]（2014）在《处理器中分析模型驱动的高效软错误量化方法研究》一文中研究指出随着工艺尺寸的缩小,软错误引发的粒子翻转成为导致处理器运行结果失效的主导性因素。为了权衡设计开销(如:面积等)和可靠性,精确高效的软错误量化方法成为指导容错优化方案设计的关键。当前软错误量化挑战集中表现:“精度-效率难权衡”,“多位翻转(Multi-Cell Upsets,MCU)比例急剧增加导致量化复杂度高”以及“当前量化方法无法很好适应大规模众核处理器结构”等叁个方面。针对这些问题,本文基于模型分析驱动的思路分别提出了对应的优化方案:1)本文针对精度-效率难权衡的问题,对软错误在传播过程中的屏蔽效应的充分观察和分析,设计了基于概率图模型(Probabilistic Graphical Models,PGM)驱动的评估精度和效率系统优化方法,并通过叁种不同的复杂度和精度权衡的实现方式得到不同的评估的精度-效率优化结果,可灵活应用不同的应用场景,包括:i)MEA-PGM-FO方案快速考虑一阶屏蔽效应提供更优的评估上界,相比仿真注入方法(Fault Injection,FI)保持52x加速比的同时把上界高估幅度降低了最优45.96%和平均8.48%,适合于高效高可靠性设计如汽车控制系统;ii)MEA-PGM-HMM方案采用启发式模型得到快速精确的近似评估值,达到59x加速比的同时把高估的上界值减少了最优98.18%和平均79.14%,适合于面向流处理等低可靠设计的高效量化环境;iii)MEA-PGM-HO是基于截断式推断的高精度高效优化方案,保持43.87x加速比的同时可以把高估的上界值缩小了最优95%和平均87.28%,更适合于航空和航天等极度可靠的场景。2)本文针对复杂的MCU问题设计了基于直方图分析的边界模型(Histogram based Boundary Model,Hi Bo M)驱动的量化方法,一方面利用SBU快速高效量化方法(如错误屏蔽感知的系列优化方案)的统计结果基于边界模型评估面向MCU的量化指标上界和下界;另一方面还采用仿真划分的方式进行分段的边界模型评估,从而得到浮动范围更小的评估区间。它能有效的把MCU问题简化为1位翻转(Single Bit Upset,SBU),灵活扩展到了任意SBU的量化评估方法,并快速得到高精度的评估值,仿真结果指出与精确的错误注入方法相比,可达到44.67~94.6x加速比。3)本文还针对新的处理器结构众核片上网络(Network on Chip,No C)的软错误量化方法从网络结构量化和处理器部件量化两个角度分别提出了:基于PRP的并发注入量化方法和面向MCU的预分析加速注入统计方法,前者首先从分析模型的角度定义了PRP量化指标,并以No C特有的可靠性感知链路添加为例进行了系统验证,通过1次(或少数几次)仿真快速统计PRP值验证软错误的影响以及容错方案的有效;后者面向更精确的SBU+MCU错误模型提出了基于细粒度量化评价的预分析加速统计方法MEPA,通过应用程序的通信特性、可靠性方案的容错能力以及本征的错误屏蔽等可预测信息取消或中断不必要的仿真实现5x加速比。总之,本文基于分析模型驱动的思路,设计、实现和验证了一系列量化方案MEA-PGM-FO、MEA-PGM-HMM、MEA-PGM-HO、Hi Bo M、PRP以及MEPA等,有效解决了面向处理器软错误量化方法面临的精度-效率难权衡的固有问题,MCU新软错误模型以及众核新处理器结构等挑战。(本文来源于《上海交通大学》期刊2014-11-01）
王达,张坤[2]（2009）在《基于支持向量机和转换的错误驱动学习方法的组块识别》一文中研究指出支持向量机在高维特征空间的输入数据上具有较高的泛化性能,能够独立于小范围内的数据维数计算.基于转换的学习方法能自动融合不同类型的知识,所得到的模板可以显示一些语言知识,这些语言知识对于语言学及其他相关研究有重要意义.利用支持向量机和基于转换的错误驱动学习相结合,能够达到较为满意的组块识别效果.(本文来源于《南阳师范学院学报》期刊2009年06期）
王蕾,朱巧明,李培峰,杨季文[3]（2008）在《基于实例和错误驱动的规则学习方法及其应用》一文中研究指出提出了一种基于实例和错误驱动相结合的规则学习方法。该方法首先将提取的文本中的语法结构信息作为实例,然后采用基于转换的错误驱动学习方法找出这些实例的适用上下文环境,从而建立相应的规则库。此方法提取出的规则完全采用机器学习的方式,避免了人工提取规则的主观性缺点。可用于诸如词性标注、未登录词识别、命名实体抽取等自然语言研究课题。(本文来源于《计算机应用与软件》期刊2008年01期）
黄浩炜[4]（2007）在《SVM与基于转换的错误驱动学习方法相结合的生物实体识别》一文中研究指出本文将基于统计的机器学习方法和基于规则的方法有效的结合起来并应用于生物实体识别领域,运用SVM这一统计学习理论的典型代表作为机器学习方法的具体实现,并运用基于转换的错误驱动学习方法对SVM测试得到的结果修正,提高了生物实体识别的准确率和召回率。本文方法首先通过抽取较为丰富的特征集合如单词特征、上下文特征、词性特征、词形特征、核心词特征和停用词特征等,使用JNLPBA发布的训练语料对SVM分类器进行训练,然后使用训练后的SVM模型对JNLPBA公布的测试语料进行生物实体识别。通过对训练语料和测试语料的统计与分析,研究了基于统计的机器学习方法应用于生物实体识别领域所存在的一些问题,如学习器的泛化能力,特征选择问题,外部资源引入问题和数据不均匀现象等等。为进一步提高识别的效果,本文实验利用基于转换的错误驱动学习方法对SVM的标注结果进行校正,转换规则较好地挖掘出生物学文本中的语言现象,进一步提高SVM方法得到的准确率和召回率。通过与其他研究者的比较,本文所采用的方法取得了与很多成熟应用相当的结果。(本文来源于《国防科学技术大学》期刊2007-11-01）
黄浩炜,王挺,陈火旺[5]（2007）在《SVM与错误驱动学习相结合的生物实体识别方法》一文中研究指出本文介绍了一种 SVM 和基于转换的错误驱动学习相结合的生物实体识别方法。该方法首先通过抽取较为丰富的特征集合如单词特征、词性特征和词形特征等,使用 GENIA 语料对 SVM 分类器进行训练,然后使用训练后的 SVM 分类器进行生物文本中命名实体的识别。为进一步提高识别的效果,该方法利用基于转换的错误驱动学习方法对 SVM 的标注结果进行校正,转换规则较好地挖掘出生物学文本中的语言现象,进一步提高运用 SVM 方法得到的结果。(本文来源于《内容计算的研究与应用前沿——第九届全国计算语言学学术会议论文集》期刊2007-08-01）
徐昉,宗成庆,王霞[6]（2007）在《中文Base NP识别:错误驱动的组合分类器方法》一文中研究指出本文采用一种新的错误驱动的组合分类器方法来实现中文Base NP识别。本文首先对中文和英文BaseNP识别技术现状进行了简要分析和概述,明确了中文Base NP识别的任务,然后,基于前人的工作提出了错误驱动的组合分类器方法,其基本思路是:通过对比两种不同类型的分类器—基于转化的方法和条件随机场方法的分类结果,再利用支持向量机学习其中的错误规律,对两分类器产生的不同结果进行纠错,从而达到提高系统整体性能的效果。我们在宾州中文树库转化得到的Base NP语料集上进行了Base NP识别交叉验证实验,与单独使用基于转化的方法、条件随机场方法以及支持向量机方法相比较,错误驱动的组合分类器方法的实验结果都有所提高,最佳结果F值达到了89.72%,相对于文中Base NP识别的其他方法,最大提高幅度为2.35%。(本文来源于《中文信息学报》期刊2007年01期）
黄德根,王莹莹[7]（2006）在《基于SVM的组块识别及其错误驱动学习方法》一文中研究指出给出了一种错误驱动学习机制与SVM相结合的汉语组块识别方法。该方法在SVM组块识别的基础上,对SVM识别结果中的错误词语序列的词性、组块标注信息等进行分析,获得候选校正规则集;之后按照阈值条件对候选集进行筛选,得到最终的校正规则集;最后应用该规则集对SVM的组块识别结果进行校正。实验结果表明,与单独采用SVM模型的组块识别相比,加入错误驱动学习方法后,组块识别的精确率、召回率和F值均得到了提高。(本文来源于《中文信息学报》期刊2006年06期）
徐昉,宗成庆[8]（2006）在《汉语base NP识别:错误驱动的组合分类器方法》一文中研究指出本文采用一种新的错误驱动的组合分类器方法来实现汉语base NP(base noun phrase)识别。本文首先对汉语和英语 base NP识别技术现状进行了综述和分析,明确了汉语base NP的含义,提出了错误驱动的组合分类器方法,然后,在对比两种不同类型的分类器——基于转化的方法和条件随机场分类结果的基础上,再利用支持向量机学习其中的错误规律,对两种分类器产生的不同结果进行纠错,从而达到提高系统整体性能的效果。在宾州汉语树库转化得到的base NP语料集上进行汉语base NP识别交叉验证的实验,与使用基于转化的方法,条件随机场以及支持向量机的方法相比较,实验结果都有所提高,F值达到了89．72％,相对于文中其他方法,最大提高了2．35％。(本文来源于《第叁届学生计算语言学研讨会论文集》期刊2006-08-01）
夏新松,肖建国[9]（2006）在《一种新的错误驱动学习方法在中文分词中的应用》一文中研究指出中文分词应用中一个很重要的问题就是缺乏词的统一性定义。不同的分词标准会导致不同的分词结果,不同的应用也需要不同的分词结果。而针对不同的分词标准开发多个中文分词系统是不现实的,因此针对多种不同的分词标准,如何利用现有的分词系统进行灵活有效的输出就显得非常重要。本文提出了一种新的基于转换的学习方法,对分词结果进行后处理,可以针对不同的分词标准进行灵活有效的输出。不同于以往的用于分词的转换学习方法,该方法有效利用了一些语言学信息,把词类和词内结构信息引入规则模板和转换规则中。为了验证该方法,我们在4个标准测试集上进行了分词评测,取得了令人满意的效果。(本文来源于《计算机科学》期刊2006年03期）
错误驱动方法论文开题报告
（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：
支持向量机在高维特征空间的输入数据上具有较高的泛化性能,能够独立于小范围内的数据维数计算.基于转换的学习方法能自动融合不同类型的知识,所得到的模板可以显示一些语言知识,这些语言知识对于语言学及其他相关研究有重要意义.利用支持向量机和基于转换的错误驱动学习相结合,能够达到较为满意的组块识别效果.
（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。
错误驱动方法论文参考文献
[1].焦佳佳.处理器中分析模型驱动的高效软错误量化方法研究[D].上海交通大学.2014
[2].王达,张坤.基于支持向量机和转换的错误驱动学习方法的组块识别[J].南阳师范学院学报.2009
[3].王蕾,朱巧明,李培峰,杨季文.基于实例和错误驱动的规则学习方法及其应用[J].计算机应用与软件.2008
[4].黄浩炜.SVM与基于转换的错误驱动学习方法相结合的生物实体识别[D].国防科学技术大学.2007
[5].黄浩炜,王挺,陈火旺.SVM与错误驱动学习相结合的生物实体识别方法[C].内容计算的研究与应用前沿——第九届全国计算语言学学术会议论文集.2007
[6].徐昉,宗成庆,王霞.中文BaseNP识别:错误驱动的组合分类器方法[J].中文信息学报.2007
[7].黄德根,王莹莹.基于SVM的组块识别及其错误驱动学习方法[J].中文信息学报.2006
[8].徐昉,宗成庆.汉语baseNP识别:错误驱动的组合分类器方法[C].第叁届学生计算语言学研讨会论文集.2006
[9].夏新松,肖建国.一种新的错误驱动学习方法在中文分词中的应用[J].计算机科学.2006